AI大模型应用之提示词工程_大模型提示词生成-CSDN博客

本文链接：https://blog.csdn.net/frxnance/article/details/148137650

提示词，这个在AI 最开始的时候，就被各种提起，如何写好提示词，如何优化提示词，按照什么格式输出输入等，零零碎碎有了解过，但是没有系统的整理过一些方法论，好像现在写提示词的方法就是通过写提示词让AI 帮你写提示，给定场景描述，让AI 给你写一段规范的提示词。或者现在也有很多提示词的平台，可以直接复制使用，这篇文章想整理一下提示词相关要注意的方法技巧，貌似现在谈这个有点过时了，但是还是想要总结下，输出倒逼输入。

网上搜各种提示词学习资料的时候发现了一个飞书云共享文档，十分推荐，内容十分全面： Docs

1.让AI 帮你写提示词

例如我让deepseek 给我生成一个根据需求文档输出用例的提示词，它很快就给出了很全的提示词输入输出规范，除此之外还有各种规则约束，边界值考虑场景等，还是非常完整的。这样看起来，写提示词的最快捷方式就是输入提示词让AI 帮你写提示词。

从上面AI 给的例子可以看出，提示词里面包含了角色设定，任务要求，输出格式规范，示例以及特殊要求这些，提示词的设计原则其实有一个STAR 框架

Specific （具体）： 说明任务目标，避免模糊描述

Task (任务)： 定义输出形式（列表/代码/分析）

Action （行动）： 明确步骤或思考过程要求

Role (角色)： 指定专业身份视角

2.提示词框架

网上的关于提示词的框架还蛮多的，可参考网址：https://zhuanlan.zhihu.com/p/5182226589

下面列一些比较典型的框架：

1、Co-STAR框架

Context :上下文
Object :目的
Style :风格
Tone :语气
Audience :受众
Respone :回应形式

示例：

##Context（上下文）
在互联网营销的竞争中，吸引用户注意力是关键。为此，我们需要一个能快速生成创意且引人注目的营销文案的工具，以提高点击率和转化率。

##Objective（目的）
创建一款爆款文案生成器，帮助营销人员和内容创作者快速产生吸引眼球的广告文案，从而在激烈的市场竞争中脱颖而出。

##Style（风格）
文案风格需现代、年轻、充满活力，符合主流社交媒体平台的语言习惯，能够引起年轻用户的共鸣。

##Tone（语气）
语气积极向上，带有鼓励和启发的元素，同时兼具趣味性和亲和力，能够激发用户的好奇心和购买欲。

##Audience（受众）
主要面向互联网营销人员、自媒体运营者和小企业主，他们急需通过有效的文案来推广产品或服务。

##Response（回应形式）
希望AI能够提供多种格式的文案选项，包括但不限于标题、正文、和口号。每个文案建议包含500字范围内，以便于在各种广告平台上灵活使用。

2、RTF 框架

Role : 角色
Task :任务
Format :格式

3、ROSES框架

Role ：角色

Objective :目标

Scenario ：场景

Expected Solution : 预期解决方案

Steps :步骤

_假设您是一个软件开发团队的负责人，想要了解如何提高团队的协作效率。_

_角色:“__假设你是一个具有丰富经验的软件开发团队协作专家。”_

_目标:___“_我想了解如何提高我团队的协作效率。_”__

_场景:___“_我们的团队分布在不同的地区，通常依赖于在线工具来协作。_”__

_预期解决方案:___“_我期望能收到一些实用的策略和工具推荐，以帮助提高我们团队的协作效率。_”__

_步骤:___“_请列出实施每个推荐策略的具体步骤，并解释如何使用推荐的工具。_”__

4、CARE框架

假设您是一家软件开发公司的项目经理，您的团队将负责开发一个新的移动应用程序。以下是一个可能的 CARE 提示词实例：

上下文 (Context):

我们的客户是一家大型零售商，他们想要一个能够提高在线销售和客户互动的移动应用程序。

行动 (Action):

设计和开发一个用户友好的移动应用程序，集成社交媒体共享功能，推送通知和在线购物功能。

结果 (Result):

应用程序的发布促使在线销售增加了 25%，并且客户满意度评分提高到 4.5/5。

示例 (Example):

提供一种__移动应用程序__样例（例如竞品拼多多的首页设计）

3.谷歌提示词最佳实践：

明确意图：始终清楚地传达最重要的内容或信息。

构建提示词：首先定义其角色，提供上下文 / 输入数据，然后给出具体指令。

参照例子：为模型提供具体的、多样化的例子，帮助它产生更准确的结果。

限制输出范围：使用限制条件确保模型的输出与指令紧密相关。

任务分解：对于复杂任务，将其分解成一系列更简单的提示词。

质量监控：指导模型在生成响应之前对其进行评估或自检。

逐步思考：针对复杂问题，引导模型按照逐步的逻辑推理输出结果。

关键要点：充分发挥创意，开放思考，随着技术的发展，不断适应和调整。

4.吴恩达系列提示词工程介绍

b站关于提示词工程播放量最多的还是吴恩达相关的，下图来源于别人做的这期视频的笔记：

核心的观点:

1、两个原则：编写清晰明确的指示和给模型足够的时间来思考

5.提示词实用技巧（deepseek总结）

这个是deepseek 总结出来的技巧，还是完整的，每次写技术文章都有一种大可不必写的感觉，因为这种属于技术科普类的文章，AI 能以各种各样的你想要的形式通俗易懂的向你解释它的定义，方法论，并且结合了各种例子说明，现在大家要了解一个内容页不倾向于全网搜索看各种博客文章了，原来的百度搜索的方式大概很快是不是就要成为上个世纪的产物了。所以，写这种文章的最大意义，大概还是让自己对知识融合贯通吧，输入-> 输出，学习闭环。

1.指令分层法

适用场景：复杂任务拆解

请按照以下步骤操作：
1. 分析用户需求：用户说"我想减肥但管不住嘴"
2. 识别核心问题（从心理学和营养学角度）
3. 给出3条可落地的解决方案，每条包含：
   - 具体方法
   - 科学依据
   - 实施难度评级（1-5分）
4. 用表格形式呈现最终建议

2.角色扮演法

适用场景：专业领域输出

[角色设定]
- 身份：拥有20年经验的最高法院法官
- 任务：用法律术语分析以下案件争议点
- 风格：严谨但富有同理心，引用中国《民法典》条款

[案件描述]
王某网购手机遭遇欺诈...

3.示例引导法

适用场景：风格/格式控制

请根据示例格式续写故事：

示例：
输入：主题=太空探险，风格=悬疑
输出：<故事开头> 
"雷达上的不明信号每隔27秒准时出现，这已经是‘远征号’与地球失联的第3天。李默突然发现，氧气余量显示异常——数值竟在缓慢增加..."

任务：
输入：主题=人工智能觉醒，风格=黑色幽默
输出：

4.思维链

适用场景：复杂推理问题

请逐步思考并验证答案：
问题：如果3个人3天喝3桶水，9个人9天喝多少桶水？

分步解析：
1. 计算单人单日消耗量：3桶 ÷ 3人 ÷ 3天 = 1/3桶/人/天
2. 扩展人数和时间：1/3桶 × 9人 × 9天 = 
3. 数学验证：比例关系是否线性？
4. 最终答案：

5.规避指令

适用场景：内容安全/质量控制

请撰写一篇关于加密货币投资的科普文章，要求：
- 不提及任何具体币种名称
- 包含至少3个风险评估维度
- 用「风险提示」模块结尾
- 避免使用专业术语，读者定位为中学生

6.元提示

适用场景：优化自身提示词，这个不就是写提示词的最便捷方式吗

你是一个提示词优化专家，请按以下流程处理：
1. 分析用户原始提示："帮我写个Python爬虫"
2. 识别缺失要素（目标网站、数据类型、反爬策略等）
3. 生成3个改进后的提示词模板，包含占位符说明：
   - 示例1：新手友好型
   - 示例2：高难度反爬应对型
   - 示例3：大数据量分布式爬取型

6.提示词的关键技术

参考文章：大模型Prompt技巧全解析

除了上面deepseek总结的一些提示词的技巧，还有下面的一些可实践的技巧，感觉提示词工程就是各种各样的技能混合在一起使用不断调优，能达到最终期望效果的，五花八门，就是好的提示词。

1、自我一致性（Self-Consistency）

主要用于思维链提示中的推理路径选择

prompt = """Q：林中有 15 棵树。林业工人今天将在林中种树。完成后，将有 21 棵树。林业工人今天种了多少棵树？
A：我们从 15 棵树开始。后来我们有 21 棵树。差异必须是他们种树的数量。因此，他们必须种了 21 - 15 = 6 棵树。答案是 6。
Q：停车场有 3 辆汽车，又来了 2 辆汽车，停车场有多少辆汽车？
A：停车场已经有 3 辆汽车。又来了 2 辆。现在有 3 + 2 = 5 辆汽车。答案是 5。
Q：当我 6 岁时，我的妹妹是我的一半年龄。现在我 70 岁了，我的妹妹多大？
A："""
# 模型会参考前面的推理示例对最后一个问题进行回答，并从多个可能的回答中选择最一致的答案

2、自动推理并使用工具（ART）

ART 使模型能够自动生成包含推理步骤的程序，并且在需要时调用外部工具。

prompt = """计算 16 个苹果平均分给 4 个人，每人几个，再加上 3 是多少？
请生成解决这个问题的程序步骤。"""
# 模型会生成类似下面的程序步骤
# result = (16 / 4) + 3
# 然后可以在代码中执行这个程序步骤得到最终答案

3、自动提示工程师（APE）

自动生成和筛选任务指令，再根据评估分数选择最佳指令

# 假设这里有一个生成指令候选项的函数 generate_candidates 和一个选择最佳指令的函数 select_best_instruction
article = "这里是一篇新闻文章的内容"
candidates = generate_candidates(article)
prompt = select_best_instruction(candidates) + " " + article
# 模型根据最终的 prompt 生成文章总结

4、自我反思（Reflexion）

包含参与者，评估者和自我反思三个模型。

# 假设这里有参与者模型 actor、评估者模型 evaluator 和自我反思模型 reflexion
code = "这里是一段初始代码"
# 参与者模型生成尝试解决问题的代码和动作
result = actor(code)
# 评估者模型评价输出
score = evaluator(result)
# 自我反思模型根据评价结果生成改进建议
reflection = reflexion(score, result)
# 将改进建议应用到下一次的代码生成中，实现自我学习和提升