AI大模型系列：编写高质量提示（prompt）的小技巧

来源：云中江树三月份的时候我们在北京举办了LangGPT第二期的线下沙龙交流，邀请了即刻Prompt达人、“织梦师101”主理人李继刚，刚哥给我们分享他在Prompt上的探索经验，收获很多~这两天终于把逐字稿整理出来分享给大家！PS.如果有语句不顺，一定是小编整理问题..下边是刚哥分享全文：一、背景大家好，我是李继刚，平时活跃在即刻（同名“李继刚”）上，严格意义上来讲其实并不算AI圈的人，而是在互...

Prompt的质量和准确性对于模型的生成结果至关重要，好的Prompt可以引导模型产生有价值的结果，而低质量或不准确的Prompt则可能导致模型产生无意义或错误的输出。因此，编写有效的Prompt是使用AI语言模型的关键之一。

对于企业而言，构建一个符合自身业务需求的知识库是至关重要的。通过 RAG、微调等技术手段，我们可以将通用的大模型转变为对特定行业有着深度理解的“行业专家”，从而更好地服务于企业的具体业务需求。这样的知识库基本上适用于每个公司各行各业，包括：市场调研知识库、人力资源知识库、项目管理知识库、技术文档知识库、项目流程知识库、招标投标知识库等等。第一、离线的知识数据向量化•加载：通过文档加载器（Document Loaders）加载数据/知识库。•拆分：文本拆分器将大型文档拆分为较小的块。便于向量或和后续检索。

程序员工作的终极意义，就是干掉复杂度，用一套通用的方法解决大部分问题。在大模型时代，这个通用的方法就是——Prompt 工程。作为用好大模型最重要的武器，Prompt 的好坏对模型效果有着决定性的影响。 然而，网络上大量相关文章多是罗列“Prompt 工程” 中的若干技巧，少有体系化的总结，让人看完依然不知道该如何入手。本文希望在 “Prompt 工程” 中的实践经验，更加体系化地对 “Prompt 工程” 进行梳理，希望可以一步步地帮助大家用好大模型，人人都是 Prompt 工程师。

还应向模型提供有关所需输出的信息，例如对话或交谈的类型以及任何特定的要求或限制。通过为模型提供一个上下文和一组角色或实体，以及它们的角色和背景，并要求模型在它们之间生成对话。提示公式：“作为市场代表，生成一个有信息量的、有说服力的产品描述，突出新智能手机的创新功能。事实检查：“请确保以下文本是自洽的：文章中陈述该城市的人口为500万，但后来又说该城市的人口为700万。文本完成：“作为研究员，请在与种子词“科学”相关且以研究论文的形式书写的情况下完成以下句子：[插入句子]”

本文旨在介绍其基本概念、原理和流程，并通过大量实例展示如何制作出高质量、高效的提示。让我们一起解锁人工智能的无限潜力，让科技更好地服务于人类。

本文通过分析AI大模型的提示工程，从需求分析、背景澄清、人设构建、OKR设定到复盘等多个维度，提供了与AI有效交互的实用策略。通过这一系列策略，我们不仅能提升与AI交流的效率，还能确保需求被准确理解与满足，让智能工具发挥其最大潜能。

本文围绕 Meta-Prompt 展开全面解析，先明确其是 “指导模型生成 Prompt 的 Prompt”，实现从 “人设计 Prompt” 到 “模型生成 Prompt” 的跨越，接着阐述其降低设计门槛、提升一致性、优化复杂任务 Prompt、适配动态场景的核心价值。随后详解其 “目标任务定义、输出约束、示例引导、优化方向” 四大核心构成要素，通过教育、职场、技术三大场景提供实战示例与设计思路，还分析了任务定义模糊、输出约束不足等常见问题及解决方案，介绍参数化设计、多轮迭代、领域知识注入等进阶技巧……

提示工程Prompt Engineering的四大类技术：基于样本提示技术思维链技术自动增强技术交互与推理技术都为AI系统提供了新的可能性这些技术可以广泛应用于问答系统、内容创作、任务生成代理、执行代理等多种场景，极大地扩展了大型语言模型的能力和应用范围。并且，通过不断改进和创新这些技术，我们可以预见到未来AI将会更加智能、准确和高效。总的来说，本文对提示词的介绍和一些相关的方法论和框架的解析，旨在为广大读者提供对这一新兴行业的深入理解和洞见。

okey，那么接下来我们来看到我们如何使用Prompt来完成Agent开发。来让LLM完成我们想要让它完成的工作。当然这里的开发还是非常渐层的开发，实际上我们有复杂的，但是得益于开源生态的完善，目前一些看起来比较深层的开发例如RAG也已经被封装的太好了。得到视频分镜将生成图像的文本翻译为英文提示词当然这里应该是三个任务，但是我这里直接合并为两个任务，要相信LLM的推理能力，当然你也可以将任务再进行拆分。

AI以极高的效率和还可以的输出质量，得到了许多写作人的青睐，Prompt作为AI写作的核心，通过简短的提示来引导AI生成文本，让写作新手也能轻松自如。

懂得怎么样向ChatGPT提问，会更有效率地得到更符合用户需求的答案。 也就是要懂得怎么写prompt。 今天我们尝试用一个写故事小说的案例来实践一下~

Prompt Engineering是提高大模型表现的关键，本文介绍了Prompt的关键要素和技巧，并通过我实战中的经验给出优化方案。

从入门到精通：如何写好AI大模型的提示词（Prompt），让AI更懂你（内附通用写法模板，提升AI响应质量）

Baseline: 标准使用，无特殊策略。: 提供推理链的示例来帮助模型分步骤解决问题。Zero-CoT: 不提供示例，要求模型自发推理。**Auto-CoT：**内部进行推理但不显示全部过程的系统。Auto-CoT通常是通过训练过程中使用特定的数据集和训练策略来实现的，让模型学会在给出答案前先展现出解题的逻辑链条。: 添加说明以指导模型回答。+rawinst: 用户直接提供指导。“请按照五段式论文的格式回答以下问题…”+sysinst: 系统提供角色和任务说明。

01 提示工程总览基于样本提示技术思维链技术自动增强技术交互与推理技术由于篇幅有限，这篇文章将首先从一些相对简单易懂的方法论和框架开始。零样本提示（Zero-shot）少样本提示（Few-shot）思维链（Chain-of-Thought / CoT）自动思维链（Automatic CoT）自洽（Self-consistency）请看下方标有✅的部分。02 基于样本提示。

提示工程不仅涉及设计和优化提示词，它还涵盖了与大型语言模型交互的一系列技能和技术。理解模型能力：了解大型语言模型的基本工作原理，以及它们在不同任务上的表现和限制。设计有效提示：创建能够引导模型准确理解和执行任务的提示词。交互式学习：通过与模型的互动，不断调整和优化提示词，以提高任务完成的准确性和效率。集成外部知识：将专业领域的知识或外部数据源与模型结合，以增强其解决问题的能力。安全性和伦理：确保模型的输出符合安全和伦理标准，避免产生有害或不准确的信息。

GPT提示词编写技巧

从四月份到现在，我们持续为 AutoDev 编写了一系列的功能。尽管开发了三个多月，我们一直在持续思考、并重构我们管理 prompt 的方式。在即将发布的 AutoDev 0.8 里，我们进一下完善了现有的上下文构建方式，以模式化的方式重新思考并设计了新的上下文工程体系。而测试生成正是我们的第一个新试点，以探索新的 prompt 模式是否更方便？如下是基于新prompt 编码范式的视频：详细代码...