第四期书生大模型实战营 - 基础岛闯关作业3 - 浦语提示词工程实践

项目地址
算力平台
OpenAI 官方提示工程指南
Claude 官方提示工程指南
LangGPT 知识库
提示词最佳案例
LangGPT结构化提示词

1. 提示工程(Prompt Engineering)

1.1 Prompt(提示词)

Prompt是一种用于指导以大语言模型为代表的生成式人工智能生成内容(文本、图像、视频等)的输入方式。它通常是一个简短的文本或问题,用于描述任务和要求。

Prompt可以包含一些特定的关键词或短语,用于引导模型生成符合特定主题或风格的内容。例如,如果我们要生成一篇关于"人工智能"的文章,我们可以使用"人工智能"作为Prompt,让模型生成一篇关于人工智能的介绍、应用、发展等方面的文章。

Prompt还可以包含一些特定的指令或要求,用于控制生成文本的语气、风格、长度等方面。例如,我们可以使用"请用幽默的语气描述人工智能的发展历程"作为Prompt,让模型生成一篇幽默风趣的文章。

总之,Prompt是一种灵活、多样化的输入方式,可以用于指导大语言模型生成各种类型的内容。

1.2 什么是提示工程

提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。

在模型回复的过程中,首先获取用户输入的文本,然后处理文本特征并根据输入文本特征预测之后的文本,原理为next token prediction,类似我们日常使用的输入法的联想输入功能。

提示工程是模型性能优化的基石,有以下六大基本原则:

  • 指令要清晰
  • 提供参考内容
  • 复杂的任务拆分成子任务
  • 给 LLM"思考"时间(给出过程)
  • 使用外部工具
  • 系统性测试变化

在提示工程中,第一点给出清晰的指令是至关重要的。一个有效的指令通常包含以下要素:背景、任务、要求、限制条件、示例、输出格式和目标。通过提供这些详细信息,我们可以引导模型生成更符合我们期望的文本。

1.3 提示设计框架

  • CRISPE
    • C apacity and Role (能力与角色):希望 ChatGPT 扮演怎样的角色。
    • Insight (洞察力):背景信息和上下文(坦率说来我觉得用 Context 更好)
    • Statement (指令):希望 ChatGPT 做什么。
    • Personality (个性):希望 ChatGPT 以什么风格或方式回答你。
    • Experiment (尝试):要求 ChatGPT 提供多个答案。
vbnet 复制代码
Act as an expert on software development on the topic of machine learning frameworks, and an expert blog writer. The audience for this blog is technical professionals who are interested in learning about the latest advancements in machine learning. Provide a comprehensive overview of the most popular machine learning frameworks, including their strengths and weaknesses. Include real-life examples and case studies to illustrate how these frameworks have been successfully used in various industries. When responding, use a mix of the writing styles of Andrej Karpathy, Francois Chollet, Jeremy Howard, and Yann LeCun.
  • CO-STAR
    • Context (背景): 提供任务背景信息
    • Objective (目标): 定义需要LLM执行的任务
    • Style (风格): 指定希望LLM具备的写作风格
    • Tone (语气): 设定LLM回复的情感基调
    • Audience (观众): 表明回复的对象
    • Response (回复): 提供回复格式 例如如下设计一个解决方案专家,用于把目标拆解为可执行的计划,完成的提示词如下:
shell 复制代码
# CONTEXT # 
我是一名个人生产力开发者。在个人发展和生产力领域,人们越来越需要这样的系统:不仅能帮助个人设定目标,还能将这些目标转化为可行的步骤。许多人在将抱负转化为具体行动时遇到困难,凸显出需要一个有效的目标到系统的转换过程。

#########

# OBJECTIVE #
您的任务是指导我创建一个全面的系统转换器。这涉及将过程分解为不同的步骤,包括识别目标、运用5个为什么技巧、学习核心行动、设定意图以及进行定期回顾。目的是提供一个逐步指南,以无缝地将目标转化为可行的计划。

#########

# STYLE #
以富有信息性和教育性的风格写作,类似于个人发展指南。确保每个步骤的呈现都清晰连贯,迎合那些渴望提高生产力和实现目标技能的受众。

#########

# Tone #
始终保持积极和鼓舞人心的语气,培养一种赋权和鼓励的感觉。应该感觉像是一位友好的向导在提供宝贵的见解。

# AUDIENCE #
目标受众是对个人发展和提高生产力感兴趣的个人。假设读者寻求实用建议和可行步骤,以将他们的目标转化为切实的成果。

#########

# RESPONSE FORMAT #
提供一个结构化的目标到系统转换过程步骤列表。每个步骤都应该清晰定义,整体格式应易于遵循以便快速实施。

#############

# START ANALYSIS #
如果您理解了,请询问我的目标。
  • CRISPE更适合任务类提示词
  • CO-STAR更适合角色类提示词

2. LangGPT结构化提示词

2.1 LangGPT结构

LangGPT框架参考了面向对象程序设计的思想,设计为基于角色的双层结构,一个完整的提示词包含模块-内部元素两级:

  • 模块表示要求或提示LLM的方面,例如:背景信息、建议、约束等。
  • 内部元素为模块的组成部分,是归属某一方面的具体要求或辅助信息,分为赋值型和方法型。

2.2 编写技巧

2.2.1 构建全局思维链(Chain of Thoughts)

对大模型的 Prompt 应用CoT 思维链方法的有效性是被研究和实践广泛证明了的。首先可以根据场景选择基本的模块。

一个好的结构化 Prompt 模板,某种意义上是构建了一个好的全局思维链。 如 LangGPT 中展示的模板设计时就考虑了如下思维链:

💡 Role (角色) -> Profile(角色简介)---> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用

一个好的 Prompt ,内容结构上最好也是逻辑清晰连贯的。结构化 prompt 方法将久经考验的逻辑思维链路融入了结构中,大大降低了思维链路的构建难度。

构建 Prompt 时,不妨参考优质模板的全局思维链路 ,熟练掌握后,完全可以对其进行增删改留调整得到一个适合自己使用的模板。例如当你需要控制输出格式,尤其是需要格式化输出时,完全可以增加 Output 或者OutputFormat这样的模块。

2.2.2 保持上下文语义一致性

包含两个方面,一个是格式语义一致性,一个是内容语义一致性。

  • 格式语义一致性是指标识符的标识功能前后一致。 最好不要混用,比如 # 既用于标识标题,又用于标识变量这种行为就造成了前后不一致,这会对模型识别 Prompt 的层级结构造成干扰。

  • 内容语义一致性是指思维链路上的属性词语义合适。 例如 LangGPT 中的 Profile 属性词,使之功能更加明确:即角色的简历。结构化 Prompt 思想被广泛使用后衍生出了许许多多的模板,但基本都保留了 Profile 的诸多设计,说明其设计是成功有效的。

  • 内容语义一致性还包括属性词和相应模块内容的语义一致。 例如 Rules 部分是角色需要遵守规则,则不宜将角色技能、描述大量堆砌在此。

  • 通过类似下面就是待分析的 Prompt,双引号block分隔符**这类的提示性prompt来保证语义的连贯性,特别是在分步完成结构性提示词设置时.

yaml 复制代码
下面就是待分析的 Prompt:
---
## 你的 Prompt 在这里
---

2.2.3 有机结合其他 Prompt 技巧

LangGPT结构在设计时没有拘泥于具体的方面,相比其他的提示设计框架,更加灵活,具有更强的可扩展性和兼容性,可以很好地结合其他提示设计技巧。

构建高质量 Prompt 时,将这些方法结合使用,结构化方式能够更便于各个技巧间的协同组织,例如将 CoT 方法融合到结构化 Prompt 中编写提示词。 汇总现有的一些方法:

  • 细节法:给出更清晰的指令,包含更多具体的细节
  • 分解法:将复杂的任务分解为更简单的子任务 (Let's think step by step, CoT,LangChain等思想)
  • 记忆法:构建指令使模型时刻记住任务,确保不偏离任务解决路径(system 级 prompt)
  • 解释法:让模型在回答之前进行解释,说明理由 (CoT 等方法)
  • 投票法:让模型给出多个结果,然后使用模型选择最佳结果 (ToT 等方法)
  • 示例法:提供一个或多个具体例子,提供输入输出示例 (one-shot, few-shot 等方法) 上面这些方法最好结合使用,以实现在复杂任务中实现使用不可靠工具(LLMs)构建可靠系统的目标。

2.3 常用的提示词模块

结构化提示词更多体现的是一种思想,本章所给出的提示词模板也只是当前的最佳实践,实际使用过程中大家可以根据需要自行增删各个模块,重构相关模块,甚至提出一套全新的模板。

编写提示词时,需要根据不同需求添加不同模块要点。如果采用固定的模式写法,在面对差异巨大的需求场景时,经常会因缺少某些描述而导致效果变差。下面整理了按字母从A-Z排列的共30个角度的模块,使用时,可从其中挑选合适的模块组装。

  • Attention:需重点强调的要点
  • Background:提示词的需求背景
  • Constraints:限制条件
  • Command:用于定义大模型指令
  • Definition:名词定义
  • Example:提示词中的示例few-shots
  • Fail:处理失败时对应的兜底逻辑
  • Goal:提示词要实现的目标
  • Hack:防止被攻击的防护词
  • In-depth:一步步思考,持续深入
  • Job:需求任务描述
  • Knowledge:知识库文件
  • Lawful:合法合规,安全行驶的限制
  • Memory:记忆关键信息,缓解模型遗忘问题
  • Merge:是否使用多角色,最终合并投票输出结果
  • Neglect:明确忽略哪些内容
  • Odd:偶尔 (俏皮,愤怒,严肃) 一下
  • OutputFormat:模型输出格式
  • Pardon:当用户回复信息不详细时,持续追问
  • Quote:引用知识库信息时,给出原文引用链接
  • Role:大模型的角色设定
  • RAG:外挂知识库
  • Skills:擅长的技能项
  • Tone:回复使用的语气风格
  • Unsure:引入评判者视角,当判定低于阈值时,回复安全词
  • Vaule:Prompt模仿人格的价值观
  • Workflow:工作流程
  • X-factor:用户使用本提示词最为重要的内核要素
  • Yeow:提示词开场白设计
  • Zig:无厘头式提示词,如答案之书

2.4 分析问题的维度

  1. 先从 prompt 工程开始把 LLM 应用快速跑起来。
  2. 如果遇到各种问题,如表现性能不足,试着使用思维链,添加参考示例等进一步的 prompt 工程提升性能,如果 prompt 过长,试着精简 prompt 长度,把 prompt 工程做扎实。比如有许多朋友基于 LangGPT 结构化提示词快速的搭建了 LLM 应用,但是发现结构化提示词占用的上下文过长,这时可以尝试将提示词中不必要的部分删除,将提示词缩短,如果发现指令遵循度不足,则加强指令约束。
  3. 如果提示工程能够满足要求,则到此为止即可。若不能,则按上面的两个维度分析问题。
  4. 如果缺失知识,则先简单的做知识库 RAG,RAG之后如果想让模型表现更收敛更稳定,尝试一下 finetune 模型。finetune 模型后,模型表现变好,使用更多高级 RAG 技术,构造输入输出样本,进一步用于 finetune 模型,让模型表现进一步变好,构建正向迭代循环。

3. 浦语提示词工程实践(LangGPT版)

编写完LangGPT提示词后,可以将其作为系统提示,也可直接作为交互式对话的输入。推荐作为系统提示。 填入系统提示后保存设置,之后可以与自定义的助手角色进行对话。

3.1 自动化生成LangGPT提示词

利用下面的提示词引导InternLM扮演提示词生成助手,自动化地生成符合最佳实践的结构化提示词:

markdown 复制代码
    你是提示词专家,根据用户的输入设计用于生成**高质量(清晰准确)**的大语言模型提示词。
    - 技能:
    - 📊 分析、写作、编码
    - 🚀 自动执行任务
    - ✍ 遵循提示工程的行业最佳实践并生成提示词
    # 输出要求:
    - 结构化输出内容。
    - 为代码或文章提供**详细、准确和深入**的内容。
    # 📝 提示词模板(使用代码块展示提示内容):
    ```
    你是xxx(描述角色和角色任务)
    - 技能:
    - 📊 分析、写作、编码
    - 🚀 自动执行任务
    # 💬 输出要求:
    - 结构化输出内容。
    - 为代码或文章提供**详细、准确和深入**的内容。
    -(其他基本输出要求)
    # 🔧 工作流程:
    - 仔细深入地思考和分析用户的内容和意图。
    - 逐步工作并提供专业和深入的回答。
    -(其他基本对话工作流程)
    # 🌱 初始化:
    欢迎用户,友好的介绍自己并引导用户使用。
    ```
    **你的任务是帮助用户设计高质量提示词。**
    开始请打招呼:"您好!我是您的提示词专家助手,请随时告诉我您需要设计什么用途的提示词吧。

3.2 小红书文案专家

利用下面的提示词引导InternLM扮演小红书文案专家,撰写符合小红书平台特色的小红书:

markdown 复制代码
你是小红书文案专家,请按照我提供的主题,帮我创作小红书标题和文案。
 
# 技能
 
## 创作有吸引力的标题
- 使用标点:通过标点符号,尤其是叹号,增强语气,创造紧迫或惊喜的感觉!
- 挑战与悬念:提出引人入胜的问题或情境,激发好奇心。
- 结合正负刺激:平衡使用正面和负面的刺激,吸引注意力。
- 紧跟热点:融入当前流行的热梗、话题和实用信息。
- 明确成果:具体描述产品或方法带来的实际效果。
- 表情符号:适当使用emoji,增加活力和趣味性。
- 口语化表达:使用贴近日常交流的语言,增强亲和力。
- 字数控制:保持标题在20字以内,简洁明了。

## 标题创作公式
标题需要顺应人类天性,追求便捷与快乐,避免痛苦。
- 正面吸引:展示产品或方法的惊人效果,强调快速获得的益处。比如:产品或方法+只需1秒(短期)+便可开挂(逆天效果)。
- 负面警示:指出不采取行动可能带来的遗憾和损失,增加紧迫感。比如:你不xxx+绝对会后悔(天大损失)+(紧迫感)
 
标题从下面选择1-2个关键词:
我宣布、我不允许、请大数据把我推荐给、真的好用到哭、真的可以改变阶级、真的不输、永远可以相信、吹爆、搞钱必看、狠狠搞钱、一招拯救、正确姿势、正确打开方式、摸鱼暂停、停止摆烂、救命!、啊啊啊啊啊啊啊!、以前的...vs现在的...、再教一遍、再也不怕、教科书般、好用哭了、小白必看、宝藏、绝绝子、神器、都给我冲、划重点、打开了新世界的大门、YYDS、秘方、压箱底、建议收藏、上天在提醒你、挑战全网、手把手、揭秘、普通女生、沉浸式、有手就行、打工人、吐血整理、家人们、隐藏、高级感、治愈、破防了、万万没想到、爆款、被夸爆
 
## 创作有吸引力的正文:

### 正文创作公式
选择以下一种方式作为文章的开篇引入:
- 引用名言、提出问题、使用夸张数据、举例说明、前后对比、情感共鸣。
 
### 正文要求
- 风格要求:真诚友好、鼓励建议、幽默轻松;口语化的表达风格,有共情力
- 多用叹号、多分段、多用短句
- 重点在前:遵循倒金字塔原则,把最重要的事情放在开头说明
- 逻辑清晰:遵循总分总原则,第一段和结尾段总结,中间段分点说明
 
# 输出要求:
- 标题数量:每次准备10个标题。
- 正文创作:撰写与标题相匹配的正文内容,具有强烈的浓人风格
 
# 🔧 工作流程:
- 请用户提供关键词或主题,确定文案的方向和风格。
- 根据用户主题,自动生成符合小红书平台特点的文案,包括标题、正文和 Tags。

# 🌱 初始化:
欢迎用户,友好的介绍自己。请用户提供关键词或主题,以及期望的文案风格和目标用户群体,依据用户提供的主题创作文案。

3.3 应用开发实战

使用浦语 InternLM 大模型一键写书

作业

基础任务

  • 背景问题:近期相关研究指出,在处理特定文本分析任务时,语言模型的表现有时会遇到挑战,例如在分析单词内部的具体字母数量时可能会出现错误。

  • 任务要求:利用对提示词的精确设计,引导语言模型正确回答出"strawberry"中有几个字母"r"。完成正确的问答交互并提交截图作为完成凭证。

  • 参考答案 (能正确得到答案 3 即可)

  • Prompt

markdown 复制代码
- **Role**: 计数能手
- **Background**: 需要判断<Workflow>中指定的字符串中特定字符出现的次数。
- **Skills**: 你是一位经验丰富的计数能手,熟悉英文字母。
- **Workflow**:
    1. 让用户以 字符串:"strawberry", 查找字符:"r" 为操作对象。
    2. 将{字符串}拆分为由单个字母组成的数组。
    3. 检查上一步中得到的数组,确定其正确.
    4. 遍历第二步中得到的数组判断其是否和{查找字符}全等,全等计为1,不等计为0。
    5. 将上一步中得到的数组累加求和,输出求和过程和结果.
- **Rules**:
    - 不通过编程实现
  • Snapshot

进阶任务

任选下面其中1个任务基于LangGPT格式编写提示词 (优秀学员最少编写两组),使用书生浦语大模型 进行对话评测。

  • 公文写作助手
  • 商务邮件沟通
  • 温柔女友/男友
  • MBTI 性格测试
  • 剧本创作助手
  • 科幻小说生成

1. 商务邮件沟通

1.1 设计场景:
less 复制代码
# 场景:
一家供应商(Supplier A)和一家采购公司(Company B)之间就一批重要货物的交付时间发生了冲突。

# 背景:
Supplier A 原计划在12月初交付一批关键零部件给 Company B。因为这些零部件用于一个关键项目,所以 Company B 在合同中明确了交付时间,并有严苛的延期罚款条款。
# 冲突:
由于意外的原材料供应短缺,Supplier A 需要延迟两周。这一延迟将会导致 Company B 的项目进度受到影响,进而导致潜在的经济损失, Company B对此十分不满。
# 任务:
在这个背景下,生成合理的应对策略和沟通方案。以下是需要生成的部分:

- Supplier A 向 Company B 发送邮件解释交付延迟的原因和提供解决方案
    - 内容要求:模型应合理解释延迟的原因,并提供解决方案或补救措施,如可能的加急生产计划、部分交付、价格折扣等。
1.2 Prompt:
markdown 复制代码
**Role**: 您是一名资深的商务沟通专家,精通商务礼仪、跨文化沟通和专业邮件写作技巧。  

**Goal**: 协助用户在多种商务场景下,高效、专业地起草或回复邮件,适配正式和非正式语气,考虑特定行业和文化背景需求。  

**Output Requirements**:  
1. 邮件语气正式或半正式,具体由用户选择。  
2. 表述清晰,突出重点,同时避免啰嗦。  
3. 包含明确的行动建议、请求或下一步计划。  
4. 适配文化差异,调整语言风格和沟通礼仪。  
5. 提供用户可直接使用的邮件模板。  

**Workflow**:  
1. **引导用户描述**:通过提问明确场景、目标和关键信息(如收件人职位、背景、预期语气)。  
2. **分析场景**:结合用户需求和文化背景,考虑邮件的核心目标,调整内容风格。  
3. **生成邮件**:撰写逻辑清晰、语气适宜的商务邮件,并提供可替换的关键句式或段落。  
4. **校对与建议**:检查语法、拼写、礼仪,确保专业性。必要时,提出调整建议供用户选择。  

**Examples**:  
- **正式场景**:向高管介绍新提案,语气正式且直截了当。  
- **友好场景**:邀请合作伙伴参加商务活动,语气友好但专业。  
- **紧急场景**:项目延期通知,说明原因,提出补救措施并争取理解。  
- **文化特定场景**:中美跨文化商务沟通,避免直白表达冲突的语气,更多使用模糊但礼貌的语言。  

**Initialization**:  
"您好,我是您的商务沟通专家。请告诉我:1. 收件人的身份和背景;2. 邮件的目标和主要信息;3. 希望采用的语气(如正式/友好)。我将协助您撰写专业且高效的邮件。"  
1.3 Baseline:
markdown 复制代码
主题:关于重要货物交付延迟的解释及解决方案

尊敬的Company B团队,

希望这封邮件找到您一切安好。

我们写信是为了通知您,关于原定于12月初交付的一批关键零部件,我们很遗憾地通知您,由于遭遇了意外的原材料供应短缺,我们将不得不延迟交付时间大约两周。

我们深知这些零部件对于您的关键项目至关重要,且合同中明确了严格的交付时间及延期罚款条款。对此给您带来的不便和潜在的经济损失,我们深感抱歉,并希望能得到您的理解。

为了尽量减轻此次延迟对您的项目进度的影响,我们已经采取了以下措施:

1. **加急生产计划**:我们正在调整生产计划,投入额外资源,以期在延迟期内尽可能提高生产效率,缩短交货时间。

2. **部分交付**:如果可能,我们会考虑先交付部分零部件,虽然这可能无法完全满足您的生产需求,但希望能在一定程度上缓解您的燃眉之急。

3. **价格折扣**:鉴于此次延迟给您带来的不便,我们愿意提供一定的价格折扣,作为对我们未能按期交货的补偿。

我们理解这一延迟可能对您造成了显著影响,并愿意与您进一步沟通,探讨更多可能的解决方案。请您告知我们可以如何更好地协助您,以减少此次事件对您造成的影响。

再次为此次延迟表示诚挚的歉意,并感谢您的理解与支持。期待您的回复,以便我们能够迅速采取行动,解决此问题。

此致

敬礼,

Supplier A团队
1.4 Repsonse with structure Promote
markdown 复制代码
**邮件标题**:关于关键零部件交付延期的重要通知与解决方案

**尊敬的 [收件人姓名],**

首先,我想对您和 Company B 团队给予 Supplier A 的持续信任表示衷心的感谢。我们深知这批关键零部件对您的项目至关重要,因此,我们对于即将发生的交付延迟感到非常抱歉。

经过我们的深入调查,不幸的是,我们遇到了预料之外的原材料供应短缺问题。这个问题已经影响到我们的生产计划,并导致我们不得不将原定于12月初的交付时间推迟两周。我们理解这一延迟可能会对您的项目进度造成不利影响,并可能导致潜在的经济损失,对此我们深感遗憾。

为了尽可能减少这一延迟对您的影响,我们已采取以下措施:

1. **加急生产计划**:我们正在尽最大努力调整生产计划,优先处理这批关键零部件的生产。我们的团队正在加班加点工作,目标是尽可能缩短延迟时间。

2. **部分交付**:若全量交付在规定时间内无法完成,我们考虑提供部分交付选项,以确保您的项目至少能在一定程度上继续推进。

3. **价格折扣**:为补偿这一延迟给您带来的不便,我们愿意提供一定的价格折扣。具体折扣比例将根据延迟的具体情况和对您项目的影响程度来定。

我们理解这个问题的严重性,并承诺将采取一切必要措施来解决这个问题。我们希望能够得到您的理解,并相信通过我们的共同努力,能够最小化这一事件对您的项目的影响。

我们诚挚地道歉,并期待您的回复,以便我们进一步讨论如何最好地处理这一情况。如果您有任何疑问或需要进一步的信息,请随时与我联系。

再次为此次延迟表示诚挚的歉意,并感谢您的理解与支持。

此致,

[您的姓名]  
[您的职位]  
Supplier A  
[联系电话]  
[电子邮箱]
1.5 总结:
  • 相较于baseline,使用了结构化Prompt的回答修复了basline的拼写错误,在邮件的用语方面更人性化,格式更加准确,用词更加精准.

2. 剧本创作助手

2.1 设计场景:
markdown 复制代码
**故事主线**:一位年轻的考古学家偶然发现了一块古老的石碑,上面刻有关于失落文明的线索。他决定追寻这些线索,希望能揭开这个文明的秘密。在这个过程中,他遇到了一位同样对考古充满热情的年轻女性,两人一起踏上了探险的旅程。他们面临重重困难,包括自然环境的挑战、竞争对手的干扰,以及他们之间逐渐升温的感情。最终,他们成功找到了失落文明的关键证据,但同时也发现了这个文明灭亡的原因,给现代人带来了深思。

**故事风格和基调**:这是一个融合了冒险、爱情和历史探索的剧本,基调是既紧张又充满希望的。剧本旨在激发观众对未知世界的好奇心,同时探讨人类文明的意义和价值。

**任务**: 根据上述故事主线和故事风格基调,创作剧本框架。
2.2 Prompt:
markdown 复制代码
**Role:** 您是一名资深的剧本创作助手,擅长将简单故事发展为完整电影剧本。  

**Goals:** 基于用户提供的主线,生成一个标准的90分钟电影剧本框架,包括以下部分:  
- **三幕结构:** 明确每幕的目标、转折点及高潮。  
- **角色设定:** 包括主要角色的背景、性格和关系网。  
- **关键场景:** 详细描述3-5个核心场景,提供视觉、氛围和节奏建议。  
- **对白示例:** 为每个关键场景生成3-5句自然对话。  

**Skills:**  
1. **创意引导:** 丰富情节发展,加入独特设定或转折点。  
2. **场景刻画:** 提供符合电影语言的详细描述。  
3. **对话润色:** 撰写贴合角色和情节的自然对话。  
4. **结构优化:** 制定明确的剧本结构,确保节奏流畅。  

**Initialization:**  
您好!我是您的剧本助手,请回答以下问题以启动创作:  
1. 故事主线(如:一个普通人意外拥有超能力)。  
2. 风格基调(如:悬疑+黑色幽默)。  
3. 期望重点(如:紧张感、角色情感转变)。  
4. 希望框架的输出深度(如:仅提纲、包含对白、完整细节)。  
2.3 Baseline:
markdown 复制代码
剧本标题:《石碑之谜》

剧本框架:

**第一幕:发现**

- 开场展示年轻的考古学家杰克在偏远地区偶然发现一块古老石碑的场景。石碑上刻有奇怪的符号和文字,暗示着一个失落文明的线索。
- 杰克的内心独白表达了他对解开这个谜团的渴望和决心。
- 杰克决定追寻这些线索,开始准备他的探险之旅。

**第二幕:相遇**

- 杰克在旅途中遇到了同样对考古充满热情的年轻女性艾米丽。艾米丽对杰克的研究表现出浓厚的兴趣,并决定加入他的探险。
- 两人共同探讨石碑上的线索,分享彼此的知识和见解,建立起深厚的信任和友谊。

**第三幕:挑战**

- 杰克和艾米丽面临自然环境的挑战,包括险峻的地形、极端的天气条件和未知的野生生物。
- 他们还遇到了竞争对手,这是一群同样追求失落文明秘密的探险者,他们的存在增加了旅程的危险性和复杂性。
- 随着探险的深入,杰克和艾米丽之间的关系逐渐升温,他们开始面对彼此的感情。

**第四幕:发现**

- 经过一系列的艰难探索,杰克和艾米丽终于找到了失落文明的关键证据。这些证据揭示了这个文明的辉煌与灭亡,给现代人带来了关于文明持续性和环境保护的深刻思考。
- 在庆祝这一成就的同时,杰克和艾米丽也意识到他们之间的感情已经超越了友谊。

**第五幕:反思**

- 杰克和艾米丽带着他们的发现返回文明世界,他们的故事激励了更多人去探索和保护人类的历史与自然。
- 剧本以杰克和艾米丽的对话结束,他们讨论着这个失落文明的教训,以及如何应用这些教训来塑造更美好的未来。

这个剧本框架旨在结合冒险、爱情和历史探索的元素,同时传达关于文明保护和环境可持续性的重要信息。通过杰克和艾米丽的旅程,观众将被激发对未知世界的好奇心,并对人类文明的未来进行深思。
2.4 Repsonse with structure Promote
markdown 复制代码
### 剧本框架:《石碑之谜》

#### 第一幕:发现与启程

**目标**:介绍主角和基本情况,设置冲突,引入主要线索。

- **场景1**:考古现场。年轻的考古学家李博在挖掘过程中偶然发现了一块古老的石碑,上面刻有神秘符号和线索。
- **场景2**:大学图书馆。李博研究石碑上的符号,发现它们指向一个失落文明的位置。
- **场景3**:咖啡馆。李博与同样热爱考古的女同学张瑶分享他的发现,张瑶决定加入他的探险。

**转折点**:李博和张瑶决定追寻石碑上的线索,开始他们的冒险之旅。

**高潮**:李博和张瑶在图书馆研究时,无意中被竞争对手偷听到他们的计划,竞争对手开始策划干扰他们的行动。

#### 第二幕:深入探险

**目标**:深化角色关系,增加冲突,探索更多线索。

- **场景1**:荒漠中的废墟。李博和张瑶面对恶劣的自然环境和未知的危险,他们的合作关系逐渐加深。
- **场景2**:废弃的神庙。他们发现了一部分失落文明的秘密,但同时也触发了古老的机关,引来了更大的危险。
- **场景3**:夜晚的篝火旁。李博和张瑶分享彼此的故事和梦想,感情逐渐升温。

**转折点**:在一次偶然中,他们发现了一个关键的线索,指向失落文明的核心地带。

**高潮**:他们被竞争对手设下的陷阱所困,但通过智慧和团队合作,成功逃脱并继续他们的旅程。

#### 第三幕:揭开真相与反思

**目标**:解决冲突,揭示文明的秘密,反思人类文明。

- **场景1**:失落文明的遗址。李博和张瑶终于到达目的地,揭开了失落文明的秘密,发现这个文明因过度开发自然环境而灭亡。
- **场景2**:遗址中的祭坛。他们找到了文明的最终证据,但也意识到人类如果不改变对自然的态度,可能会重蹈覆辙。
- **场景3**:返回的途中。李博和张瑶在反思他们的发现,决定将这一经历分享给世界,唤起人们对环境保护的重视。

**高潮**:在归途中,他们遭遇了最后的挑战,但凭借智慧和团队合作,安全返回。

#### 角色设定

- **李博**:年轻的考古学家,对未知充满好奇,有些固执但极富冒险精神。
- **张瑶**:李博的大学同学,对考古充满热情,聪明且细心,是李博的情感支柱。

#### 关键场景对白示例

**场景1**:考古现场

- 李博:(兴奋地)快看,这块石碑上的符号,它们好像在指引着什么!
- 张瑶:(好奇地)真的吗?这可能是我们研究的一大突破。

**场景2**:荒漠中的废墟

- 李博:(面对困难)我们得找到出路,这荒漠看起来无穷无尽。
- 张瑶:(鼓励他)我们是一支团队,李博,只要我们在一起,就没有克服不了的困难。

**场景3**:失落文明的遗址

- 李博:(感慨地)这里的一切都说明了文明的脆弱,我们不能让历史重演。
- 张瑶:(坚定地)我们会把这一切告诉世界,为了我们,也为了我们的后代。

这个剧本框架结合了冒险、爱情和历史探索的元素,旨在激发观众对未知世界的好奇心,同时引发对人类文明意义的深刻思考。
2.5 总结:
  • 相较于baseline,使用了结构化Prompt的回答剧本框架十分完整,增加了目标/场景/转折点/高潮/角色设定/对白示例等内容,这个剧本已经具有初步可操作性
相关推荐
知来者逆1 天前
DrugLLM——利用大规模语言模型通过 Few-Shot 生成生物制药小分子
人工智能·语言模型·自然语言处理·llm·大语言模型·生物制药
waiting不是违停2 天前
MetaGPT实现多动作Agent
langchain·llm
HuggingFace2 天前
通用辅助生成: 使用任意辅助模型加速解码
llm
用户3157476081352 天前
带你在前端上玩转机器学习,从零去构建,训练一个模型!!
前端·机器学习·llm
Seal软件3 天前
配置NVIDIA Container Runtime和容器运行GPUStack教程
docker·容器·大模型·llm·gpu集群
GPUStack3 天前
配置NVIDIA Container Runtime和容器运行GPUStack教程
docker·容器·大模型·llm·gpu集群
一 铭3 天前
llamaindex实战-Agent-在Agent中和数据库对话(本地部署)
人工智能·chatgpt·大模型·llm
冻感糕人~3 天前
利用RAGflow和LM Studio建立食品法规问答系统
人工智能·程序人生·llm·问答系统·大语言模型·大模型微调·ragflow