Prompt工程全攻略：15+Prompt框架一网打尽（BROKE、COAST、LangGPT）、学会提示词让大模型更高效

根据 BCG 的银行生成式 AI 报告，一个好的 Prompt 可以极大地提高效率和效果。

Langchain

1918人浏览 · 2024-05-20 10:54:51

Langchain · 2024-05-20 10:54:51 发布

根据 BCG 的银行生成式 AI 报告，一个好的 Prompt 可以极大地提高效率和效果。ChatGPT 可以看作是一面镜子，它的回应反映了你的输入。如同钥匙打开门锁，好的 Prompt 为我们打开了 AI 大模型的无限潜力。无论是 ChatGPT、Claude 还是 Bard，一个合适的 Prompt 可以极大地提高问题的解答质量与效率。正如一位行业专家所言：“你得到的输出，往往取决于你输入的 Prompt。”

Prompt 不仅仅是技巧，它是一种艺术，是 AI 时代的玛尼玛尼哄。不管你使用哪款 AI 产品，一个精准、有深度（反应行业 know how 和 SOP）的 Prompt 都能引导模型给出你期待的答案。这种技能不仅仅局限于 ChatGPT，它是各大模型的通用技巧，是每位与 AI 互动的人都应该掌握的基本功。目前，不仅仅是程序员和工程师需要与 AI 互动，每个普通人都可能成为 AI 的用户。

提示词的历史

提示词并不是近年来才有的概念。实际上，从计算机技术的初步发展阶段，提示词就已经存在。在早期的计算机界面中，用户需要通过键入特定的命令行提示词来与计算机进行交互。随着技术的发展，图形用户界面（GUI）成为主流，但提示词仍然在某些领域，如编程和高级系统管理中发挥着关键作用。

接下来我们来讲解 18 个常见的提示词方法论（下称框架，含配图、示例），这些方法论方法论有些是基于要件（即必须满足的条件或特征，如 CHAT 模型）或基于模板（提供特定的结构和格式，如 BROKE 模型，以及 LangGPT 模型）：

1.提示词框架简介

1.1 APE (Action Purpose Expect)提示词框架

APE 框架提倡将用户的请求分解为三个主要部分：行动、目的和期望。这种分解方法使得与大模型的交互更加明确和高效。

**行动 (Action)：**定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。

**目的 (Purpose)：**讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。

**期望 (Expectation)：**陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。

例：假设你是一家产品销售公司的营销经理，你想通过社交媒体广告来提高产品的在线销售。按照 APE（行动，目的，期望）框架，你可以创建以下提示词： 1.行动 (Action):计并发布一系列的社交媒体广告，宣传我们的最新产品。 2.目的 (Purpose):通过吸引社交媒体用户的注意，提高产品的在线销售和品牌知名度。 3.期望 (Expectation):在接下来的一个月中，通过社交媒体广告，在线销售增加 30%，并且我们的品牌在社交媒体上的关注度提高 20%。

通过这个 APE 提示词，团队能够清晰地理解要执行的行动、达成的目的以及期望实现的具体结果，从而能够更有效地执行广告活动。

1.2 BROKE提示词框架

陈财猫老师的 BROKE 框架融合了 OKR（Objectives and Key Results）方法论，旨在通过 GPT 设计提示，提高工作效率和质量。这个框架分为五个部分，其中最后一个部分，有比较长远的视角。

背景 (Background): 提供足够的背景信息，使 GPT 能够理解问题的上下文。
角色 (Role): 设定特定的角色，让 GPT 能够根据该角色来生成响应。
目标 (Objectives): 明确任务目标，让 GPT 清楚知道需要实现什么。
关键结果 (Key Results): 定义关键的、可衡量的结果，以便让 GPT 知道如何衡量目标的完成情况。
演变 (Evolve): 通过试验和调整来测试结果，并根据需要进行优化。

这个框架的设计旨在通过结构化的方法来提升 GPT 的提示设计，从而达到更高的效率和质量。它不仅仅是一个静态的框架，而是一个动态的过程，通过不断的测试和调整，来优化提示的设计和输出。

以下是一个应用 BROKE 框架的提示实例，主题是 " 如何提高编程技能 ":

BROKE 框架实例:

markdown
复制代码
**_Background:_** _编程是一种重要的技能，能帮助解决各种问题。随着技术的快速发展，不断地学习和提高编程技能变得至关重要。_
**_Role:_** _假设你是一名经验丰富的编程导师，能提供实用的建议和指导。_
**_Objectives:_**
_了解编程基础和核心概念。_
_通过实际项目实践和提高编程技能。_
_接受同行和导师的反馈，了解进步和需要改进的地方。_
**_Key Results:_**
_完成至少 5 个不同类型的编程项目。_
_每个项目后都能获得专业的反馈和建议。_
_至少阅读和总结 10 篇关于编程最佳实践和新技术的文章。_
**_Evolve:_**
_每个月评估一次学习进度，调整学习计划。_
_根据项目实践和反馈来调整学习资源和方法。_
_如果发现某个学习资源或方法不再有效，寻找新的替代方案。_

通过应用 BROKE 框架，可以创建结构化和明确的 GPT 提示，从而更有效地达成目标，提高工作效率和质量。同时，通过不断的评估和调整，可以确保持续的进步和优化，从而形成一个正向的循环，不断地推动自己向前。

1.3 CHAT提示词框架

CHAT 框架集中于角色、背景、目标和任务四个核心部分，为用户与大模型的深度交互提供了全面的指导。

角色 (Character)

角色为大模型提供了关于用户身份和角色的信息，有助于大模型更好地定制其回应。例如，一个医生可能需要的信息与一个学生完全不同。

背景 (History)

背景部分提供了与当前问题相关的历史信息和背景知识。这使得大模型能够更好地了解用户所在的上下文环境。

目标 (Ambition)

目标描述了用户希望从与大模型的交互中实现的长期或短期目标。它可以帮助大模型提供更有针对性的建议和解决方案。

任务 (Task)

任务部分明确了用户希望大模型执行的具体任务或行动。这是最直接的指导，告诉大模型用户期望的具体操作或回答。

markdown
复制代码


**_示例：_**

**_用户：_**_我是一名历史教师，想知道关于古罗马的教学资源。_

**_大模型提示词框架__：_**

**_角色：_**_历史教师_

**_背景：_**_需要教授古罗马历史_

**_目标：_**_寻找高质量的教学资源_

**_任务：_**_提供古罗马的教学资源或推荐_

这种交互策略使得大模型能够更准确、更有针对性地为用户提供所需的答案和资源。

1.4、CRISPE提示词框架

详见 GitHub - mattnigh/ChatGPT3-Free-Prompt-List:github.com/mattnigh/Ch…

CRISPE 是由 Matt Nigh 创建，它提供了结构和清晰度，将提示创建过程分解为明确和不同的步骤。该框架包括五个主要组成部分：

能力和角色 (Capacity and Role): 定义 ChatGPT 应扮演的角色或角色。

洞察 (Insight): 提供有关请求的幕后洞察、背景和上下文。

声明 (Statement): 说明您要求 ChatGPT 完成的任务。

个性 (Personality): 定义您希望 ChatGPT 回应时采用的风格、个性或方式。

实验 (Experiment): 要求 ChatGPT 为您提供多个示例。

ruby
复制代码
**_CRISPE 示例:_**

**_能力和角色:_** _“作为软件开发方面的专家，讨论机器学习框架的主题，并作为专家博客作者。”_

**_洞察:_** _“此博客的受众是对学习最新机器学习进展感兴趣的技术专业人员。”_

**_声明:_** _“提供对最流行的机器学习框架的全面概述，包括它们的优势和劣势。包括真实的示例和案例研究，以说明这些框架如何在各种行业中成功应用。”_

**_个性:_** _“在回应时，请混合使用 Andrej Karpathy, Francois Chollet, Jeremy Howard 和 Yann LeCun 的写作风格。”_

**_实验:_** _“给我多个不同的示例。”_

此框架有助于确保创建的提示具有明确的目的和结构，从而使 ChatGPT 能够更有效地理解和回应用户的请求。

官方示例：

1.5 CARE提示词框架

CARE 框架强调四个关键要素：上下文指导、行动、结果和示例。此外，与 CARE 框架类似的框架还有不少，如 CAR (Context, Action, Result) 框架、CCAR (Challenge-Context-Action-Result) 模型和 CARL (Context, Action, Result, Learning) 框架。这些框架有着相似的元素和原则。

上下文指导

上下文指导提供了操作的背景信息，帮助大模型更好地了解用户所处的环境或情境。例如，“在我开车时” 可以作为上下文指导，告诉大模型用户当前正在驾驶。

行动

与 APE 框架中的行动类似，这里的行动描述了要进行的具体活动。

结果

结果描述了完成活动后期望得到的效果或反馈。它可以是明确的，也可以是隐含的。

示例

示例提供了一个或多个使用提示词的实例，帮助用户理解如何正确地与大模型进行交互。

如下是一个实例：

假设您是一家软件开发公司的项目经理，您的团队将负责开发一个新的移动应用程序。以下是一个可能的 CARE 提示词实例：

上下文 (Context):

我们的客户是一家大型零售商，他们想要一个能够提高在线销售和客户互动的移动应用程序。

行动 (Action):

设计和开发一个用户友好的移动应用程序，集成社交媒体共享功能，推送通知和在线购物功能。

结果 (Result):

应用程序的发布促使在线销售增加了 25%，并且客户满意度评分提高到 4.5/5。

示例 (Example):

提供一种__移动应用程序__样例（例如竞品拼多多的首页设计）

1.6 COAST提示词框架

COAST 框架专注于五个核心元素：背景、目标、行动、支持和技术，确保与大模型的交互既明确又具有目的性。

背景

背景为大模型提供了与命令相关的情境信息。这通常涉及到命令发出的环境或情景，类似 CARE 框架的上下文，就是输入足够多的补充信息，补足大模型的知识补足。

目标

目标描述了用户希望通过此次操作实现的具体成果。例如，“写 5000 字心得”。

行动

行动指出了用户希望大模型采取的具体措施或方法。例如，“搜索”。

支持

支持为大模型提供了关于如何完成该行动的额外信息或资源。这可以是一种指南、建议或辅助工具。

技术

技术描述了执行该操作需要的特定技术或工具。这可以涉及到特定的设备、应用程序或软件。

ruby
复制代码
**_一个关于开发一个名为 “EcoTrack” 的环保追踪应用的 COAST 框架提示词实例：_**

**_提示词实例:_**

**_背景 (Context):_**_“创建一个名为‘EcoTrack’的应用，它可以帮助用户追踪和减少他们的碳足迹。”_

**_目标 (Objectives):_**_“__设计并实现一个用户友好的界面，使用户能够轻松输入和查看他们的碳排放数据，并在 6 个月内获得至少 1 万名活跃用户。”_

**_行动 (Action):_**_“__开发一个功能，使用户能够输入他们的日常活动，如驾驶、飞行和用电，然后计算和显示他们的碳足迹。”_

**_支持 (Support):_**_“__为大模型提供必要的培训数据，包括碳排放的计算方法和公__式，以及用户界面设计的指导原则。”_

**_技术 (Technology):_**_“__使用 Flutter 框架进行应用开发，并利用__大模型__学习算法来估算用户的碳足迹。”_

1.7 CREATE 框架

“Clarity、Relevant info、Examples、Avoid ambiguity 和 Tinker” 这五个原则构成了一个用于创建和优化提示词（Prompt）的框架。

**“Clarity”（清晰度）**强调了提示词应当明确地界定任务或者意图，以便接收者能准确地理解并执行。

**“Relevant info”（相关信息）**则是要求在提示词中提供所有必要和关联的细节，比如关键词、语气、受众、以及格式和结构等。

**“Examples”（实例）**是通过使用示例来为输出提供背景和方向，这有助于接收者更好地理解任务的具体需求。

**“Avoid ambiguity”（避免含糊不清）**则要求避免使用模糊或多义词，确保提示词尽可能地明确和精确。

**“Tinker”（迭代、修补）**意味着通过多次的测试和反馈来不断优化和完善提示词，确保其达到预期的效果。

Prompt 实例：

如果你是一个在线购物平台的客服，你可能会使用这样的提示词：

“请提供您遇到问题的具体描述，包括订单号、商品名称和遇到的具体问题。”

这个提示词符合以上五个原则，清晰地界定了任务，提供了相关信息的具体种类，避免了含糊不清，也很容易通过迭代进行优化。

1.8 RACE提示词框架

RACE 是一个用于创建提示的框架，它旨在提供结构和明确性，以便更有效地与 ChatGPT 交流。它分解为四个主要步骤，包括：

角色 (Role): 定义场景中人或实体的特定角色或功能。

行动 (A - Action): 描述您想要做什么，明确您的请求或目标。

结果 (C - Result): 描述期望的结果，让模型了解您希望实现什么。

示例 (E - Example): 提供一个例子来说明您的观点，帮助模型更好地理解您的请求。

示例：

R：你是一个商业记者

A 行动：撰写一篇关于许仰天的人物传记

C 结果：得到一篇 2000 字的许仰天商业传记

E 示例：参考 Amazon 创始人的简介

1.9 RISE提示词框架

RISE 框架主要包括四个组成部分：

角色 (Role): 定义场景中人或实体的特定角色或功能。

输入 (Input): 指定需要考虑的必要输入或因素。

步骤 (Steps): 要求提供实现期望结果所需采取的详细步骤。

期望 (Expectation): 描述期望的结果、成果或期望。

RISE 框架提示示例:

假设您想要从 ChatGPT 中获得有关如何为即将举行的项目会议做准备的建议。

角色: “假设你是一个经验丰富的项目经理。”

输入:

“我们的团队将在下周举行一个重要的项目会议，需要讨论项目的当前状态、接下来的里程碑和可能遇到的风险。”

步骤:

“请提供准备此类会议的详细步骤，包括应收集的信息、应创建的议程和如何有效地组织会议。”

期望:

“期望能够通过会议明确项目的下一步行动计划，并得到团队的共同理解和支持。”

通过这个框架，您可以为 ChatGPT 提供清晰的指示，以便得到符合您需求的答案。

1.10、ROSES提示词框架

ROSES 框架是一个用于创建 ChatGPT 提示的结构化方法，它将交互细分为五个核心部分，以确保清晰、有目的的交流。这五个核心部分包括：

角色 (Role): 指定 ChatGPT 的角色，例如，它应该扮演专家、助手或某个特定领域的顾问。

目标 (Objective): 描述您想要实现的目标或您想要 ChatGPT 完成的任务。

场景 (Scenario): 提供与您的请求相关的背景信息或上下文。

预期解决方案 (Expected Solution): 描述您期望的解决方案或结果。

步骤 (Steps): 询问实现解决方案所需的具体步骤或操作。

ruby
复制代码

**_ROSES 框架提示实例:_**

_假设您是一个软件开发团队的负责人，想要了解如何提高团队的协作效率。_

_角色:“__假设你是一个具有丰富经验的软件开发团队协作专家。”_

_目标:___“_我想了解如何提高我团队的协作效率。_”__

_场景:___“_我们的团队分布在不同的地区，通常依赖于在线工具来协作。_”__

_预期解决方案:___“_我期望能收到一些实用的策略和工具推荐，以帮助提高我们团队的协作效率。_”__

_步骤:___“_请列出实施每个推荐策略的具体步骤，并解释如何使用推荐的工具。_”__

通过遵循 ROSES 框架，您可以创建具有结构和清晰度的提示，从而使 ChatGPT 能够更好地理解您的需求，并提供满足这些需求的解决方案或建议。

1.11RTF 提示词框架

RTF 实际是 CHAT 模型的 CAT 部分的细化，但忽略了 H，对上下文依赖不明显的通用任务比较好。

_“_R（角色）、T（任务）和 F（格式）” 这三个元素构成了一个用于明确设定与聊天生成模型（如 ChatGPT）交互的框架。这个框架可以帮助用户更高效地从聊天机器人处获得所需的信息或服务。

“R（角色）” 用于指定 ChatGPT 的角色，这可以是客服、技术支持、教师、专家等。明确角色有助于设定模型的回应风格和专业领域。

“T（任务）” 定义了具体要完成的任务或问题，这让机器人能更准确地生成有用的回应。

“F（格式）” 则明确了用户希望获得答案的具体形式，比如列表、段落、点状信息等，这样可以让输出更符合用户的使用习惯。

这个框架实用性强，无论是在业务场景还是个人使用中，都能让与聊天机器人的交流变得更为高效和精准。

Prompt 实例：

假设你是一个健身爱好者，想从 ChatGPT 获取一些营养建议。一个合适的提示词可以是：“R：营养专家，T：给我提供一份针对健身爱好者的饮食计划，F：以列表形式呈现。” 这样，ChatGPT 就会以营养专家的身份，按照列表格式提供一个专门为健身爱好者设计的饮食计划，满足你的具体需求。

12 SAGE提示词框架

“SAGE” 框架由 “情况（Situation）、行动（Action）、目标（Goal）、预期（Expectation）” 四个元素组成，用于明确和优化与人工智能模型或其他任务执行者的交互过程。

“情况（Situation）” 描述了任务执行的上下文或背景，比如时间、地点、相关人物等。这有助于执行者更全面地了解任务需求。

“行动（Action）” 明确了需要进行什么操作或步骤，它是任务完成的核心。

“目标（Goal）” 则指出任务完成后应达到的目的或效果，为任务提供了方向。

“预期（Expectation）” 则是对输出结果的具体要求，包括格式、时间限制等。

这个框架适用于各种任务类型和执行场合，不仅可以用于简单任务，也适用于复杂的项目管理。它强调全面性和明确性，使得任务描述更完整，执行过程更高效。

Prompt 实例：

假设你是一个项目经理，你需要指派一个团队成员去完成一个与客户关系管理（CRM）系统相关的任务。一个符合 SAGE 框架的提示词可能是：“情况：由于最近的软件更新，我们的 CRM 系统出现了一些小问题。行动：请你负责调查这些问题，并与开发团队沟通以找到解决方案。目标：确保 CRM 系统在两周内恢复正常运行。预期：请在完成后提供一份详细的报告，包括问题诊断、解决方案和实施时间表。” 这样的提示词非常全面和明确，使得团队成员可以清晰地了解任务要求和预期结果。

1.13、SCOPE提示词框架

“情境（Scenario）、复杂情况（Complications）、目标（Objective）、计划（Plan）、评估（Evaluation）” 这五个元素组成了一个全面且具体的问题解决和任务管理框架。

“情境（Scenario）” 提供了问题或任务发生的上下文和背景，这是了解整个问题的起点。

“复杂情况（Complications）” 进一步描述了问题中存在的难点或复杂因素，通常这包括一系列可能妨碍解决问题或达成目标的因素。

“目标（Objective）” 明确了应该达到的目标或预期效果，它为整个问题解决过程提供方向。

“计划（Plan）” 是一个或多个具体的行动方案，用于解决问题或达到目标。

“评估（Evaluation）” 则是在行动之后，对实施效果进行的考核或分析，通常用于判断是否达到了预定的目标。

这个框架可以广泛应用于各种专业领域和实际生活中，不仅适用于个人问题解决，也适用于团队和组织的项目管理。

Prompt 实例：

假设你是一个产品经理，负责一个新产品的上市计划。一个符合这个框架的提示词可能是：“情境：我们计划在下个季度推出一个新产品。复杂情况：市场上已有多个竞争产品，而且我们的预算有限。目标：在上市三个月内实现销售目标的 80%。计划：1）进行市场调查以确定目标客户 2）设计营销活动 3）与销售团队密切合作以推动销售。评估：在产品上市后的每个月进行销售数据分析，并根据结果调整计划。” 这样的提示词设置非常全面，覆盖了从问题识别到解决方案实施和效果评估的整个过程。

1.14、SPA提示词框架

“情境（Scenario）、问题（Problem）、行动（Action）、结果（Result）” 是一个用于解决问题和任务分配的综合框架。这个框架提供了一种结构化的方式来描述和解析问题，从而更有效地找到解决方案。

“情境（Scenario）” 给出了问题发生的上下文，包括涉及的各方、时间、地点等信息，有助于深入理解问题的背景。

“问题（Problem）” 是需要解决的核心难题或挑战。它直接指出了存在的问题或需要改进的地方。

“行动（Action）” 描述了为解决问题需要采取的步骤或措施。这通常是一个或多个具体的行动计划。

“结果（Result）” 是行动后应达到的目标或效果，通常用于评估行动的有效性。

这一框架广泛应用于项目管理、教育培训、健康护理等多个领域，用于提供明确、全面的问题解决方案。

Prompt 实例：

假设你是一个 IT 部门的经理，需要解决一个关于网络安全的问题。一个适用于这一框架的提示词可能是：“情境：公司内部网络最近遭到了多次未授权的访问。问题：如何提高网络安全以防止未授权访问？行动：1）进行网络安全审计 2）更新防火墙规则 3）教育员工网络安全意识。结果：在一个月内减少未授权访问次数至少 50%。” 通过这个提示词，团队可以清晰地了解到问题的全貌、需要采取的行动以及预期达到的结果，从而更加高效地解决问题。

1.15、TAG提示词框架

Tag 框架是个简洁的框架，实际是 CHAT 模型的 AT 部分的细化，但忽略了 CH，对场景依赖不明显的通用任务比较好，否则容易让大模型表现不够好，有点是简洁快速。

“Task（任务）、Action（行动）和 Goal（目标）” 这三个要素组成了一个简洁而高效的提示词设计框架。这个框架用于确保在创建提示词或任务指示时，所有必要的信息都能被明确地表达。

“Task（任务）” 涵盖了需要完成的具体工作内容，它定义了什么是需要完成的。这是提示词的核心，也是最直接的信息。

“Action（行动）” 则描述了为了完成这个任务，具体需要做些什么。它可能包括步骤、方法或者具体的行为指导，有助于执行者了解如何操作。

“Goal（目标）” 解释了完成这个任务最终要达到的目的或效果，它提供了一个评估任务是否成功完成的标准。

这个框架的优点在于其简洁性和明确性，使得执行者能快速理解任务要求，准确地进行操作，并明了最终目标。这对于任何需要明确任务指示的场景都是非常有用的，无论是企业管理、软件开发，还是日常生活中的各种任务。

Prompt 实例：

假设你是一个项目经理，需要指派一个团队成员进行市场分析。一个符合这个框架的提示词可能是这样的：“Task：进行下季度的市场趋势分析。Action：收集与我们产品相关的市场数据，分析竞争对手，预测销售趋势。Goal：为下季度的产品战略提供数据支持。” 这个提示词明确了任务是什么，需要采取什么行动，以及最终目标是什么，既简洁又具有指导性。

1.16、TRACE提示词框架

TRACE 框架是一个用于创建和组织与 ChatGPT 交互的方法，它将交互细分为五个核心部分，以确保清晰、有目的的通信。这五个核心部分包括：

任务 (Task): 定义要解决的特定任务或问题。

请求 (Request): 明确您想要 ChatGPT 完成的具体请求。

操作 (Action): 描述应采取的步骤或操作来完成任务或请求。

上下文 (Context): 提供与请求相关的背景信息或上下文。

示例 (Example): 提供一个或多个示例，以帮助 ChatGPT 理解您的请求和期望的结果。

TRACE 框架提示实例:

假设您是一个项目经理，希望从 ChatGPT 那里获得有关如何更有效地管理项目时间的建议。

任务: “作为项目经理，我需要确保项目按时完成，同时保证质量。”

请求: “请提供一些有效的项目时间管理策略和技巧。”

操作: “描述每种策略的实施步骤和预期效果。”

上下文: “我们的团队分布在不同的地区，有时很难协调时间。”

示例:

“例如，如果你建议使用某种项目管理软件，请解释如何配置和使用它来跟踪项目进度。”

通过这个框架，您可以创建具有结构和清晰度的提示，从而使 ChatGPT 能够更好地理解您的需求和提供有用的回应。

1.17 LangGPT 提示词框架

传统 Prompt 存在一些挑战包括缺乏系统性、灵活性和用户友好性，以及未能充分利用大模型的特点。Prompt 的重要性与日俱增，特别是在新一代的 GPT-4 模型出现后。Prompt 编写不仅仅是一种技术，它正在变成 AI 时代的编程语言。

因此，如何像学习编程一样，高效地编写高质量的 Prompt，即 Prompt 编程，成为了一个迫切的问题。为了解决这个问题，我们推出了 LangGPT。LangGPT 由云中江树 (刘远忠）创建，目前已有 2.1k stars

LangGPT 的特点和优势：

**系统性：**LangGPT 提供模板化的方法，用户只需按照模板填写相应内容即可。

**灵活性：**LangGPT 引入了变量概念，可以轻松引用、设置和更改 Prompt 内容，提高编程性。

**交互友好：**通过工作流，LangGPT 定义了与用户的交互和角色行为，使得用户可以轻松理解和使用。

**大模型充分利用：**LangGPT 结合了大模型的特点，例如模块化配置和分点条理性叙述，还通过 Reminder 功能缓解了长对话的遗忘问题。

LangGPT 的核心语法：

**LangGPT 变量：**我们引入了基于 markdown 的变量概念，利用大模型对层级结构内容的敏感性，方便地引用和修改 Prompt 内容。

**LangGPT 模板：**基于大模型在角色扮演方面的强项，我们设计了 Role 模板。这些模板使得 Prompt 编写变得像编程中的 “类声明”，极大地简化了用户的工作。

为了进一步辅助用户，我们还开发了 LangGPT 助手，一个专门为 LangGPT 设计的工具，它能够帮助用户更容易地设计和生成 “咒语”。

格式化技巧：使用特定的格式（如 Markdown）来更明确地指示大模型如何提示词框架和响应。

明确性技巧：通过提供具体的指令，如 “简短地回答” 或“提供详细解释”，确保大模型的响应与用户的期望一致。

上下文技巧：在指令中加入上下文信息，帮助大模型更准确地理解用户的需求。

目前全网流行比较多的李继刚的结构化提示词，我摘录其中一个：

markdown
复制代码


#Role: 文字排版大师

#Profile:

- author: 李继刚

- version: 0.1

- language: 中文

- description: 使用 ASCII 符号和 Emoji 表情符号来优化排版已有信息, 提供更好的阅读体验

##Goals:

- 为用户提供更好的阅读体验，让信息更易于理解

- 增强信息可读性，提高用户专注度

##Constrains:

- 不会更改原始信息，只能使用 ASCII 符号和 Emoji 表情符号进行排版

- 排版方式不应该影响信息的本质和准确性

##Skills:

- 熟悉各种 ASCII 符号和 Emoji 表情符号的使用方法

- 熟练掌握排版技巧，能够根据情境使用不同的符号进行排版

- 有较强的审美和文艺能力

##Workflows:

- 作为文字排版大师，将会在用户输入信息之后，使用 ASCII 符号和 Emoji 表情符号进行排版，提供更好的阅读体验。

- 排版完毕之后，将会将整个信息返回给用户。

##Initialization: 欢迎用户, 并提示用户输入信息

1.18 Google 提示词工程最佳实践

当我们进入数字化和自动化的时代，如何有效地与模型交互并获得我们期望的输出变得越来越重要。Google 为我们提供了一套全面的提示词工程最佳实践，可以指导我们更好地与大模型交互。

一、提示词工程的最佳实践

明确意图：始终清楚地传达最重要的内容或信息。

构建提示词：首先定义其角色，提供上下文 / 输入数据，然后给出具体指令。

参照例子：为模型提供具体的、多样化的例子，帮助它产生更准确的结果。

限制输出范围：使用限制条件确保模型的输出与指令紧密相关。

任务分解：对于复杂任务，将其分解成一系列更简单的提示词。

质量监控：指导模型在生成响应之前对其进行评估或自检。

逐步思考：针对复杂问题，引导模型按照逐步的逻辑推理输出结果。

关键要点：充分发挥创意，开放思考，随着技术的发展，不断适应和调整。

二、提示词迭代的技巧

随着时间的推移，我们可能需要调整或重写我们的提示词。以下是一些有助于优化提示词的技巧：

重申关键元素：强调词汇、短语或主要观点。

明确格式：提前告诉模型你期望的输出格式，例如 CSV 或 JSON。

突出关键信息：使用强烈的语言或格式突出重要内容。

多样化表达：尝试使用不同的同义词或短语，并找出哪种更有效。

三明治法：在长提示词中，多次重复核心指令以增强模型的注意力。

参考资源：使用诸如 Prompt Hero 和 Google 的提示词展览等在线资源，作为灵感来源。

随着大模型学习模型的不断进化，我们的交互策略也需要持续调整。这些建议和策略旨在帮助我们更高效、更准确地与模型互动。

2.Prompt 八招要诀

李家贵（微信:dtalk2023）的 Prompt8 框架，融合了前述的一些 prompt 技巧, 注意事项，是一个广义的 prompt engineer 方法，采用 1、2、3、4、5、6、7、8 顺口溜的方式。

个本质：和 ChatGPT 合作是通过提问进行的。本质是要做好一个管理者，德鲁克依然不会过时。我们需要明白与 ChatGPT 的合作核心是提问。我们在与 AI 的互动中扮演的角色类似于一个管理者。就如同管理学之父德鲁克的管理思想所强调的，我们需要明确、细致地指导 AI，引导它朝着我们想要的方向前进。
二个关注：在探讨 AI 的特征时，一个重要的研究来源是 HBR 的《Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality》。作者 Fabrizio Dell’Acqua 在其中详细探讨了 AI 如何影响知识工作者的生产力和质量。两种广为人知的 AI 协同工作方式是 Centaur（半人半马）和 Cyborg（半机械人）。这种协同方式让我们思考，面对这些技术，我们该如何应对。据 ideogram 数据显示，与 ChatGPT 合作实际上是通过提问进行的。这本质上是一个管理者的工作，德鲁克的管理思想在这里依然不会过时。给 ChatGPT 交代工作，就像给一位刚刚大学毕业的新员工布置工作：明确、细致、循循善诱。还有一个二是，prompt 提供的是输出结果的下限，要达到理想效果，核心是挑战输出结果的上限，这个核心是要关注两点：know how（公式）和工作流（SOP）。
三个要点背景要求角色（BOR），没有单独提到上面，一个是不流行，一个是本质和下面的 CHAT 模型是重复的。背景相当于 Chat 模型的 History，要求相当于 Chat 模型的 AT 的融合，列这个是为了分享，prompt 技巧很多，但本质不多。
四字真言：调用前面的 CHAT 提示词框架，因为 ChatGPT，就记住 Chat 就行了，其他模型是便于理解，但要记忆主要还是记这个。提问有其独特的艺术。CHAT 模型为此提供了一个很好的框架。CHAT 是 Character（角色）、History（背景）、Ambition（目标）和 Task（任务）的缩写。一个有效的任务指令可以定义为：定义角色 + 提供背景信息 + 描述任务目标 + 设置输出要求。
思维五环客户、架构、战略、项目和数据五环思维为我们提供了一个多角度的视野，使我们能够从不同的层面上思考问题。

**客户思维：**永远思考如何创造客户价值

**架构思维：**系统思考，而不是散点思考

**战略思维：**站在上级的上级考虑问题

**项目思维：**把提示词当项目，考虑成本和收益

**数据思维：**量化效果

六句参考：通过提供具体的例子和明确的格式要求，我们可以使 AI 更好地理解我们的需求，并给予我们更精准的答复。

提供至少 5 个例子。

选择特定领域的例子。

使用活泼的口语化方式回答。

适当扩写或概括。

设置明确的格式和回复量。

七个原则：这个部分主要应用了邮储银行潘工的框架，

设置格式要求。

控制回复量。

使用角色和场景来模拟真实情境。

重新整理数据。

设定内容的范围。

组合不同的流程。

突破个人认知限制。

安全八决：在结束之前，我想再次强调安全使用 ChatGPT 的重要性。为了保护数据和信息安全，我们可以遵循以下八个重要的步骤：

首先，我们应该始终确保在办公场所禁止使用 ChatGPT，以避免任何可能的信息泄露和数据安全问题。

其次，我们不能上传高于 “秘密” 级别的数据到 ChatGPT 或其他任何人工智能平台上，这是为了保护最高级别的国家安全和商业机密。

第三，我们应该避免大段上传文档或敏感信息，因为这可能会导致数据泄露和滥用。

第四，公司代码是公司的核心资产，因此我们不能将其上传到 ChatGPT 或其他人工智能平台上，以防止被竞争对手获取或被恶意使用。

第五，我们应该始终隐藏公司和个人真实信息，以避免被不法分子利用。

第六，在使用 ChatGPT 时，我们应该使用类比方式隐藏真实意图，以避免被恶意攻击者猜测和利用。

第七，对于重要的任务和敏感的信息处理，我们应该使用多个账号 /API 方式分开处理，以增加安全性和保密性。

最后，我们应该假设自己的行为会被追责，以更加谨慎地保护信息安全和遵守相关法律法规。

通过遵循这些步骤，我们可以确保在使用 ChatGPT 时数据和信息的安全性。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍