攻坚Prompt的技巧

一、核心方法论与框架

这些框架提供了结构化的思考方式，帮助你构建复杂的Prompt。

1. CRISPE 框架

这是一个非常全面和实用的Prompt设计框架，非常适合初学者和专业人士。CRISPE是以下单词的缩写：

• Capacity and Role (能力和角色)： 指定模型扮演的角色（如：“你是一位资深机器学习工程师”）。
• Reason (背景、原因)： 提供任务的背景信息和原因（如：“为了向新手解释清楚这个概念...”）。
• Insight (洞察、输入)： 给出具体的任务指令和所需的输入信息。
• Statement (陈述要求)： 明确说明对输出的具体要求（格式、长度、风格等）。
• Personality (个性)： 定义输出应有的风格或个性（如：“用正式的报告风格”或“用幽默轻松的口吻”）。
• Experiment (试验)： 鼓励进行多次试验和迭代（例如：“尝试多种写法，并给出版本号”）。

2. BROKE 框架

这是一个更侧重于目标和约束的框架，适合商业和产品场景。

• Background (背景)： 任务的基本背景。
• Requirement (需求)： 详细的任务需求。
• Objective (目标)： 希望达成的最终目标。
• Key-point (关键点)： 必须包含的关键信息或要点。
• Example (示例)： 期望的输出示例。

3. RTF 框架 (Role-Task-Format)

一个非常简洁易记的框架，覆盖了大多数场景的核心要素。

• Role (角色)： 扮演...。
• Task (任务)： 做...。
• Format (格式)： 以...格式输出。

4. CARE 框架

由Microsoft提出，强调上下文和相关性。

• Context (上下文)： 提供丰富的背景信息。
• Action (行动)： 明确需要执行的动作。
• Result (结果)： 定义期望的结果形态。
• Example (示例)： 提供示例。

二、高级技巧（Few-Shot Prompting）

这是业界公认的最强大技巧之一，即提供示例。

• 零样本（Zero-Shot） ： 直接给出指令，不提供示例。依赖于模型的内置知识。

  • 示例： “将‘Hello’翻译成法语。”

• 单样本（One-Shot） ： 提供一个输入-输出的例子。

  • 示例： ““Hello” -> “Bonjour”。 请将“Goodbye”翻译成法语。”

• 少样本（Few-Shot） ： 提供多个（通常是3-5个）输入-输出的例子，让模型从中学习规律和模式。

  • 示例：

    text

    英文： Hello -> 法语： Bonjour
    英文： Thank you -> 法语： Merci
    英文： How are you? -> 法语： Comment ça va ?
    现在请翻译： I am learning about AI.
    

少样本学习特别适用于：定义复杂格式、模仿特定风格、处理有固定模式的任务。

三、业界规范与最佳实践

除了方法论，还有一些被广泛认可的书写规范：

1. 清晰具体，而非模糊笼统

   • 避免：“写点关于市场营销的东西。”
   • 推荐：“为一款新的咖啡订阅APP起草一篇300字左右的推特文案，目标用户是25-35岁的都市白领，强调其便捷性和豆子品质。”

2. 使用分隔符清晰标明输入部分

   • 使用"""， ````， ---， <>， XML标签等将指令和需要处理的内容分开，防止“提示注入”。
   • 示例： “总结以下用三引号括起来的文本：...文本内容...”

3. 指定输出格式

   • 明确要求模型以JSON、HTML、Markdown、纯文本等格式输出，便于后续自动化处理。
   • 示例： “请以JSON格式输出，包含name， email， phone三个字段。”

4. 迭代优化

   • Prompt工程是一个迭代过程。很少有一次就完美的Prompt。根据第一次的输出结果，不断调整和细化你的指令，这是一个标准流程。

5. 链式思考（Chain-of-Thought, CoT）

   • 对于复杂推理问题，要求模型分步思考，展示其推理过程，能极大提高最终答案的准确性。
   • 示例：在问题后加上“让我们一步步思考。”（"Let's think step by step."）

6. 设定约束与避免事项

   • 明确说明不要什么，与说明要什么同样重要。
   • 示例： “不要使用专业术语。”、“避免主观评价。”

7. 温度（Temperature）和Top_p设置

   • 这是模型参数，而非Prompt内容，但与之紧密相关。
   • 低温度（如0.2） ：输出更确定、更集中，适合事实性、确定性的任务。
   • 高温度（如0.8） ：输出更随机、更多样，适合创意生成任务。

总结：核心思想

所有的方法论和规范都围绕一个核心思想：将LLM视为一个能力极强但需要精确指引的合作伙伴。你的任务就是通过Prompt，为它提供最清晰的“工作说明书”（SOW） 。

1. 给它一个角色（Contextualize）
2. 说清楚要什么（Be Specific）
3. 提供必要信息（Input Data）
4. 规定成品样子（Set Constraints & Format）
5. 通过示例教学（Show, Don‘t Tell）
6. 不断调试优化（Iterate）

掌握这些方法论和规范，你将能更加系统性和可预测地从大型语言模型中获取价值。