AI大模型系列：编写高质量提示（prompt）的实践技巧

乐只乐之

已于 2024-05-09 11:54:41 修改

阅读量2.2k

点赞数 45

分类专栏： AI大模型操作手册文章标签：人工智能 prompt 提示工程 chatgpt

于 2024-05-09 07:15:00 首次发布

本文链接：https://blog.csdn.net/Jas000/article/details/138590567

版权

AI大模型操作手册专栏收录该内容

5 篇文章 3 订阅

订阅专栏

AI大模型系列专栏

文章收录于AI大模型系列专栏

编写高质量提示（prompt）的实践技巧

引言

在上一篇《编写高质量提示（prompt）的小技巧》篇章中，我们深入解析了构建高效提示的工艺流程，涵盖了需求拆解、模板化及流程化的艺术，借此揭示了如何打造出既高效又质量上乘的提示指令。这好比为利用人工智能(AI)大模型配备了精良的兵器库，但武器的威力还需恰当的运用方能显现。同样地，人际沟通中若信息模糊，需求表述不明，会令双方陷入困扰，影响情绪与效率。与AI大模型交互时，清晰精准的指示更是至关重要，它直接关乎到能否收获满意的结果。

在日常生活工作中，如果双方在交流过程时表达含糊、对需求描述不清不楚，那么彼此双方就会倍感痛苦。这样不仅会影响交流双方彼此的心情，还会影响对需求的理解和产出。我们在和AI大模型交流的过程如果表达含糊、不能清楚地描述需求，那么我们也无法在AI大模型那里得到满意的答案。

为了优化与AI的对话质量，确保其准确无误地理解并响应我们的需求，我们需遵循一套策略：明确背景、设定角色身份（立人设）、确立目标与关键成果（OKR）、以及回顾总结（复盘）。以下是这些步骤的详尽阐释：

明确背景

尽管AI模型具有强大的学习能力，它却无法直观理解我们的需求，如同人际沟通中的心理隔阂。为此，我们需明确告知其背景、目的，就像与新朋友建立信任一样。所以我们在与之对话之前，就得告诉他需求的背景如何、我们是谁和都有哪些参与方等等。澄清背景就是阐述需求的宏观背景和微观场景，让AI大模型得到充分的上下文和背景信息，帮助其更准确的理解我们的需求。

分析背景

要想弄清楚需求的背景是什么，是一个相当耗费精力的事情。我们可以借助《编写高质量提示（prompt）的小技巧》文章中拆解需求章节提到的使用动态规划的基本思路和分治法来拆分需求，首先将复杂需求划分为若干个子需求，每个子需求相对于整体需求来说都要简单一些并且相对独立；然后通过分析和处理这些子需求，逐步明确整个需求，最后再将已经解决处理的子需求重新合并最终澄清整个需求。

如果嫌自己按照上述过程来分析背景比较麻烦和耗费精力，那么我们不妨把这个分析背景的需求交给AI大模型，让他来帮助我们分析背景，提炼需求背后的本质。如下，让AI大模型帮助我们分析“我想去徒步”需求：

👧提问：
1、目标说明：
- 接下来，请根据以下目标，从不同方面拆解问题背景，并分析解决此问题所需的信息。
- 完成分析后，请提出一系列问题，以获取达成目标所需的背景信息。
2、任务要求：
- 目标：我要去户外徒步，需要做哪些准备？
- 请根据此目标，至少从以下方面进行问题拆解：徒步目的地和路线、徒步时间、天气条件、个人健康状况、徒步经验、装备和物资。
- 针对每个方面，提出至少3个具体问题，以便全面了解背景信息。

🤖回答：
1、徒步目的地和路线方面：
- 您计划去哪里徒步？是山区、森林、沙漠还是其他地形？
- 徒步的路线规划是什么？是否需要穿越某些特殊地形或地区？
- 徒步的预计总距离是多少？预计需要多长时间完成？

2、徒步时间方面：
- 您计划在什么时间开始和结束徒步活动？
- 徒步活动预计持续多长时间？
- 您是否考虑过在当地进行的活动或景点，以及这些活动或景点的时间安排？

3、天气条件方面：
- 您徒步期间当地的天气预报如何？是否有极端天气情况？
- 您是否了解该地区的气候特点，例如温度、湿度、降雨概率等？
- 您是否考虑过在不同天气条件下如何应对和保护自己？
  
4、个人健康状况方面：
- 您目前的健康状况如何？是否有任何疾病或受伤？
- 您是否经常进行徒步活动？是否适应长时间徒步？
- 您是否对某些特定环境或物质有过敏反应？

5、徒步经验方面：
- 您有多少徒步经验？是否曾经走过类似的路线？
- 您是否了解基本的野外生存技能，例如地图阅读、野外定位、急救等？
- 您是否熟悉徒步活动中的安全措施和注意事项？

6、装备和物资方面：
- 您计划携带哪些装备和物资？是否满足徒步活动的需求？
- 您是否了解该地区的特殊要求或限制，例如露营设备、食物、水等？
- 您是否考虑过如何处理垃圾和废物，以及如何保护环境？

通过以上问题，可以全面了解背景信息，从而为您提供更准确和全面的徒步准备建议。

通过上述示例可以发现，AI大模型可以通过提出问题来获取背景信息，这样一来我们就能专注于解决需求本身，而不用花费大量时间和精力去分析需求的背景。

丰富背景

无论是人为的拆分需求分析背景，还是使用AI大模型帮助分析需求背景，都只是粗糙未经过细化的点子，所以我们还需要进一步细化分析得到的背景。细化的过程中一来可以借助人类与生俱来的直觉、二来可以借助后天养成的经验，直觉和经验双管齐下一起丰富背景，提供一些参考意见：

需求的环境背景：提供环境背景，如行业、技术领域、业务范围等。
相关知识或信息：包括解决问题所需技能、概念、术语、已知限制或约束等。
我们的立场：明确身份和期望。

立人设

我们提到某个人在某个领域扮演的角色时，其实就是在表述他拥有怎样的能力和需要遵守怎样的规范等。例如，作为一个优秀的英语老师，那么他在教学时就应该深入浅出，培养学生学习英语的兴趣和激发其积极性。所以我们在澄清背景后，就需要针对需求再给AI大模型立个人设，让其在垂直领域中专心应答。

立人设的底层逻辑是让AI大模型扮演一位特定的角色，专注于提供对应专业领域内相关问题的解决方案，同时少胡话。我们可以通过提出你是谁、你能做什么和怎么做三个问题来明确人设：

你是谁，根据你想解决的问题，想一个合适的角色名称。比如你想解决“语言翻译”的问题，就可以赋予TA“高级翻译”或者“语言学习专家”这样的角色。
你能做什么，清晰地告诉AI大模型这个角色可以解决哪些问题和拥有哪些技能。
怎么做，指导AI大模型如何与用户进行有效的互动，如人为列出要求或者允许AI大模型提问。

制定OKR

OKR（Objectives and Key Results，目标与关键结果）是一种目标管理方法，起源于硅谷，被很多公司，包括Google、Intel等国际知名企业所采用。OKR的核心思想是通过设置明确的目标（Objectives）和与之对应的关键结果（Key Results），来确保团队和个人在工作和日常活动中保持一致的方向，并能够有效地衡量进度和成果。

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AI大模型知道实现目标所需要可度量的内容。

设计目标

目标是对希望实现的具体成果的简洁描述，即告诉AI大模型需要生成怎样的内容。通常只要你清楚地知道你的需求和你想要的是什么，那么就可以很容易地制定出这个目标。既然有了目标那么就需要将其编码成AI大模型能读懂的文字，可以借助以下几个原则来进行编码：

清晰明确，需要清晰明确、有理有条的表述目标，只有清晰明确的目标才能让AI大模型更懂得如何做。比如，“写一篇文章”和“写一篇关于××的科幻剧本”，这两个目标相比明显后一个要比前一个更清晰明确。
合适的范围和难度，一个好的目标应该是简洁、易于理解，并且是力所能及能实现的。
简洁的文字，使用简洁的文字来描述目标，让AI大模型能抓住关键和直面核心。

设计关键结果

关键结果是一系列用于衡量目标实现程度的定量指标。关键结果应当是具体的、有时限的，并且是可度量的。甚至可在某些关键结果上设定数量或百分比要求，亦或为关键结果设定质量标准，如“回答中的理论需要是学术领域的共识，并有权威的来源”等。

复盘

我们在和AI大模型交流过程中，有时候他生成的答案并不是我们所期望的。为了得到满意的答案，我们就需要不断地复盘改进编写的提示。在使用AI大模型的过程中，我们可能会遇到三种情况：第一种是提示给得不够清楚；第二种是AI大模型做得不好或回答有错误；第三种是运气不好遇到糟糕的答案。

模糊的提示，可以从答案的不理想之处着手进行针对性地改进，但大致逃不出改进背景、角色、目标和修改关键结果这几个方向。
- 改进背景：检查提供给AI大模型的提示中的背景信息是否充足。
- 改进人设：检查人设信息是否合理，引导是否具体，必要时可考虑更换角色。
- 改进OKR：检查设计的目标和关键结果是否合理，可以针对性增删改关键结果。
错误的答案，在提示足够好的前提下，AI大模型依旧给出不理想的答案，那么我们可以尝试多和AI大模型交流几次，在交流的过程中补充不足和指出错误，引导其给出期望的答案。
糟糕的答案，多换几个AI大模型多问几次，让他们卷起来，我们优中选优。