AI提示词学习基础（一）

一、AI提问框架------RTGO 框架

Role（角色）定义 AI 的角色：经验丰富的数据分析师，具备十年销售经验的 SaaS 系统商务......

Task（任务）具体任务描述：写一份关于 XXX 活动的小红书直播推文案，写一份关于 XX 事件的舆论分析报告(XX 活动 / 事件相关背景信息如下......)

Goal（目标）期望达成什么目标效果：通过该文案吸引潜在客户，促成消费...... 通过该报告为相关企业管理者提供...... 策略支撑

Objective（操作要求）字数要求、段落结构、用词风格、内容要点、输出格式......

二、OpenAI提示词原则详解

1. 直截了当地说明你的要求（不要用询问句，不要客气）

2. 说清楚你想干的事情（写会议纪要，其中应该包括会议名称，时间，地点，参会人员，会议内容，会议结论这几部分）

3. 向模型强调这件事的重要性（如果你一次性写好并且不需要我自己修正的话，我会奖励你100美元。）

4. 让模型深度思考后再做出回复（此外，你有充分的回答时间，你要深度思考后再做出回复，不要着急给出答案）

5. 指定所输出的长度/段落数

6. 提供明确、相关、具有代表性、简洁不复杂的例子

7. "你的回答必须基于事实，如果你知道，你就输出相关内容。如果不知道，就要诚实地说明自己并不懂。"

8. 角色扮演：明确的角色设定（背景、特性、能力范围）、符合角色的语言风格、定义角色相关的特定领域的知识或专业技能）

9. 让模型在急于得出结论之前，找出自己的解决方案。（如果只是询问答案是否正确，有可能得到随机或不确定的答案。通过这种"先自主推理再判断"的过程，模型能够避开原有可能的错误假设，更深入挖掘问题的结构和逻辑，从而达到精确度和可靠性。）

10. 上传文档、图片、联网、使用内置代码解释器来辅助AI的理解。

11. 让AI向自己提问，自我审视，如果你是负责人，你会如何改进？请把你的回答复盘三遍，从读者角度出发，这份报告有哪些不足?

12. 遵循特定语法格式(进阶)，如Markdown语法，以提高清晰度和可读性。
    按以下格式编写一份公司年度报告总结:

    公司年度报告大纲

    1、绪论

    • 公司简介
    • 年度报告目的和范围
      ##2、市场分析
    • 行业趋势
    • 竞争对手分析
    • 市场机遇与挑战

    3.财务表现收入概述成本和支出利润分析

    4.业务成就

    -重要项目和成果

    • 客户和合作伙伴关系
    • 创新和技术发展

    5.员工和组织发展

    • 员工结构
    • 培训和职业发展
    • 组织文化和工作环境

三、任务拆解：将一个复杂的任务分解成若干个简单、明确的子任务。

3.1 常见的几种拆解方式：

3.1.1 递归拆解

递归拆解常用于长文本总结，主张通过多次总结的形式将总结内容逐步收敛，最终达到长文本总结的效果。

i) 指令1:"使用地规方法对《人类简史》这本书进行总结。首先，从书的大纲开始，总结每个童节的主要内容。"

ii) 指令2:"现在，请基于每个章节的总结，提炼出书中关于人类发展的关键主题。"

iii) 最终指令:"最后，将这些主题整合成一段综合性总结。

3.1.2 工作流拆解

这种方式造用于提示词复杂，但没有到达分工拆解的地步时采用的手段，工作流拆解是将一个任务分成若千个步骤，在同一提示词内容中清晰表达出来"第一步先做什么"、"第二步再做什么"，以此类推。

3.1.3 分工拆解

当遇到需要分工协作的任务，一般使用此种拆解模式，最常见的做法就是抽象这个任务需要哪些"人"完成，然后开出若干个对话框，每个对话框单独做一件事。

3.1.4 结合模型增强能力拆解

这种拆解方式可以降低任务粒度和提示词内容的长度，往往与工作流拆解相辅相成，有时，增强能力可作为单步执行，也可作为解决单步任务时需要使用的工具。

3.2 Tips:拆解问题的实用技巧:

3.2.1 定期总结之前的对话内容**

因为模型上下文限制的问题，不可避免的会导致模型在长期对话窗口中遗忘一些内容，针对这个问题，我们可以使用定期总结的形式来加强模型记忆。

3.2.2 分段输出

在模型的单次输出有字數限制时，**通过分几次请求输出完成一个长篇幅的内容。**每次输出一定星的字数，确保整个内容的连贯性和完整性。这种方法可以确保在镚出字數眼制的情况下，仍能生成完整、连贯的长篇内容，适用于需要连绫叙述的场景，如长篇文章、故事或报告等。

正确使用分段技巧的示例1

"写一篇关于环境保护的文章，分两段进行输出，先出第一段。模拟指令(第一次输出)正确回复(第一次输出):"环境保护非常重要，因为....续接指令(第二次输出):"继续上次的内容，再输出接下一段。正确回复(第二次输出):"在全球变暖的背景下..."

3.2.3 意图分类法精准匹配用户查询指令

在一些需要处理众多独立指令集的任务中，先对查询类型进行分类，然后根据这个分类来确定需要的指令 ，这样做往往是有益的。具体方法是，先定义固定的类别，并为处理这些类别中的任务硬编码相关指令。这个过程还可以递归地应用于把一个任务分解成多个阶段。这种方法的好处是，每个查询只包含执行下一个任务阶段所需的指令，相比于用一个查询来完成整个任务，这样可以降低错误率 。同时，这也可能降低成本，因为较长的提示的运行成本更高。

以客户服务场景为例，可通过系统提示词引导模型对查询分类："你会收到客户服务的查询。请把每个查询分为一个主要类别和一个次要类别，并以 json 格式提供结果，键值分别为 primary 和 secondary。主要类别包括：账单、技术支持、账户管理或一般咨询。账单的次要类别包含取消订阅或升级、添加支付方式等；技术支持的次要类别包含故障排除、设备兼容性等......" 借助意图分类，AI 能精准匹配指令，高效处理各类用户需求。

四、AI提示词技巧：多步查询法助力智能教学辅导

利用大语言模型开展数学教学辅导时，可通过多步查询法分工处理，仅暴露最终反馈，规避偏见，具体步骤如下：

• 第一步：询问模型解决方案

  指令设计：输入数学问题，建议采用思维链（CoT）技术输入指令，让模型自主生成解题方案，让模型先形成"标准答案"，且不受学生解答的干扰。

• 第二步：对比并评估学生解决方案的正确性

  需提供的信息包括：

  • 问题陈述：<<插入问题陈述>>
  • 你的解决方案（模型生成的）：<<插入模型生成的解决方案>>
  • 学生解决方案：<<插入学生的解决方案>>
    模型会基于自身解题逻辑，对比分析学生答案的正误。

• 第三步：生成导师式回复

  指令："你是数学导师，学生错误则给提示（不透露答案），正确则给鼓励评论。"

  需代入的信息与第二步一致：问题陈述、模型解决方案、学生解决方案。

  这一步让模型基于评估结果，以人性化的"导师"身份输出反馈，既保护学生探索欲，又能精准纠错。