【人工智能】解锁AI创造力：掌握Prompt提示词的高效提问策略

==哪些人在使用AI应用？==
==80%== ==主要知识工作者==是: 大学生 文案 翻译 软件工程师. 数据分析师 教育工作者

1.4 提示词未来前景

==DeepMind==公司在其研究报告 《Large Language Models as Optimizers》> DeepMind公司在其研究报告中指出，大语言模型展现出了自我优化的潜力，并且能够深入理解人类意识。当前，大语言模型正处于一个高速发展的阶段，不断迭代和提升对提示词（prompt）的理解与认知。其核心价值在于，通过海量语料的训练，能够精准把握用户发出的各种指令，进而驱动机器实现人类的创意与构想。

展望未来，随着大语言模型的持续发展与迭代，我们无需再担忧提示词的精准度问题。因为大语言模型将自动为我们优化提示词，实现更加高效、精准的交互体验。

2 提示词的基本书写技巧

技巧一:提供重要词语的定义，尤其是新的词语、模糊不清的词语比如各种形容词 技巧二:提供详细的背景信息 技巧三:提供上下文、数据 技巧四:善用符号“"、<>、### 技巧五:赋予Al更适合的身份 技巧六:指定输出的格式、内容结构、长度等 技巧七:给大模型优质的内容，让大模型模仿

3 三种常见的提示词框架

3.1 CO-STAR框架

有效的提示结构对于从==LLM==那里获取最佳回复至关重要。==CO-STAR==框架是新加坡政府科技部数据科学与人工智能团队的心血结晶，是构建提示的便捷模板。它考虑到了LLM回答的有效性和相关性的所有关键方面，从而使回答更加优化。

具体操作如下: (C) ==上下文:提供任务的上下文信息==:这有助于LLM了解正在讨论的具体情景， 确保其答复具有相关性。 (O)==目标:确定你希望LLM执行的任务是什么==:明确你的目标有助于LLM把回答的重点放在实现这一具体 目标上。 (S)==风格:指明你希望LLM使用的写作风格==:这可以是某个名人的写作风格，也可以是某个行业的某个专 家，如商业分析专家或首席执行官。这将引导LLM以符合你需求的方式和用词做出回复。 (T)==语气:确定回复的态度==:这可确保LLM的回复与所需的情感或情绪背景产生共鸣。例如，正式的、幽默 的、善解人意的等。 (A) ==受众:确定回复的对象==:根据受众(如某一领域的专家、初学者、儿童等)量身定制LLM的回复，确保 其在所需的语境中是恰当的、可以理解的。 (R)==回复:提供回复格式==:这可确保LLM按照下游任务所需的准确格式输出。例如，列表、JSON、 专业报 告等。大多数LLM应用程序都会以编程方式LLM回复进行下游操作，对于这些应用程序来说，JSON输出格 式是最理想的。

3.2 BORKE框架

BROKE框架由陈财猫提出，著有书籍《ChatGPT进阶一-提示工程入门》

(B)==背景(Background)==: 提供足够的背景信息，帮助AI理解问题的具体情境和背后意图。这可以是关于某 个事件的历史背景，或是某个问题的具体环境。 (R) ==角色(Role)==: 指定AI在对话中扮演的角色，如“资深产品经理”或“顶尖心理学家”。这有助于建立一个具 体的形象，并明确Al在交流中的角色和职责。 (O)==目标(objectives)==: 明确表达希望实现的目标，这有助于AI集中精力在实现这些目标上。 (K)==关键结果(Key Results)==:定义关键结果以补充和完善目标，确保AI能够 更精确地满足需求。关键结果 应该是具体和可衡量的。 (E)==实验改进(Evolve)==: 在与AI的互动过程中，如果生成的回答不符合预期，需要对指令进行改进和优化， 以获得更好的结果。

3.3 结构化提示词

结构化提示词是李继刚老师提出的一个提示词的编写技巧

结构化提示词的特点 :

• ==清晰性==
  结构明确：结构化提示词通过明确的标题、子标题、段落和句子等结构，使得提示内容一目了然。
  便于理解：这种结构化的方式使得模型能够更容易地理解并执行提示内容。
• ==具体性== 详细列出要素：通过详细列出角色、任务、目标、限制条件、技能和工作流程等要素。
  提供执行指南：结构化提示词为模型提供了具体的执行指南，从而减少了模型对意图的误解。
• ==灵活性==
  模板与框架：虽然结构化提示词有一定的模板和框架。
  自定义与调整：但用户可以根据具体任务的需求进行自定义和调整，以适应不同的场景和情境。

• KIMI-AI:kimi.moonshot.cn/

4书写提示语技巧

4.1 Prompt逆向

将以下内容 总结并融合成一个==提示词框架:== (C )==上下文==:提供任务的上下文信息:这有助于LLM了解正在讨论的具体情景，确保其答复具有相关性。 (O)==目标==:确定你希望LLM执行的任务是什么:明确你的目标有助于LLM把回答的重点放在实现这一具体目标上。 (S)==风格==:指明你希望LLM使用的写作风格:这可以是某个名人的写作风格，也可以是某个行业的某个专家，如商业分析专家或首席执行官。这将引导LLM以符合你需求的方式和用词做出回复。 (T)==语气==:确定回复的态度:这可确保LLM的回复与所需的情感或情绪背景产生共鸣。例如，正式的、幽默的、善解人意的等。 (A)==受众==:确定回复的对象:根据受众(如某一领域的专家、初学者、儿童等)量身定制LLM的回复，确保其在所需的语境中是恰当的、可以理解的。 (R)==回复==:提供回复格式:这可确保LLM按照下游任务所需的准确格式输出。例如，列表、 JSON、专业报告等。大多数LLM应用程序都会以编程方式LLM回复进行下游操作，对于这些应用程序来说，JSON输出格式是最理想的。 (B)==背景(Background)==: 提供足够的背景信息，帮助AI理解问题的具体情境和背后意图。这可以是关于某个事件的历史背景，或是某个问题的具体环境。 (R)==角色(Role)==: 指定AI在对话中扮演的角色，如“资深产品经理”或“顶尖心理学家”。这有助于建立一个具体的形象，并明确AI在交流中的角色和职责。 (0)==目标(Objectives)==:明确表达希望实现的目标，这有助于Al集中精力在实现这些目标上。 (K)==关键结果(Key Results)==:定义关键结果以补充和完善目标，确保AI能够更精确地满足需求。关键结果应该是具体和可衡量的。 (E)==实验改进(Evolve)==: 在与AI的互动过程中，如果生成的回答不符合预期，需要对指令进行改进和优化，以获得更好的结果。

4.2 利用Coze写结构化提示词

==Coze==：www.coze.cn/home

这里有300个现成的提示词资源，涵盖了从职业规划、面试准备、简历编写，到销售话术优化、私域运营等多个维度的专业提示词。\ download.csdn.net/download/22… 每个部分都针对特定场景，提供了详细的指导和建议，帮助用户在不同职业发展阶段和营销活动中，更有效地表达、沟通和展示自己。

5 提示词聚合网站

5.1 AI Short

链接：www.aishort.top/

import openai

openai.api_key = 'your-api-key'

prompt = "Write a story about an AI that learns to"

response = openai.Completion.create(
    engine="text-davinci-003",
    prompt=prompt,
    max_tokens=100
)

print(response.choices[0].text.strip())

from transformers import pipeline

# 初始化一个文本生成模型
generator = pipeline('text-generation', model='gpt-2')

# 提供一个基础提示词
prompt = "How can AI be used to"

# 生成多个补全选项
completions = generator(prompt, max_length=50, num_return_sequences=3)

for i, completion in enumerate(completions):
    print(f"Completion {i+1}:\n{completion['generated_text']}\n")

from sklearn.feature_extraction.text import TfidfVectorizer

corpus = [
    "AI can revolutionize healthcare by",
    "Using AI in finance to",
    "The role of AI in education is to"
]

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

feature_names = vectorizer.get_feature_names_out()
print("Important words for prompt creation:", feature_names)

from flask import Flask, request, jsonify
from transformers import pipeline

app = Flask(__name__)
generator = pipeline('text-generation', model='gpt-2')

@app.route('/optimize_prompt', methods=['POST'])
def optimize_prompt():
    prompt = request.json.get('prompt')
    completion = generator(prompt, max_length=50)[0]['generated_text']
    return jsonify({"optimized_prompt": completion})

if __name__ == '__main__':
    app.run(debug=True)