结构化 prompt = 数字员工？

你好，我是小树。这是我为你写的第 78 封信。每期都会同步更新在微信公众号一颗小树和竹白专栏。现在有 327 位朋友订阅了这封信，也欢迎你。

为什么需要结构化 prompt

最近在做大模型相关的产品需求时，发现用户实际对输出的结果反馈效果并不好。

除开国产大模型本身的一些能力限制，在用户输入这端，也存在很多问题。

常见的问题：

举几个例子：

为我写一篇关于赤壁赋的教案

一个更好的写法是：你是一名中学语文老师，请为我撰写一份关于《赤壁赋》的教案，内容包括：教学目标、教学内容、教学步骤和评估方法，不少于 1000 字。

按照销售渠道分析占比

一个更好的写法是：你是一名数据分析专家，我的表格数据为 xxx，请帮我分析不同销售渠道本年度的销售金额趋势，并给出业务增长的建议。

这种提示词的书写方式，借鉴了 CRISPE 框架。

这就是我们俗称的：“你告诉大模型的信息越多，返回的结果就会越好。”

但使用过几次这种方式之后，就会意识到，这类框架只教会了我们思维方式，实际还是需要我们自己编写，就像是高考时的命题作文，即使有固定的套路，依然要靠自己的逻辑和思维能力才能把话说清楚。

通过这种方式生成的提示词不容易沉淀，每次都要重新写一份新的，如果是复杂的需求，费时费力。

如果想要批量化工厂化地生产提示词，并保证结果的稳定性，我们就需要更加结构化的提示词。

基于这个 prompt，我向他提问：现在是否应该买房。

从输出结果的角度看，一方面结构化的 prompt 能够降低模型理解的语义负担，从而提升理解效果。标签化的属性词起到了对 prompt 内容归纳和总结的作用，减少被 prompt 不相关内容干扰的可能。

另一方面，特定的属性词能够确保唤醒大模型的深层能力。比如用 Role 指定模型当前的角色，将 ChatGPT 固定为某个领域专家；用 Rules 规定模型应该遵守的规则，缓解大模型的幻觉和不良内容问题。

从使用者的角度看，结构化的 prompt 符合人的阅读和表达习惯，更易于书写和维护，相当于是把写作文的难度，降低到了完形填空。基于已有的 prompt 进行微调后适应自己当前的场景，也会更容易。

从构建生产级的 prompt 角度看，结构化意味着标准化，也是批量生产和维护的前提。结构化的 prompt 清晰地划分为了不同的模块，更易于用编程语言描述，也可以方便地进行版本管理。

现在很多地方都在提数字员工的概念，我认为结构化的 prompt 模版，就是一份用于招聘数字员工的岗位描述，最终可以让 ChatGPT 为你生成专注于解决这个需求场景的助理。

下面是一个用于生产结构化 prompt 的模版，可以按照自己的需求场景进一步完善。

各个模块的内容，可以按照自己的需要自行填充。

这是我按照模版实现的一个简单的“数字员工”。

注 1：以上方法基于 ChatGPT 模型产出，不同模型可能会有不同的提示词方法。

注 2：实际场景中，部分需求需要 GPT4 才能达到更好的效果，也有部分场景需要使用英文 prompt 效果更好，需要自行尝试。

这篇文章参考了如下内容，感谢社区的无私贡献：

这期太好了 🥹 最后的合唱让我热泪盈眶，好久没有这么简单纯粹的快乐了。谢谢基本无害，谢谢大风天。

谢谢你的关注，我们下期再见。👋🏻

你也可以在这里找到我：即刻、Twitter、微信公众号一颗小树。

如果你觉得这篇文章对你有用，欢迎分享给更多好友。