通过 Gemini Nano 直接访问模型时，您可以采用特定策略来定制提示，从而获得最佳结果。本页面介绍了为 Gemini Nano 设置提示格式的最佳实践。
如需了解更通用的提示词工程指南，请参阅提示词工程白皮书、生成式 AI 的提示词工程和提示词设计策略。
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 gemma-3n-e4b-it 等设备端模型。
提示设计最佳实践
在为直接模型访问设计提示时，请使用以下技巧：
提供示例以进行情境学习。在提示中添加分布均匀的示例，向 Gemini Nano 展示您期望的结果。
如果您使用上下文学习，请考虑使用前缀缓存功能，因为提供示例会使提示变长并增加推理时间。
简明扼要。包含重复指令的冗长预置指令可能会导致结果不理想。提示应简明扼要。如果您需要重复引导模型行为的简短指令，请考虑使用系统指令。
构建提示以生成更有效的回答，例如这个提示模板示例，它明确定义了指令、限制和示例。
输出内容应简短。LLM 推理速度在很大程度上取决于输出长度。请仔细考虑如何针对您的应用场景生成尽可能短的输出，并进行手动后处理，以所选格式构建输出。为确保回答输出采用您首选的格式，请使用结构化输出 API。
添加定界符。使用
<background_information>、<instruction>和##等分隔符来分隔提示的不同部分。在组件之间使用##对 Gemini Nano 尤为重要，因为这可以显著降低模型无法正确解读每个组件的可能性。更喜欢简单的逻辑和更专注的任务。如果您发现，对于需要多步推理的提示（例如，先执行 X，如果 X 的结果为 A，则执行 M；否则执行 N；然后执行 Y…），很难获得良好的结果，请考虑将任务拆分，让每个 Gemini Nano 调用处理更集中的任务，同时使用代码将多个调用串联在一起。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。对于不依赖于创造力的任务（例如实体提取或翻译），请考虑从
temperature值0.2开始，并根据测试调整此值。