《盘古大模型提示词工程实践》学习笔记
来源：华为培训课件《04盘古大模型提示词工程实践》
一、Prompt 撰写基本策略
常用方法论：1 个基础、2 个结构
- 打基础：先制定一个能明确表达主题的提示词，由简至繁逐步增加细节和说明。基础提示词效果差，优化只会事倍功半。
- 搭结构：提示词结构要直观，不要把所有内容放在一行，适当换行拆分结构，让模型更好地理解意图。
- 排顺序：过长提示词模型难以把握重点，且对首尾内容更敏感，关键信息应放到提示词首尾。
常用方法论：N 个扩展
| 扩展 | 做法 | 目的 |
|---|
| 加说明 | 对提示词做细节强调和补充说明（结构、输出格式等） | 让生成效果更符合预期 |
| 给提示 | 提供少量示例 | 模型从示例学习意图，输出更好 |
| 作预设 | 对各类场景做预设 | 防止模型编造错误输出（说胡话） |
| 设角色 | 设定模型扮演的角色 | 提供上下文场景，指定生成角度 |
| 少口语 | 避免口语化，符合中文语言规范 | 正式、清晰、有逻辑 |
| 分步骤 | 将任务拆解成子任务，制定具体步骤 | 降低模型输出压力，提升效果 |
常用框架一：CO-STAR（6 要素）
| 字母 | 含义 | 作用 |
|---|
| C | Context 上下文 | 提供背景信息，帮助模型理解场景，确保反馈具备相关性 |
| O | Objective 目标 | 明确任务目标，让模型更专注地调整回应 |
| S | Style 风格 | 指定写作风格（如商业分析师、CEO） |
| T | Tone 语气 | 设置回应情感基调（正式、幽默、富有同情心等） |
| A | Audience 受众 | 针对目标受众定制（专家、初学者、儿童） |
| R | Response 响应格式 | 规定输出格式（列表、JSON、专业报告等；程序化处理推荐 JSON） |
常用框架二：CRISPE（5 要素）
| 字母 | 含义 | 要点 |
|---|
| C | Capacity and Role 角色 | 让模型以特定身份回答（问感冒药应扮演医生而非修理工） |
| R | Insight 洞察 | 提供背景信息和充分上下文（模型只能从输入获取信息） |
| I | Statement 声明 | 明确诉求/问题，告诉模型期望的答案或解释 |
| S | Personality 个性 | 指定输出方式（JSON 结构、轻松幽默的语言等） |
| P | Experiment 实验 | 宽泛问题时让模型提供多个答案或建议供选择 |
二、提示词工程平台介绍
提示词模板
- 特殊结构的提示词 = 变量 + 固定文本，通过填入变量值动态创建提示词，是可重复生成提示词的方法。
- 例：
{{city}}天气怎么样？——city 是变量，可动态输入北京、南京。
平台设计要点
- 提示词设计是迭代过程，需要大量实验获得较佳结果。
- 优质模板的通用性强：在不同变量值输入下都有不错的生成结果。
- 平台提供可视化 IDE：支持提示词模板撰写、比较、评估，将方法论与实验结合，求解最优提示词。
提示词模板库
- 提示词调优依赖经验，不同领域/行业特点不同。
- 提示词和模型是关联的，不同模型需对应一套提示词模板。
- 目标：构建属于盘古的提示词模板库，提供各行业开箱即用的优质提示词。
平台功能架构
- 提示词工程管理：
- 撰写调优（变量提取、变量填充、调优历史）
- 横向比较（设置候选、差异点对比、效果对比）
- 自动评估（用例集管理、评估实验管理、提示词评估）
- 提示词仓库：我的提示词、预置提示词
- Pangu 模型底座：基础大模型、用户调优大模型
思考题答案
1. 以下哪一个不属于 CO-STAR 的构建关键元素？
- A. 上下文 B. 风格 C. 语气 D. 人格
- 答案：D（人格）
- CO-STAR = Context / Objective / Style / Tone / Audience / Response
- "人格（Personality）"属于 CRISPE 框架，不属于 CO-STAR。
记忆要点（一章速记）
- 方法论三原则："打基础、搭结构、排顺序"——关键信息放首尾。
- N 个扩展：加说明、给提示、作预设、设角色、少口语、分步骤。
- CO-STAR 六要素 = 上下文、目标、风格、语气、受众、响应格式；CRISPE 五要素 = 角色、洞察、声明、个性、实验。
- 提示词模板 = 变量 + 固定文本，衡量标准是通用性。
- 平台能力三大块：撰写调优、横向比较、自动评估 + 提示词仓库 + Pangu 模型底座。
