前言

在数字化浪潮的推动下，AI 大模型以其卓越的自然语言处理能力和智能交互特性，迅速在很多领域中占据了重要地位。比如：与传统客服相比，AI 大模型展现出了无可比拟的优势，通过精心设计的 prompt，能使我们在客服托管、智能客服等多个项目和业务场景中发挥显著作用，大幅提高工作效率，优化成果质量。为了精进个人能力以及助力产研学习氛围的提升，本人在学习完吴恩达教授以及其他前辈们有关 prompt 的课程之后，整理了这份学习资料，以供大家学习交流。该笔记将深入探讨 prompt 的定义和撰写框架，详细阐述打造高效 prompt 的原则与策略，同时从技术原理层面剖析 prompt，助力读者更好地运用大模型，提升业务价值。

第一节：Prompt 定义及基本框架

一、 什么是 Prompt

大模型 prompt 指在大语言模型应用中，用于 “提示” 模型唤起特定能力以解决实际问题的提问方式。早期它被称作 “输入形式” 或 “输入模板”，后来 “prompt”（提示）这一叫法因契合大语言模型语境，能准确体现其在调用模型能力方面的关键作用，成为公认术语。

大模型多数核心能力在预训练阶段形成，prompt 就像钥匙，引导模型从预训练积累的海量信息中，精准唤起如理解复杂文本、总结信息、生成内容、逻辑推理等能力，满足用户实际需求。它并非把模型当作单纯知识库，而是高效调用其能力，实现类似人类运用智能解决复杂问题的效果，是 prompt 工程的核心，对用好大语言模型意义重大。

二、 撰写 Prompt 的基本框架

1、Prompt 包含的要素

● 指令：想要模型执行的特定任务或指令。

● 上下文 ：包含外部信息或额外的上下文信息，引导语言模型更好地响应。

● 输入数据 ：用户输入的内容或问题。

● 输出指示 ：指定输出的类型或格式。

2、Prompt 五大框架

2.1 RTF 框架

RTF（Role-Task-Format）框架是一个非常简单通用的 Prompt 提示框架，我们和任意大模型对话场景下都可以使用该规范进行改进输出。

● R-Role（角色）：指定大模型担当固定角色（程序员、数据分析师、讲解员、记者等等）

● T-Task（任务）: 任务，告诉大模型需要为我们做的事情

● F-Format（格式）：大模型最终结果的返回格式（比如：表格、Markdown、英文等等）

主要优点：

● 简单、方便。

● 指定 Role 角色，可以让大模型在当前的角色范围内回答知识，这在一些特定的领域中非常有效。

● 指定 Role 角色也能让工程上检索知识能够确定边界范围，配合元数据所发挥的威力会更强。

● 如果结合 RAG 知识内容检索，那么上下文回答的内容会让用户感觉更加是顺畅。

2.2 思考链模式

通过这种模式来逐步改善大模型的推理能力，非常 适合一些复杂的任务处理 。例如：

● 分析型或者逻辑推理型的任务

● 决策

● 解决问题（比如程序员根据错误日志找 Bug）

而要使用这种模式， 只需要在末尾添加”让我们逐步思考”即可 。例如：

# 数据源（与指令区分）
user_datasource = """XXX……""" prompt1 = """分析一下在人工客服服务场景下，'''{user_datasource}'''中客户有哪些诉求。用一句话概括。"""
prompt2 = """分析一下在人工客服服务场景下，'''{user_datasource}'''中客户有哪些诉求。用一句话概括。让我们逐步思考。"""# 模型输出结果
output1：在人工客服服务场景下，客户主要诉求为：微信账号存在安全风险导致无法添加好友、单点拦截、下载安装微信出现问题等，寻求客服协助解决问题。
output2：在人工客服服务场景下，客户主要诉求为：微信账号存在安全风险导致无法添加好友，以及因违规行为被限制登录，客户希望客服能够尽快处理这些问题。# 分析结果
output1中的”单点拦截”并不是用户的诉求，而output2显然更加正确

2.3 RISEN 框架

● R-Role:大模型扮演的角色

● I-Instructions: 指示命令，和 Task-任务差不多

● S-Steps: 步骤

● E-End Goal: 最终目标

● N-Narrowing（Constraints）: 缩小范围（约束条件），和 RTF 框架中的 Format 有异曲同工之妙，一个是格式的约束，而这里的约束可以是任意方面，比如回答的内容（特定领域）、字数限制等等方面

该框架主要适合：

● 撰写具有特定约束的任务（例如博客文章）

● 有明确指导方针的任务（例如商业计划）

2.4 RODES 框架

● R-Role: 角色

● O – Objective: 目标

● D – Details: 详细的细节

● E – Examples: 示例

● S – Sense Check: 感官检查

2.5 密度链模式

密度链模式 Prompt 是 Salesforce、麻省理工学院和哥伦比亚大学的研究人员推出的一种新提示，它非常的高效，使用递归来创建越来越好的输出的提示，与普通提示生成的 GPT-4 摘要相比，它生成的摘要更加密集且更适合人们理解。

适合：

● 总结

● 改进您最喜欢的提示

● 通过递归生成可用的长格式内容

（感兴趣的同学可以自己检索一下）

第二节：打造高效 Prompt 的两大核心原则

在 Prompt 工程领域，掌握精妙的撰写策略是释放语言模型强大潜力的关键。本节将深入探讨 prompt 撰写的两大核心策略，为您揭示如何通过优化指令，引导模型生成更贴合需求、更具质量的输出。

一、原则一：编写明确和具体的指令

为了让模型精准理解我们的意图，编写清晰、明确且具体的指令至关重要。这不仅能避免模型产生误解，还能显著提升输出结果的相关性和准确性。

策略 1：使用分隔符清晰界定输入部分