LangGPT的官方提供的6条经典策略：
精准打造PROMPT的4大基本要素
-
明确的目标和任务
具体而清晰地阐明你的预期结果和要求。包括明确PROMPT的整体目标和具体希望进行的任务。通过使用清晰、简洁和准确的语言，有助于缩小模型的输出范围，减少误解和生成不相关内容的风险，从而提高生成内容的质量和相关性。避免模糊：使用具体的词语和句子，避免让模型猜测你的意图。这样可以减少理解错误，提高生成内容的质量。
举个🌰，准确表达希望获得的信息或结果：👎不够准确：“告诉我关于机器学习的知识。”👍准确表达：“请解释什么是机器学习，包括其基本概念和至少两种常用算法（如决策树和神经网络），并讨论它们各自的应用领域。”
通过明确界定目标和任务，并使用具体的语言来描述这些目标和任务，可以显著提高PROMPT的效果。这不仅帮助模型更好地理解用户的需求，也确保生成的输出内容更符合用户的预期。明确的任务定义和具体的语言描述是创建高效PROMPT的关键要素。
-
上下文和背景信息
上下文和背景信息可以帮助更好地理解如何创建高质量的提示，引导生成型人工智能模型产生准确、高效和有针对性的回应。它包含了充分的上下文和背景信息，具体的任务目标和预期输出，并明确了任何必要的细节、限制条件和目标读者或用户群体。
包括以下几个方面：
-
角色和身份
-
明确任务请求者的角色（例如：学生、研究员、产品经理）。
-
了解请求者身份有助于定制答案的专业性和语调。
-
任务的具体目标
-
明确需要完成的任务或回答的问题。
-
包含具体的细节和预期输出。
-
相关历史和现状
-
提供与任务相关的背景历史，例如之前的研究、项目进度或市场状况。
-
涉及当前的环境或条件，包括任何变化或影响因素。
-
特定要求和条件
-
明确任务的具体要求和条件（例如：字数限制、格式要求、时间限制）。
-
说明任何必须满足的约束条件。
-
读者或受众
-
阐明回答的目标受众。
-
调整回答的复杂性和语言风格以适应特定读者。
举个🌰假设你是一名城市规划师，正在为一个新兴城市设计一项公共交通系统。请撰写一份报告，评估当前已有的一些全球先进城市的交通系统，包括它们的优缺点和用户满意度情况。报告应包含对每个交通系统的详细分析，并提出适应你所在城市的建议。对应的上下文：
-
详细的衡量标准或考评维度
一个优秀的PROMPT应具实现实现任务目标详细的衡量标准或考评维度，提供清晰、全面、高效的评估，确保任务目标的实现。确保PROMPT达成目标客观且有据可依，从而有效地实现任务的目标。
举个🌰任务描述：学生综合评估👎 请根据学生的出勤率和他们参加课外活动的次数来计算综合表现。说明：
-
明确的输入和输出格式
输入格式是指模型接收的原始数据的结构和形式。明确的输入格式定义了数据应该如何组织和呈现，以确保模型能够正确解析和理解这些数据。输出格式是指模型生成结果的预期结构和形式。明确的输出格式定义了模型应该如何组织和呈现生成的内容，以满足特定的需求或标准。
例如：
-
文本格式（如长篇回答、摘要）
-
结构化数据格式（如JSON、XML、CSV）
-
编码数据格式（如源代码）
-
模版：模板是一个预先定义的格式或结构，用于指导模型生成输出。
举个🌰JSON格式输出输出格式是指模型生成结果的预期结构和形式。明确的输出格式定义了模型应该如何组织和呈现生成的内容，以满足特定的需求或标准。
{ "students": [ { "name": "Alice", "total_score": 255, "average_score": 85, "grades": { "Math": 85, "English": 78, "Science": 92 } } ] }
模版输出输出模板：
{ "students": [ { "name": "<NAME>", "total_score": <TOTAL_SCORE>, "average_score": <AVERAGE_SCORE>, "grades": { "Math": <MATH_SCORE>, "English": <ENGLISH_SCORE>, "Science": <SCIENCE_SCORE> } } ] }
优化PROMPT
-
给出样本和示例
在提示工程中，样本是特定任务中用来指导和帮助模型理解任务要求的具体输入输出配对。样本可以是one-shot或few-shot，并且在提示的上下文中常常用于提供明确的任务示例。
1.One-shot 示例：
-
提供给模型的单个输入输出配对示例，帮助模型理解任务要求和期望的输出格式。适用于模型已有相关领域知识时。
-
适用场景：模型已有一定基础知识，只需要一个示例来了解具体格式和期望输出。
2.Few-shot 示例：
-
提供给模型的多个（通常是2-5个）输入输出配对示例，进一步明确任务细节和复杂性。适用模型对任务有一定了解但需要更多具体示例时。
-
适用场景：任务较复杂，或者模型对任务不够熟悉，需要通过多个示例来学习任务特征。
举个🌰任务：基于以下描述生成一段产品评价，评价内容需要符合以下衡量标准：
输入: 这款耳机音质非常好，但是佩戴时间长了耳朵会有些不舒服。电池续航也不错，能够支持一整天的使用。 输出: -优点: 音质好，电池续航长 -缺点: 长时间佩戴后耳朵不舒服 -评价: 这款耳机的音质非常好，可以提供出色的听觉享受。另外，电池续航也很优秀，能够支持一整天的使用。不过，长时间佩戴可能会导致耳朵感到不适。
-
典型具体应用场景
1.文本分类任务：
-
衡量标准：分类准确率、召回率。
-
样本关系：提供正负面和中立分类的示例，帮助模型理解分类边界。
示例：
输入：“这场比赛真是令人激动！” 输出：“体育”
2.情感分析任务：
-
衡量标准：分类正确性（正面、中性、负面）、文本流畅度。
-
样本关系：多情感示例展示，使模型更好地捕捉情感细节。
示例：
任务：情感分析。 示例1： 输入：句子 - “我非常喜欢这款手机，它的功能很强大。” 输出：情感 - “正面” 示例2： 输入：句子 - “这次服务让我很失望。” 输出：情感 - “负面” 示例3： 输入：句子 - “这部电影不过不失。” 输出：情感 - “中性”
3.翻译任务：
-
衡量标准：译文准确性、流畅性、语法正确性。
-
样本关系：双语示例帮助模型掌握准确的翻译对，确保译文忠实且流畅。
4.文本摘要任务：
-
衡量标准：摘要内容覆盖率、简洁度、流畅度。
-
样本关系：展示长文本和对应的高质量摘要，使模型学习如何提炼关键信息。
5.问答任务：
-
衡量标准：回答准确性、完整性、相关性。
-
样本关系：通过问答对示例，指导模型生成准确且相关的答案。
任务: 根据以下文本生成一个合理的问题。 输入: "苹果公司最新发布的iPhone 12备受关注，其出色的摄像头和强大的处理能力给用户留下了深刻印象。" 输出: "苹果公司最新发布的哪款手机备受关注？"
-
分步骤和层次化的指导
举个🌰任务描述：撰写一份关于人工智能伦理问题的研究报告👎 请撰写一份关于人工智能伦理问题的研究报告。说明：
-
考虑多种可能性和边界条件
在设计 PROMPT 时，充分考虑可能出现的各种输入情况和极端条件，从而确保模型在面对各种非理想输入时仍能产生合理的输出。包括但不限于正例和反例、数据稀缺、极端值、格式错误和冲突信息等情况。
举个🌰请提供地点和日期以查询天气情况。地点应包括城市或地区名称，日期格式为 yyyy-mm-dd。 1. 如果地点和日期格式不正确，请输出“输入格式错误，请重新输入。”2. 如果地点不存在或无法识别，请输出“无法识别的地点，请检查您输入的地点名称。”3. 如果日期是未来30天之后的时间，请输出“日期超出允许范围，请输入最近一个月的日期。”4. 如果日期是过去的时间，请输出“日期是过去的时间，目前只支持查询未来的天气。” 注意：地点名称可以使用城市名或地区名，例如“纽约”或“东京”。日期必须符合 yyyy-mm-dd 格式。所有输出应友好、简洁，便于用户理解。
结构化prompt示例模版
一段目前非常火的提示词，这个提示词的功能可以让LLM达到自我思考的效果，并进行思维链式推理，也就是仿GPT-o1模型的效果。
结构化提示词模板：角色模板，6个字段，用于描述需要AI以什么身份做什么样的工作，以及它的输出格式。
通过以下混合的结构化提示词教大模型帮你生成结构化提示词，基于这份进一步迭代你的专用提示词。
