本文详细介绍如何编写有效的长提示词，让大模型更准确地按照要求思考。作者提出"角色/任务 + 核心原则 + 上下文处理 + CoT + 输出规范 + Few-Shot"的结构化框架，并分享了借助模型生成和优化Prompt的实用技巧。这套方法论能显著提升模型在复杂任务中的准确率，让普通用户也能编写出高质量提示词。
结构
也许你小某书、某站看过了各种提示词结构，比如：CRISE，BROKE，ICIO等等，这些框架当然是有很大价值的，在非精准类问题(精准类问题：数据查询分析，非精准类问题：文本解析，写作、翻译等)或者非复杂性问题上没有问题。在复杂性高的精准性问题上就没有那么有效了。我们这边一直探索的是大模型在数据分析场景的应用，对准确性要求极高，覆盖的场景也非常的复杂，经过探索和尝试，总结出来一套形式有效的提示词结构：
角色/任务 + 核心原则 + 上下文处理 + CoT(Chain of Thoughts) + 输出规范 + Few-Shot
还需要适当添加要求和限制，下面会以实战经验来讲解每一个模块应该怎么写。
写在前面
模型是接收Prompt的主体，同时也是写Prompt的高手，在初始版本和调优过程中也可以起到关键作用。
借助模型生成初始版本Prompt
- 准备query和期望输出的结果30条
- 准备上下文输出，和文本结构介绍
- 清晰描述模型要实现的目标以及输出的提示词框架
将以上内容给到大模型，可以快速得到初始版的提示词，比自己动手写第一版要有效的多。
借助模型优化Prompt
- 准备测试集以及当前prompt生成的结果
- 添加准确结果和备注，备注描述生成错误结果的原因
使用模型初始化和优化可以解决基础问题，真正的优化还是要靠自己。
Prompt格式
md或者json，我选择md格式。
不仅仅是因为md格式比较好看，主要是为你md格式结构清晰，撰写方便，而且拓展性很好。总结下来md是比较好的选择。
json格式虽然结构清晰，但是扩展性太差，写的太长了容易把自己搞晕，慎重选择。
Prompt模块
不同模块承担不同的作用，复杂程度不同需要的模块也不同。
角色&任务
角色辅助，讲清楚任务。 此部份在prompt最前面，是最高指令，告诉模型它是谁，要干嘛。
角色：模型本身是具备各领域知识能力的，解决当前具体问题需要调用模型哪方面的能力，是通过角色定位完成的。 你是一名牙科医生，你是一名数据分析师、你是一名川菜厨师等让模型从一个杂学家变成专业领域的科学家。
任务：一句话讲清楚模型要干嘛，数据分析师可以写sql查询数据、可以使用python分析数据、可以数据可视化，也可以写分析报告。
角色和任务约束模型调用某方面能力完成一个具体的事情。
核心原则
核心原则可以一开始就输出，也可以在调优过程中生成。 可以理解为模型执行任务时要遵守的最高原则，纲领性质的要求。所以核心准则不能多，3条以内，超过3条很容易就失效了。
比如在生成sql的prompt中，为了保证生成的sql可以查询出数据，就得有以下核心原则。
比如在做分词提取时，我们的分词倾向性也可以写在核心原则内
一开始实现某个任务时，核心原则可能还没有，在优化过程中有些问题在提示词主体中总是解决不了，可以考虑在核心原则中优化。对于模型来源核心原则会被考虑的权重是比较高的，仅次于角色和任务。
上下文处理
当前Context Engineering概念比Prompt Engineering更加流行，一句话概括就是让上下文以恰当的格式出现在恰当的位置，知识库可以包括：多论对话的长短记忆、知识库rag结果、提示词、工作流上游输出等。能让上下文发挥最大作用，就必须把上下文讲清楚，放对位置。
上下文模块组织原则：
- 上下文内容比较长，最好放到最后，以免打断提示词
- 上下文结构讲清楚，合适和组织形式影响token数量也会影响性能(不展开讲)
- 上下文在任务中承担的作用和价值
举例：在生成sql环节，上下文输入较多，具体组织形式如下：
上下文输入：一般放在提示词结尾处：
特别注意：上下文的结构和形式的优化一般适合提示词的优化协同的，二者同步优化才能达到最好的效果。
CoT(Chain of Thoughts)
CoT
CoT本来是提示词的一种框架，是针对逻辑比较强的任务场景提出的。就是要提醒或者约束模型按照要求思考，以提升准确率。
举个经典例子：小明有5个苹果，3个梨。妈妈拿走2个苹果，爸爸给了1个梨，小明拿1个梨和姐姐换了1个苹果，请问最终小明有几个苹果几个梨。
提示词1: 请回答最终小明有几个苹果几个梨； 这时候答案很有可能是错的。
提示词2: 第一步：将小明每次获取、失去、交换所有物品作为一个节点，奖整个过程按照节点切分成不同的计算任务 第二步：计算每一个节点结束后小明所有物品的数量 第三步：计算出最终的结果后复盘是否准确；这个时候模型就是一步一步计算结果，更容易得到正确的答案。
在复杂场景下，CoT，也可以理解为执行流程或者说思考过程，可以作为整个prompt一部份，模型在充分理解任务和上下文之后，再按照CoT步骤执行拆解任务，往往可以让模型按照要求执行，听话程度高出很多。我们的经验是可以提升准确了20个percent。
示例如下：维度解析
要求和限制
要求和限制，看是什么级别，可以写在CoT模块内，也可以单独一个模块，因地制宜即可。
要求和限制一般是任务中需要特殊强调、特殊处理的逻辑，建议二者分开写。举例：
特殊逻辑表达
在写prompt中有些逻辑用文字特别难以准确表达，有时候准确表达出来需要上百字，对于模型准确理解就更难了。 这个时候可以考虑使用伪代码来表达，模型理解起来既快又准。
比如，收入月报每月定稿时间13日，如何根据当前时间取出月表的最新时间，并考核时间的格式。
输出规范
模型太爱表达了，它往往不会只输出你想要的内容，总是输出很多自己的思考过程或者考虑的因素，以表达自己的聪明。又或者是不按照要求的格式输出，对输出的规范要求必不可少，一些平台可以实现结构化输出，不过结构化输出的基础是要模型能输出结构清晰的结构。
输出规范一般包含两部分内容：
- 期望输出的内容和结构
- 禁止输出的内容和结构
举例如下：
Few-Shot
提升准确率非常有效的手段，就好比一个应届生，你让他去看一个文件，然后按照文件要求做事，很难理解到位。 如果你再提供一两个例子，基本上聪明的同学就能很好的完成任务。 模型当然属于聪明的同学这一类。示例一定要按照上述CoT的过程来写，二者一致则能让模型最大限度的按照既定的要求思考。
举例如下：
读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**
如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！
👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。
你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓
为什么要学习大模型？
数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!
大模型学习路线汇总
整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！
大模型实战项目&配套源码
光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识
大模型学习必看书籍PDF
我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
大模型超全面试题汇总
在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
👉获取方式：
😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】
相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
