人工智能学科里，大型语言模型运用越来越普遍，而输入指令和指令设计，就是与这些模型沟通的核心手段。

一、提示词（）和提示词工程（ ）的区别

在解释之前，需要先厘清两个术语，即提示词和提示词工程，AI大模型项目实施过程中，人们常将二者混为一谈，视作等同，但实际上，二者在具体实践层面的差异十分显著，

1. 概念层面

提示词是用来引导AI系统的一种方式，它能够指示AI依照既定方向进行思考，并生成相应的回答。这种指令或信息，能够激发AI产生回应，让AI按照设定的逻辑来处理问题。

提示词工程是新兴的专业领域，致力于提示词的创建和改进，旨在指导用户将大型语言模型应用于不同场景和学术领域，它不仅涉及提示词的设计与制作，还包括与大型语言模型互动和开发的各种能力与技术。

2. 应用层面

作为起始信号，提示词能够引发回应，引导对话进程，并对最终输出结果产生影响。

提示词工程，旨在增强大型语言模型执行复杂任务的能力，例如解答问题和进行数学运算。它还涵盖了与大型语言模型进行沟通、建立连接，并掌握评估大型语言模型性能的各种方法和技术。

3. 目的和效果

旨在借助严谨的指令或提问，促使AI产出更切合预期的成果

提示词工程旨在提升大型语言模型的安全水平及其功能,通过运用特定领域知识及借助外部资源来强化模型性能。

4. 范围和深度

提示词（）：通常是一个简单的指令或问题，范围相对有限。

提示词工程，涵盖了提示词的构思、改进、测试和更新等环节，是一种体系化的工作方法。

二、提示词的基本元素

我们可以认识到，提示词是用于指导AI系统运作的明确指令，而提示词工程则涵盖了多种技术手段和策略，旨在优化人机沟通并增强AI系统的表现能力。提示词工程不仅涉及提示词的制定和运用，其内涵和外延都更为丰富和深入。

在明确了指令语与指令语优化之后，我们应当清楚的是指令语包含哪些核心构成，一般来说，指令语主要有四个基本构成部分：

需要明确模型执行的特定目标。提供背景资料，其中涵盖外部资讯或补充信息，有助于语言模型更精准地反馈。接收使用者输入的资讯或疑问。设定输出规范，用以规定回应的种类或样式。

构思提示词时，务必牢记这四个核心要素，所创建的内容均以此四种要素为基础进行界定和探究。现在举一个实例：纯文本请审视输入中的疑问并说明解决方法，能够借助【成年人常见的难题及其对应办法】知识库来回应。要求以：剖析难题、提供对策的格式来组织答案。输入：成年人如何缓解焦虑

以上的例子中：

当前，众多人工智能企业已将这几项功能转化为具体商品，以coze为例：

三、提示词设计的通用技巧1. 简单

没错，确实容易，你能够从基础的指令语入手，接着慢慢增加更多细节和背景信息。所以，在这个阶段持续优化你的指令语是非常关键的。对于指令语而言，精炼和清晰往往能获得更佳的成效。

面对一项包含众多不同小目标的大工程，可以试着把它拆分成若干个更易处理的小目标，然后根据进展逐步整合。这样做能够防止在方案构思阶段就引入不必要的麻烦。

不少初学者在撰写指令时，倾向于将所有内容塞入其中，唯恐遗漏任何细节，以免影响最终生成结果，有时甚至会同一意思反复表述两次，例如我先前遇到的情况

Plain Text

这个学生写得确实不错，文章结构清晰，逻辑性强，观点明确，论述充分，语言流畅，表达准确，用词恰当，层次分明，过渡自然，内容翔实，分析透彻，见解独到，文笔优美，态度认真，情感真挚，思考深入，体现了较好的写作功底和文学素养，值得肯定和表扬。

在批改试卷时，我作为评分老师，会着重审视学生的文章，以便准确指出其中的不足之处，从而给予学生公正的反馈

在先前给出的指示里能够发现，指示里把同一个意思在角色和背景两个部分分别进行了说明，其实这种做法是不够精炼的，对于大型模型而言，这是重复的信息，我们必须确保简洁，同样的内容只需描述一次，例如前面给出的指示，省略批改背景部分是完全没有问题的。

2. 结构化

允许运用、Lisp等工具，将整体指令框架化，例如借助#或”来区分指示与背景。

Plain Text

##Role:

我是一名医学领域的学者，中文和英文都掌握得相当好，对于海外的华人的实际生活情形，以及美国、欧洲等地方的风土人情、医疗机制、医生与病人之间的互动方式等，都相当了解。只要提供一份完整的英文病例资料，我就能为使用者做深入的病例分析，并且提出我的看法。

##:

医学领域的英文检测记录内容复杂且技术性极强，使中国籍病患难以看懂，即便向医生求教时，医生也会进行说明，不过因为问诊时长有限、存在文化差异和语言隔阂、表达时常含糊不清，交流起来非常困难，我身为在海外行医的医学专家，会协助他们分析病情。我的病况分析影响着病患对自身状况的认知，也关系到他们未来的日子，这件事对他们意义很大，我将尽力给出更周全的说明。

##Goals:

识别英文病例的完整信息

结合自身的专业和生活背景及患者的状况，进行中文解读

根据对中文信息的分析以及病人的具体情况，提供有针对性的指导，帮助病人了解自身状况并采取相应措施，这样能够使病人更好地认识病情，并做出恰当的应对。

将病历里的专业术语换成普通人也能明白的说法

##:

如果案例里出现特别专业的英文字眼或缩写，需要做进一步的中文通俗说明

倘若案例呈现极端不良状况，务必优先向当事人阐明情形，并说明其恶劣程度，不过务必注意措辞平稳，以免造成当事人过度焦虑

患者近期出现多种不适症状，包括持续性的身体疼痛，伴随明显的疲劳感。体温检测显示略微偏高，但未达到发热标准。血压测量结果在正常范围内sublime text c，脉搏平稳。呼吸频率正常，无呼吸困难现象。患者自述在症状出现前曾接触过数名有类似症状的个体。目前生命体征稳定，建议进一步观察，必要时进行血液检查以排除感染可能。

##:

中文医学专业知识，包括医学中的全部学科

英文医学专业知识，包括医学中的全部学科

心理学专业知识，了解听者的心理感受

优秀的语言表达能力，能对专业词汇进行准确、通俗的解释

该学科领域，能够精准地转换诊断医学领域内的标准英文简写，使其变为中文形式，以便于使用者明白

3. 指令

能够下达指令来让大模型执行工作，这些指令一般由日常中清晰且实用的词语或短语构成，诸如“进行归类”、“进行归纳”、“进行整理”、“按部就班”等。

必须经过反复测试，采用多种说法，借助近义词、反义词等手段，参考关键词和语境，不断探索不同的指令，最终才能确定一个恰当的指令。有时候大型模型表现不佳并非模型本身存在缺陷，而是未能运用一个明确的指令，该指令犹如一个“关键密码”，一旦运用得当，往往能起到意想不到的促进作用。

4. 具体

请把长句拆分成多个小分句，用逗号隔开sublime text c，每个分句都要清晰明确，不能有歧义，确保意思完整，不要遗漏任何部分，结尾必须加句号。

Plain Text

给我输出一张漂亮的图片

这并非详尽的说明，由于需要明确漂亮的具体标准，例如图片的规格等，你可以这样表述：

Plain Text

请呈现一幅乡村气息的图画，图中需有一株高大的树木，一位身着条纹衫的十八岁少女，她正倚靠在树旁小憩，目光望向空中，天空呈现纯净的蔚蓝，画面布局需为方形构图

5. 直接

和大模型交流，如同在职场中沟通，若需传递内容，直接说明往往最为快捷。这需要考量语言能力，看能否将一个要求，以最明了的措辞表达出来。

比如你希望得到大模型的说明，可能会这样表达：你想知道具体内容，你有可能会这样询问。

Plain Text

解释一下的概念，一定要简单概述，不要啰嗦。

这段说明文字相当繁琐，但也没有明确指出需要生成什么样的内容结构，当前大型模型的性能已经很强，或许能得到期望的输出，然而更理想的方式是提供明确且精准的指示，例如上述范例所示

Plain Text

请用3行句子，给一个小学生解释的概念。

6. 避免说不要

在设定指令时，由于大型模型的错觉性，我们常常会采用“禁止XXXX”这类表述，通过反复尝试，我们了解到此类约束往往效果不佳，或者会产生意料之外的回应。因此，我们通常更倾向于通过详细且精确的说明来指导大型模型如何操作，而不是单纯禁止其进行某些活动。这类似于大禹治水，疏导胜于堵塞。

比如：

Plain Text

请问需要了解哪些菜肴的种类，不必提供个人资料，也不必说明喜好的口味

输入：请给我推荐一些菜品

输出：当然，我会给你推荐一些菜品，你昨天吃的是什么呢？

能够发现，我约束了A、B，系统会选用C来生成内容，实际上我并不希望得到C，不过此类情形难以完全涵盖，更优的指令是这样表述的：

Plain Text

抱歉，现在没有能够提供用餐的菜肴，你可以考虑查询其他商家的菜单。

输入：请给我推荐一些菜品

抱歉，当前没有可以享用的菜肴，此刻麦当劳尚有菜品供应，其菜单内容如下：【菜单列表】。期待你能用餐愉快！

7. Few-shot（少样本示例）

大模型生成的内容时常会出现波动，带有虚假信息，我们期望无需对模型进行训练也能获得更佳的输出效果，可以首先运用少量范例，使大模型掌握所需输出内容的形态。此方法在数据采集难度大、样本量有限或资料匮乏的情境下尤为适用，例如：

Plain Text

请提取以下文本的关键词：

开放接口，让互联网构建者能够将资金结算功能嵌入到他们的网页和手机软件里。

进行资金流转时，运用接口技术，由专业人员开发，用于网页和手机软件，实现数据交互。

研发了顶尖的语言系统，该系统在解读和创作文字方面能力突出。我们的接口能够连接这些系统，适合处理各类需要文字处理的挑战。

关键词 2: , 语言模型, 文本处理, API.

文本 3: {text}

关键词 3:

四、零样本提示和少量样本提示

明白提示词的内涵之后，我们就能轻松把握零样本提示和少量样本提示的精髓了。

零样本提示就是设定指令时，完全不附加任何参考实例或背景资料。这要求模型完全凭借自身先前学习积累的常识来给出回应。比如，向大型语言系统询问“我国中央政府所在地是哪里”，且未给予任何关于此问题的背景知识。这种做法的长处在于它无需借助其他数据集或进行模型优化，是一种高效省力的途径。这种手段在处理繁难工作时或许会显力不从心，主要在于系统必须完全倚仗其先前学习积累的信息。

少量示例作为提示内容，旨在辅助模型更精准地把握任务要领并完成操作。此法借助情境认知，凭借稀疏范例促使模型效能更上一层楼。比如，此类提示可包含若干与作业关联的样本，使模型洞悉任务具体规范及背景信息。少样本提示一大长处在于，它能增强模型应对全新领域或瞬息万变的作业时的应变本领。注意到了吗，少量样本提示实际上是提示词设计通用技巧中的Few-shot，也就是少样本示例。

如有侵权请联系删除！