为什么不同的人用同一个AI会产生巨大的差异？其实就是大家提示词的技巧有高低。本文作者分享了自己的提示词方法论，希望可以帮到大家。

一、Prompt定义

它如同与 AI 对话的内容，决定了 AI 如何理解任务并作出回应。比如在聊天机器人中，你输入的问题或要求就是 Prompt。一个清晰、准确的 Prompt 能引导 AI 生成符合期望的回答。

二、Prompt构成要素

角色+任务+限定条件+样例/参考资料

角色

为 AI 明确一个具体的角色身份，使其回答更符合特定的场景和风格。比如设定为 “你是一名专业的健身教练”，那么 AI 在回答问题时就会以健身教练的专业视角和口吻来进行回答。

任务

对于要求模型生成内容进行简单的陈述，根据任务类型可以分为一下几种类别：

限定条件

• 限定输出长度：对于模型输出内容的字数进行限定，如：避免长篇大论，言简意赅，控制在100字以内。
• 限制回答范围：明确规定 AI 回答的范围和边界，避免其生成无关或不适当的内容。例如，“只回答与历史事件相关的问题，不涉及现代政治和娱乐话题”。
• 限定输出格式：指定 AI 输出的格式，如文本的段落结构、列表形式、表格形式等，使生成的结果更符合预期和便于阅读。比如：要求以 “问题 – 答案” 的格式来回答一系列问题。

样例

列举出一些优秀的回答方式供大模型参考学习，让大模型了解你要输出的内容是什么形式。

将这类内容放在prompt中，就叫做in-Context-laerning，这样就可以实现不改变模型，仅仅把样例放在prompt，从而实现更好的表现。

分为：

• 零样本提示（Zero Shot）：是一种在没有任何相关示例的情况下，直接对模型进行提问的方法。
• 少样本提示（Few Shot）：在提示中提供少量的示例，以帮助模型更好地理解任务的目标和输出要求。

两种写法：

1.用“提问”-“回答”方式示范，让大模型理解

示例1:

提问:“商品收到了，质量超棒！材质摸起来很舒服，非常满意

回答:正面

示例 2:

提问:这双鞋的质量太差了，走路很不舒服，和我预期的相差甚远，很失望

回答:负面

(任务要求)

新任务:

提问:“买的化妆品有股奇怪的味道，用了之后皮肤还过敏了，要求退货还各种推脱。”

输出:

大模型回答:正面

2.给示例+语言描述输出要求

对于一个图像生成任务，通过几步引导展示 few shot 示例。

步骤一：

“我们要生成一幅海边日出的画。首先，画面应该有大海，大海的颜色可以是深蓝色。”

步骤二：

“然后，在画面的左上角，有一轮刚刚升起的太阳。”

步骤三：

“最后，沙滩上可以添加一些贝壳和脚印，来增添画面的细节。”

提问：“按照上面的步骤，生成一幅山间日落的画，注意调整相应的元素。”

大模型回答：

步骤一：

“我们要生成一幅山间日落的画。首先，画面应该有连绵的山脉，山脉的颜色可以是深褐色与墨绿色相间”

步骤二：

“然后，在画面的西侧，有一轮即将落下的太阳，颜色是金红色”

步骤三：

“最后，在山脚下可以添加一些树木和一条蜿蜒的小溪，树木的叶子在夕阳余晖下呈现出暖色调”

三、编写技巧(最后一条最重要）

使用 markdown 语法

利用 markdown 语法，如 #、##、### 等标题符号，以及 – 列表符号等（#＋空格＋文字，会让后面的文字变成一级标题，两个 ＃这是二级标题，以此类推）对 prompt 进行清晰的结构划分，使其更具可读性和逻辑性，便于理解和迭代。例如：

避免复杂指令

不要在一个 prompt 中堆砌过多复杂的指令或要求，尽量保持简洁，一次专注于一个主要任务。

分布描述

对于复杂的任务，可以将其分解为多个步骤或子任务，依次进行描述，让 AI 能够更有条理地执行任务。比如 “首先查询最新的科技新闻，然后筛选出与人工智能相关的新闻，最后总结每条新闻的主要内容和重要观点”

进行测试验证

在撰写完 prompt 后，通过输入不同的测试用例来检查 AI 的输出是否符合预期。如果不符合，分析原因并对 prompt 进行调整和改进。

借助多样化的表述形式展开多次试验，运用近义词替换、反义词对比等手段，同时紧密结合关键词与上下文来尝试各种不同指令，最终确定一条恰当的指令。有时大模型效果不佳并非其自身缺陷，而可能是由于未采用清晰明确的指令所致。这种指令就如同神奇的 “魔法咒语” 一般，一旦运用准确，常常能够收获事半功倍之效。