GitHub - mattnigh/ChatGPT3-Free-Prompt-List: A free guide for learning to create ChatGPT3 Prompts
1.CRISPE框架
CRISPE Prompt Framework，CRISPE 是首字母的缩写，分别代表以下含义：
CR：Capacity and Role（能力与角色），你希望 ChatGPT 扮演怎样的角色。
I：Insight（洞察），背景信息和上下文。
S：Statement（陈述），你希望 ChatGPT 做什么。
P：Personality（个性），你希望 ChatGPT 以什么风格或方式回答你。
E：Experiment（实验），要求 ChatGPT 为你提供多个答案。
github 上的那 prompt 角色大全基本都是 CRISPE 框架。
2.Prompt Engineering定义
定义：Prompt Engineering 是设计和优化输入提示（prompt）以获得预期输出的过程。在与大型语言模型（如 GPT-4）交互时，如何构造提示会显著影响模型的回答质量。
例子：
- 简单提示 ：
"告诉我关于猫的事情。" - 优化提示 ：
"请详细描述猫的生物学特征、行为习惯以及它们在不同文化中的象征意义。"
通过优化提示，用户可以引导模型生成更详细和有用的回答。
Prompt Engineering 是设计和优化输入提示以获得预期输出的过程。为了在使用大型语言模型（如 GPT-4）时获得最佳结果，以下是一些最佳实践：
1. 明确目标
2. 提供上下文
3. 使用具体的指示
4. 提供示例
5. 使用分步指示
分解为多个步骤，逐步引导模型完成。
6. 控制输出长度
通过提示控制输出的长度，确保内容简洁或详细。
7. 使用占位符和模板
使用占位符和模板来指示需要填充的内容或格式。
8. 反复试验和调整
明确指定输出格式，确保生成内容符合预期。
9. 指定输出格式
-
无格式指定 ：
"生成一个关于公司财务状况的报告。" -
有格式指定 ：
"生成一个关于公司财务状况的报告，格式如下：\n\n1. 收入：\n2. 支出：\n3. 净利润：\n4. 财务分析："
10. 使用多轮对话
在需要时，通过多轮对话逐步引导模型生成所需内容。
11. 使用反思和迭代
在生成初步答案后，反思并可能修改其回答，以提高准确性和质量。
3.提示技术
1. Zero-shot
Zero-shot 是指模型在没有任何示例的情况下完成任务。
2. Few-shot
Few-shot 是指模型在完成任务之前。
3. Chain-of-Thought (CoT)
Chain-of-Thought 是一种提示技术，通过展示模型思考过程的步骤来解决复杂问题。
例子：
- 提示 ：
"如果一个苹果和一个香蕉的总价是3美元，一个苹果的价格是2美元，那么一个香蕉的价格是多少？请展示你的思考过程。"- 回答 ：
"首先，苹果的价格是2美元。总价是3美元，所以香蕉的价格是3美元减去2美元，等于1美元。"通过展示思考过程，模型可以更清晰地推理出正确答案。
4. ReAct
ReAct 是一种结合反应（Reaction）和行动（Action）的提示技术。
例子：
- 提示 ：
"你是一个虚拟助手。用户问：'我今天应该穿什么衣服？' 你需要根据天气情况给出建议。步骤1：查询天气。步骤2：根据天气给出建议。"- 回答：
- 步骤1 ：
"查询天气：今天的天气是晴天，温度在25-30度之间。"- 步骤2 ：
"建议：今天适合穿轻便的夏装，比如T恤和短裤。"通过分步骤反应和行动，模型可以更有效地完成复杂任务。
5. Reflexion
Reflexion 是一种提示技术，模型在生成初步答案后，反思并可能修改其回答。
定义：Reflexion 是一种提示技术，模型在生成初步答案后，反思并可能修改其回答。这个过程可以提高答案的准确性和质量。
例子：
- 提示 ：
"解释为什么天空是蓝色的。"- 初步回答 ：
"因为大气中的氧气和氮气散射阳光中的蓝色光。"- 反思 ：
"这解释不够准确。实际上，蓝色光被散射得更多是因为瑞利散射效应。"- 修改回答 ：
"天空是蓝色的，因为阳光穿过大气层时，短波长的蓝色光比其他颜色的光被空气分子散射得更多，这种现象被称为瑞利散射。"
6. Prompt Chaining
Prompt Chaining 是将多个提示串联起来，以分步解决复杂问题或完成多步骤任务。
定义：Prompt Chaining 是将多个提示串联起来，以分步解决复杂问题或完成多步骤任务。
例子：
- 任务：写一篇关于气候变化的文章。
- 提示链：
"首先，简要介绍什么是气候变化。""接下来，描述气候变化的主要原因。""然后，讨论气候变化的影响。""最后，提出应对气候变化的建议。"通过将任务分解为多个步骤，模型可以更系统和有条理地完成复杂任务。
这些技术和方法帮助用户更有效地与大型语言模型互动，获得更高质量的输出。
4.结构化输出
结构化输出在 Prompt Engineering 中是指通过设计特定的提示，引导语言模型生成具有明确格式或结构的输出。这在需要处理数据表格、生成代码、创建报告等任务中尤为重要。通过结构化输出，可以确保生成的内容符合预期的格式，便于后续处理和使用。
4.1 结构化输出的常见形式
JSON 格式：适用于需要生成或处理数据对象的任务。
Markdown 格式：用于生成文档或报告，便于阅读和展示。
表格格式：适用于数据展示和分析。
代码格式：用于生成特定编程语言的代码片段。
4.2 设计结构化输出提示的技巧
明确格式要求：在提示中清晰地说明输出的格式。
提供示例：通过示例展示期望的输出格式。
使用占位符：在提示中使用占位符来指示需要填充的内容。
4.2.1 示例 1：生成 JSON 格式的数据
请生成一个包含以下信息的 JSON 对象：
名字
年龄
职业
兴趣爱好
示例格式：
{
"name": "张三",
"age": 30,
"occupation": "软件工程师",
"hobbies": ["阅读", "旅行", "编程"]
}
{"name": "李四",
"age": 25,
"occupation": "数据分析师",
"hobbies": ["绘画", "跑步", "音乐"]
}
4.2.2 示例 2：生成 Markdown 格式的报告
请根据以下信息生成一份 Markdown 格式的报告：
标题：气候变化对农业的影响
引言：简要介绍气候变化的背景。
影响：详细描述气候变化对农业的具体影响。
结论：总结并提出应对措施。
示例格式：
标题
引言
内容
影响
内容
结论
内容
气候变化对农业的影响
引言
气候变化是指长期气候模式的变化，主要由人类活动引起的温室气体排放导致。这些变化对全球的生态系统和人类社会产生了深远的影响。
影响
气候变化对农业的影响主要体现在以下几个方面：
**作物生长周期**：温度升高和降水模式的变化影响作物的生长周期，可能导致减产。
**病虫害**：气候变化可能增加病虫害的发生频率和严重程度，对农业生产构成威胁。
**水资源**：气候变化导致的极端天气事件，如干旱和洪水，影响农业用水的可用性和质量。
结论
为了应对气候变化对农业的影响，需要采取以下措施：
推广耐高温和抗旱作物品种。
改进农业灌溉技术，提高用水效率。
加强农业病虫害监测和防治工作。
4.2.3 示例 3：生成表格格式的数据
请生成一张包含以下信息的表格：
产品名称
价格
库存数量
供应商
示例格式：
| 产品名称 | 价格 | 库存数量 | 供应商 |
|----------|------|----------|--------|
| 产品A | 100 | 50 | 供应商1|
| 产品B | 200 | 30 | 供应商2|
| 产品名称 | 价格 | 库存数量 | 供应商 ||----------|------|----------|--------|
| 产品C | 150 | 20 | 供应商3|
| 产品D | 250 | 10 | 供应商4|
5.Prompt 应用
1. 数据处理
- 数据清理：
- 提示 ：
"请将以下数据转换为标准日期格式：'12/31/2023', '01-01-2024', '2024.02.28'。"- 输出 ：
"2023-12-31, 2024-01-01, 2024-02-28"
- 数据转换：
- 提示 ：
"请将以下CSV数据转换为JSON格式：\nName, Age, City\nAlice, 30, New York\nBob, 25, Los Angeles"- 输出：
{"Name": "Alice", "Age": 30, "City": "New York"}, {"Name": "Bob", "Age": 25, "City": "Los Angeles"}