1.输出内容限定
通过明确约束条件，使模型在检索信息和生成回答时保持目标导向，避免信息偏离或无效输出。
1.1.领域范围限定
领域范围限定：可以确保模型检索的信息时效性和专业性。
例如："仅基于2023年后的量子计算研究文献进行分析"。
1.2.格式规范限定
格式规范限定：通过格式要求引导模型输出结构化内容。
例如："以思维导图结构呈现人工智能伦理的三大争议点"，"用Python代码实现多智能体协作算法"。
1.3.数据类型限定
数据类型限定：防止模型调用不可靠或过时的数据源。
例如："仅使用世界银行公开的GDP增长率数据"。
1.4.观点立场限定
观点立场限定：使模型生成的内容符合特定的论证方向。
例如："以支持可再生能源补贴政策的立场进行论证，需包含三个经济学理论支撑"。
在处理"分析元宇宙对教育行业的潜在影响"时，输出限定可表述为：
示例："基于近3年教育技术领域的权威期刊论文，以利弊二分法结构呈现分析，每部分需包含两个具体应用案例及对应的教育学理论，结论部分需提出可落地的高校教育改革建议，字数控制在800-1000字"。
2.少样本提示
通过提供少量典型案例，引导模型理解任务要求和输出模式，提升复杂问题的处理能力。
与普通少样本提示不同，此处需结合检索特性，示例中应包含"问题-检索策略-回答框架"的完整链路。
以法律案例分析为例，少样本示例可设计为：
基于下述示例的提示输入为："请参照示例结构，分析'生成式AI训练数据的版权归属争议'。需包含：①核心法律争议点②推荐检索关键词（需包含两个以上司法解释文件）③三阶段分析框架（数据采集-训练使用-成果输出）。"
示例1：问题："专利侵权案件中如何认定实质性相似？"检索策略："关键词='专利法第59条'+'实质性相似判定标准'+'最高人民法院判例2022'"回答框架："1.法律条文解析→2.技术特征比对方法→3.司法实践中的裁量因素（附2022年北京知识产权法院案例）"
示例2：问题："跨境数据流动中的GDPR合规要点"检索策略："组合关键词='GDPRArt.44'+'欧盟-美国数据隐私框架'+'SchremsII判决'"回答框架："1.跨境传输机制（标准合同条款/SCCs）→2.豁免情形（国家安全例外）→3.合规技术方案（数据匿名化处理）"
这种提示方式能让Agent理解需先制定检索策略，再按结构化框架整合检索到的法律条文和案例，避免生成缺乏依据的回答。
少样本提示的优势在于 无需大量标注数据即可快速适配新任务，尤其适合领域数据稀缺或任务频繁更新的场景。但需注意示例的数量并非越多越好，过多可能导致模型混淆重点，一般建议3-10个示例为宜。
3.提示词符号的使用
通过特定符号标记不同类型的指令，可实现人机交互的精准化和自动化。
检索指令符号：
检索关键词：用于标注核心检索词，支持布尔运算。例如大语言模型训练数据来源AND欧盟CDSM法规，RAG系统会自动解析为"大语言模型训练数据来源AND欧盟CDSM法规"的检索式。
{检索范围}：限定数据源类型，如{学术论文:IEEEXplore,行业报告:Gartner}，确保模型从指定平台获取信息。
<时效限定>：标注时间范围，如，使检索结果符合时效性要求。
结构控制符号：
「层级标题」：定义回答的章节结构，如「1.问题本质2.影响因素3.解决方案」，Agent会按此生成层级化内容。
(参数说明)：用于技术类任务，如(编程语言=Python,框架=TensorFlow)，明确实现细节。
【特殊要求】：标注非常规需求，如【需用可视化图表呈现数据对比】，触发模型调用图表生成模块。
这种符号化提示能使RAG系统精准定位能耗数据，Agent按预设框架生成包含图表的结构化报告，提升内容的专业性和可读性。
在处理"生成式AI的能源消耗优化方案"时，提示词可设计为：
示例："请基于LLM训练能耗benchmark2024和{白皮书:OpenAI,研究报告:ICML2023}检索最新数据，按「1.能耗现状分析（附2024年GPT-4训练能耗对比表）2.硬件优化策略（GPU集群散热方案）3.算法改进方向（稀疏训练技术）」结构撰写报告。注意<数据更新至2024Q2>，并在【关键数据处插入动态趋势图】。"