Prompt 学习地图 | 框架思维

该框架主要包括以下五个部分：

背景 B (Background)
角色 R (Role)
目标 O (Objectives)
关键结果 K (Key Results)
实验改进 E (Evolve)

框架解释

• 背景 (Background)

背景信息部分提供关于请求的背景和上下文，它帮助 ChatGPT 更好地理解问题的背后意图和情境。例如，当你询问有关某个事件的历史背景时，通过提供更多的洞察，可以得到更为深入和具体的答案。

• 角色 (Role)

角色设计是让 ChatGPT 扮演某种特定的角色，如“资深产品经理”、“顶尖的心理学家”等。这有助于建立一个稳定且具象化的形象，并告诉 ChatGPT 角色的职责所在，让 ChatGPT 与用户之间的互动更加顺畅。

• 目标 (Objectives)

定义目标是为了表达我们希望实现什么，而定义关键结果则是为了让 ChatGPT 知道实现目标所需要的具体、可衡量的内容。

• 关键结果 (Key Results)

仅有目标还不够，我们还需要设计关键结果来补充和完善目标，确保 ChatGPT 能够更精确地满足我们的需求。目标与关键结果是相辅相成的：明确的目标有助于我们制定出可衡量的关键结果，而具体的关键结果则可以帮助我们对目标进行微调，以便更精确地满足需求。

• 实验改进 (Evolve)

在我们与 ChatGPT 的互动过程中，有时生成的回答并不完全符合我们的预期。为了得到满意的回答，我们需要对指令进行改进，采取一些策略进行调整和优化。在改进时，可根据实际情况灵活运用不同的策略以便获得更好的结果，例如：

• 改进输入：从答案的不足之处着手改进背景、角色、目标与关键结果
• 改进答案：在后续对话中指正 ChatGPT 答案的缺点
• 重新生成：尝试在 prompt 不变的情况下多次生成结果，优中选优

实际案例

• 背景: 我正在写一篇关于英语方言的论文
• 角色: 你是一位语言学家
• 目标: 你将提供论文中“美国南部方言特点”的内容参考
• 关键结果: 清晰、准确地解释美国南部方言的特点
• 实验改进: 第一次 Prompt 中我们留空这部分，等内容生成后再做改进

  实际案例
  下面是一个实际案例及生成效果：

 接下来进行实验改进（Evolve）

 在原提示词中的K模块增加了一条“基于波特五力原则进行分析”。