让ai更加精准的理解你的提示词

写在前面：langgptai.feishu.cn/wiki/ASXOwD...

关于如何写出一份良好的提示词，从而更加高效的使用ai提效，这是一个不错的学习资源。

基于该知识库学习，生成、优化后的简历警察，反响不错，已被收录于大佬阮一峰的每周推荐。

简单推广及身边朋友、本人亲身使用后，颇有成效，欢迎大家体验。

项目中不仅提供了原始 prompt，也提供了dify的yml文件，一键导入DSL部署专属自己的工作流。

背景

接触ai比较晚，差不多从今年3月份开始，但仅仅过去半年，ai发展的势头之迅猛是肉眼可见且切身体会的。

目前已经进化成了一个ai的重度依赖患者，从知识检索到代码编写，从完成业务代码到项目架构设计优化等等都与ai进行了大量的交流。

慢慢地使用一些ai ide后，一次次的修改提示词到一次次的undo、reject，我意识到vibe coding中，好的提示词是至关重要的。

甚至于，我觉得 Prompt 越来越像新时代的编程语言，它正在颠覆着人类的编码格式。

而一份好的Prompt的生成范式，它的作用是不仅局限于此的，譬如一开始提到的简历警察。

chatAI中与ai交流常见坑点：

用户输入的错误定位

误认为新的Prompt
- 当我们输入一段提示词，我们的需求是借助ai对提示词进行优化时，llm可能会将其误判为我们的需求内容
- 解决：
  - 添加标注、分块等方式
  - 添加标注：注明以下是提示词内容
  - 使用 ------ 等分隔符进行合理的分块，让llm能够更好更准确的拆解提示词、明确需求
  - eg：
    md 复制代码
```
## 提示词内容
...
-------------
上面是一份关于xxxxx的提示词，我希望你以一个专业的xxx身份，帮我分析解读，指出其中不足，并给出一份高效、精准、简洁的优化版本，以便于我能够借助它更精准高效的与ai进行交流
```
误认为反馈指令
- 同一次上下文中多次输入
- llm可能误判你是基于前一次结果的要求，当然也确实会有这种的真实需求
- 解决：
  - 添加引号包裹，"押韵"
  - 开启新的上下文对话
随机输出
- 当一个概念在多个领域中，存在重名、相近的定义时，如果用户不限定领域，就会出现赛马机制，随机输出最快匹配到的结果
- 解决：
  - 限定领域，eg：class -> js中的class

ai的可能性

我们能和llm聊的东西有很多，玩法也有很多。

当我们和llm交流时，产出结果质量与输入往往成正相关，那么如何让ai更像一个人、一个专家一样精准的理解我们的需求，给出可行、高效的解决方案呢？

核心：设定角色

将ai当作人去交流，影响人和人之间交流的因素有很多：背景、身份、情景、压力等等。

eg：假定你是xxx中的一位xxx，你的老板对你要求很严苛，做不好就要开除你。他让你写一份关于xxx的方案，需要你完成前期调研、寻找解决方法、分析评估可行性、制定一份精准、可行的方案。

规范流程

有条不紊的提问结构 - 结构化 Prompt
约定规范的输出
- 输出的内容
- 输出的格式规范

结构化 Prompt

像写作文一样去写Prompt，一篇文章要有标题、开头、主题、结尾等等；找工作修改简历需要一份简历模板；做工作汇报需要一份ppt模板。

写一个好的Prompt同样需要，一份好的Prompt结构设计，有利于我们清晰的需求表达，也有利于更好的结果输出。

逻辑上的结构化

eg：知名的 CRISPE 框架([3])，CRISPE 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（洞察力），背景信息和上下文（坦率说来我觉得用 Context 更好）。

S：Statement（指令），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（尝试），要求 ChatGPT 为你提供多个答案。

结构化、模板化 Prompt

标识符 ：#, <> 等符号(-, []也是)，这两个符号依次标识标题,变量，控制内容层级，用于标识层次结构。
属性词 ：Role, Profile, Initialization 等等，属性词包含语义，是对模块下内容的总结和提示，用于标识语义结构。

简历警察（示例）：Prompt太长就不贴出来了，大家感兴趣的话，可以移步github自行下载食用。

ChatAgent 的信息接收是没有样式的，使用json、yaml等标记语言效果最佳，因为它们能够更好的被序列化从而更好的被ai理解，但使用成本偏高。

相比之下markdown的语法更加友好，最大程度的允许我们使用自然语言进行需求描述，同时模型正是从提供大量文献阅读的前期训练中而获得的能力，这也更加印证了它对结构化prompt解析的支撑性。

例如: 用标识符 # 标识一级标题，##标识二级标题，以此类推。

示例结构：

Role (角色) 作为 Prompt 标题总领全局篇容。
- 角色扮演能大大提高模型表现，使用#一级标题从而加重强调
Profile (简介)、Rules（规则） 作为二级标题声明背景、前提，规定了模型必须尽力去遵守的规则。
- 比如添加不准胡说八道的规则，缓解大模型幻觉问题。添加输出内容必须积极健康的规则，缓解模型输出不良内容等。用 Constraints(约束)，中文的 规则 等词替代也可
Language、Description 作为关键词建立提示词的情景限定。

优势：

结构丰富，表达性好，无论对人还是ai都更易于理解及复刻
标识符标识的层级结构实现了聚拢相同语义，梳理语义的作用，降低了模型对 Prompt 的理解难度
属性词实现了对 prompt 内容的语义提示和归纳作用，缓解了 Prompt 中不当内容的干扰
Prompt 作为一种文本，也完全可以使用 Git 等工具像管理代码一样对 prompt 进行版本管理。

如何创建一份结构化、模板化 Prompt

LangGPT 中展示的模板设计时考虑了如下思维链:

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

方式一：借助模型进行优化

月之暗面 Kimi × LangGPT 提示词专家: kimi.moonshot.cn/kimiplus/co...
OpenAI 商店 LangGPT 提示词专家：chatgpt.com/g/g-Apzuyla...

方式二：自行优化

1、构建 Prompt 时，不妨参考优质模板的全局思维链路（划到最后有模板），熟练掌握后，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。

注意:

格式语义一致性：eg：# 只用于 role的指定

内容语义一致性：合适的属性词语义，有利于llm的理解，eg： Role（扮演的角色） **、**Profile (简介)

Role中只概述领域、角色，而不介绍规则；Profile (简介)只概述角色技能、背景； Rules（规则）只介绍规则，而不接受角色定位、角色技能、描述。

2、结合具体方法论

3、降低结构复杂度、调整属性词、迭代修改 Prompt

不同模型能力不同，对不同结构复杂度的Prompt的理解理解能力不同。

LangGPT提供的低版本llm的提示词版本

‍