使用 Prompt API 时，您可以采用一些特定策略来定制提示并获得理想的结果。本页介绍了针对 Gemini Nano 设置提示格式的最佳实践。
如需了解更通用的提示工程指导，请参阅提示工程白皮书、生成式 AI 的提示工程和提示设计策略。
或者，如需自动优化和改进提示，您可以使用零样本优化器，该优化器可以针对设备端模型（例如 gemma-3n-e4b-it）进行优化。
提示设计最佳实践
为 Prompt API 设计提示时，请使用以下技巧：
提供上下文学习示例。在提示中添加分布均匀的示例，向 Gemini Nano 展示您期望的结果类型。
使用上下文学习时，请考虑使用前缀缓存功能，因为提供示例会使提示更长，并增加推理时间。
简明扼要。包含重复指令的冗长前导内容可能会产生次优结果。确保提示简明扼要。如果您需要重复使用引导模型行为的简短指令，不妨考虑使用系统指令。
结构化提示可生成更有效的回答，例如此提示模板示例，其中明确定义了指令、限制和示例。
保持输出简短。LLM 推理速度很大程度上取决于输出长度。请仔细考虑如何针对您的使用情形生成尽可能简短的输出，并进行手动后处理，以将输出结构化为所选格式。为确保回答输出采用您偏好的格式，请使用结构化输出 API。
添加定界符。使用
<background_information>、<instruction>和##等分隔符将提示的不同部分分隔开。在各组件之间使用##对于 Gemini Nano 尤其重要，因为这可以显著降低模型无法正确解读每个组件的几率。偏好简单逻辑和更专注的任务。如果您发现难以通过需要多步推理的提示（例如，先执行 X，如果 X 的结果是 A，则执行 M；否则执行 N；然后执行 Y…）获得理想的结果，请考虑将任务分解开，让每次 Gemini Nano 调用处理一个更专注的任务，同时使用代码将多次调用链接在一起。如果您确实需要一次性处理复杂的推理密集型任务，请考虑使用思考模式。
对于确定性任务，请使用较低的温度值。对于不依赖于创意性的任务（例如实体提取或翻译），请考虑从
temperature值为0.2开始，并根据测试结果调整此值。