如何用Prompt技巧激发无限创意

本文深入探讨当前最前沿的prompt engineering方案，结合OpenAI、Anthropic和Google等大模型公司的资料，以及开源社区中宝贵的prompt技巧分享，全面解析这一领域的实践策略。

一、背景

随着新一代模型的不断涌现，如GPT-4和Gemini版本，其在理解上下文方面的能力显著提升，prompt长度和复杂度限制越来越宽泛。在本文中，我们将深入探讨当前最前沿的prompt engineering方案，结合OpenAI、Anthropic和Google等大模型公司的资料，以及开源社区中宝贵的prompt技巧分享，全面解析这一领域的实践策略。这篇文章旨在为您提供丰富而详尽的指南，帮助您在大模型的应用与开发过程中，实现更高级、更精准的互动效果。当然过程中也感谢各位大佬的指导帮助，并在此感谢请教和合作的每个人，就不一一列举了，也欢迎大家的指正和探讨。

二、prompt原则&技巧

首先，最权威的提示词教程，莫过于ChatGPT官方文档里的6个写提示词的建议，如下对文档做了总结。

2.1 指令清晰、详细

首先，指令要清晰。要准确表达你的需求，避免让GPT去猜测你的意图。如果你要生成较短的内容，就要求GPT简短回答；如果不想结果太简单，就用专业标准；不满意格式时，示例你期望的格式；总之减少GPT的猜测，我们可以得到更准确的响应。如何做到指令清晰呢？6个建议如下：

2.1.1 问题里包含更多细节

在向ChatGPT提问时，应包含相关且重要细节，否则，GPT可能会胡乱猜测。例：

不好的提示词：谁是总统？
更好的提示词：谁是 2021 年的墨西哥总统，选举的频率如何？
在向ChatGPT提问的时候，要在问题里，包含相关的、重要的细节。 否则的话，ChatGPT就会给你瞎猜。

不好的提示词： 总结会议记录。 
更好的提示词： 将会议记录总结成一个段落。然后编写演讲者的Markdown列表及其要点。最后，列出演讲者建议的下一步行动或行动项目（如果有）。

2.1.2 让模型角色扮演

指定模型在回复中扮演特定角色。GitHub人设大全：

https://github.com/f/awesome-chatgpt-prompts

例：

不好的提示词：如何控制消极情绪？
更好的提示词：我想让你担任心理健康顾问。我将为您提供一个寻求指导和建议的人，以管理他们的情绪、压力、焦虑和其他心理健康问题。您应该利用您的认知行为疗法、冥想技巧、正念练习和其他治疗方法的知识来制定个人可以实施的策略，以改善他们的整体健康状况。我的第一个请求是“如何控制消极情绪？”

2.1.3 使用分隔符

使用三重引号、XML标签、章节标题等分隔符，帮助划分文本的不同部分，便于大模型更好地理解。

对于简单的内容，有分隔符和没有分隔符，得到的结果，可能差别不大。但是，任务越复杂，消除任务的歧义就越重要。大模型是为我们生成内容的，不要把它的算力，浪费在了理解我们输入的内容上。

例：

用三重引号分隔
将三重引号中的古诗翻译成现代汉语。 """ 关关雎鸠，在河之洲。 窈窕淑女，君子好逑。 参差荇菜，左右流之。 窈窕淑女，寤寐求之。 求之不得，寤寐思服。 悠哉悠哉，辗转反侧。 参差荇菜，左右采之。 窈窕淑女，琴瑟友之。 参差荇菜，左右芼之。 窈窕淑女，钟鼓乐之。 """

用XML标签分隔
您将获得一对关于同一主题的文章(用 XML 标记分隔)，先总结一下每篇文章的论点。然后指出他们中的哪一个提出了更好的论点并解释原因。
`<article> 在这里插入第一篇文章</article>` 

2.1.4 指定完成任务所需的步骤

详细写出任务所需的步骤，可使模型更容易按步骤执行。

例：

2.1.5 提供示例

通过示例让模型理解你的需求，多用于难以描述的任务或特殊风格中。

例：

假设你是一个旅行博主，你希望模型能以引人入胜的方式描述各种旅游地点。你可以这样写提示词：
你是一个旅行博主，我会在三重括号内给你提供示例。你模仿示例，写出5个回答。
提示词：告诉我关于上海的事。
"""
`提示词：告诉我关于巴黎的事。
回答：巴黎，犹如一首经久不衰的交响乐，每个角落都充满了艺术与浪漫的气息; 埃菲尔铁塔，卢浮宫，塞纳河都如同乐章，述说着这座城市的历史与未来。
"""

2.1.6 设定回答的长度

要求大模型根据单词/字数、段落数量、要点数量生成回答，这样大模型生成的答案更有条理。

例：

用大约 50 个字总结以下文本，并总结为两个段落，三个要点。
"""
插入文本
"""

2.2 提供参考文本

给模型提供可信的信息来编写答案，或者引用参考文本编写答案，避免胡乱回答。

例：

使用以下文章回答问题。如果找不到答案，回复“我找不到答案”。
"""
插入文章
"""
问题：插入问题

2.3 将复杂任务拆分

将复杂任务分解成简单步骤，方便模型操作，提高准确性。

2.3.1 问题分类

先把这些任务按类型分类，然后给每一种类型的任务都制定一套相应的步骤或者指令。使用这种方法的好处就是，每一次我们只需要关注当前的任务和相应的步骤或者指令，这样就可以降低出错的几率，而且也能节省成本。因为处理大任务需要的电脑运行费用，通常会比处理小任务的费用要高。

例：

您是一个网络专家，将收到客户服务查询。将每个查询分为主要类别和次要类别。主要类别：计费、技术支持、账户管理或一般查询。次要类别：退订或升级、添加支付方式、收费说明、对收费提出异议。根据不同的类别给出详细的解答。
假设客户需要“故障排除”方面的帮助。你将需要处理一些需要技术支持进行故障排查的客户服务咨询。请按照以下步骤帮助用户：
● 让他们检查路由器的所有线缆是否都已连接。注意，线缆随着时间的推移容易松动是常见的问题。
● 如果所有的线缆都已连接，但问题依然存在，请询问他们正在使用的路由器型号。
● 现在你需要指导他们如何重启设备：
○ 如果型号是 MTD-327J，建议他们按住红色按钮 5 秒钟，然后等待 5 分钟后再测试连接。
○ 如果型号是 MTD-327S，建议他们拔掉电源后再插入，然后等待 5 分钟后再测试连接。
● 如果客户在重启设备并等待 5 分钟后问题依然存在，通过输出 {"IT support requested"} 将他们转接到 IT 支持。
● 如果用户开始提问与此主题无关的问题，那么确认他们是否想结束当前的故障排查聊天，并根据以下方案对他们的请求进行分类

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

2.3.2 分段总结长文/长对话

分段总结，再汇总，即总结前一部分的时候，带上之前的内容。多轮对话中，这样更利于后面回答的准确生成。

例：

问：请输入内容
回答1： [段落1内容总结]
问2：请输入内容
回答2： [段落2内容总结] + [回答1]
请根据以上格式提供每段的内容，这样能更好地对每一段进行总结，并逐步汇总所有内容，有助于生成最终的回答。

2.4 给大模型时间“思考”

2.4.1 生成自己的答案再下结论

让模型先自行解决问题，之后比较并评估学生答案的正确性，让模型回答更有条理，也可提高准确性。

例：

首先想出你自己解决这个数学题的方法，然后将您的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。在您自己完成问题之前，不要判断学生的解决方案是否正确。

2.4.2 隐藏推理过程

在给用户答案前，模型先在内部思考，不展示部分思考过程，即一个"内心独白（inner monologue）"的技巧。这样同样让模型回答更有条理，提高准确性，也不会干扰用户期望的输出。

例：

按照以下步骤回答用户查询。
第 1 步 - 首先找出您自己的问题解决方案。不要依赖学生的解决方案，因为它可能不正确。将您为此步骤所做的所有工作用三重引号 (""") 括起来。
第 2 步 - 将您的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。将您为此步骤所做的所有工作用三重引号 (""") 括起来。
第 3 步 - 如果学生犯了错误，请确定您可以在不给出答案的情况下给学生什么提示。将您为此步骤所做的所有工作用三重引号 (""") 括起来。
第 4 步 - 如果学生犯了错误，请向学生提供上一步的提示（三重引号外）。不要写“第 4 步 - ...”，而写“提示：”。

2.4.3 让模型反思回答

让大模型再去找找看有没有之前漏掉的内容，往往能让模型的输出结果，变得更好。

例：

You will be provided with a document delimited by triple quotes. 
Your task is to select excerpts which pertain to the following question: "What significant paradigm shifts have occurred in the history of artificial intelligence." 
Ensure that excerpts contain all relevant context needed to interpret them - in other words don't extract small snippets that are missing important context. 
Please think about your answers and answer carefully.

2.5 使用外部工具

2.5.1 嵌入（embedding）

使用基于嵌入的搜索来实现高效的知识检索，利用外部信息作为其输入的一部分，有助于模型生成更加明智和最新的回答，即RAG(Retrieval-Augmented Generation)。

例：

如果用户提出关于特定电影的问题，结合
 ```高质量的电影信息（如演员、导演等）```
 来回答用户的问题。

2.5.2 调用API

提供文档与代码示例，指导模型使用API，使用代码或者调用外部的API，产生的输出一起输入给模型使用，来进行更精确推理。

例：

 结合```文档与代码示例```
 您可以通过将生成的Python代码/API调用结果括在三重反引号中来进行下面的计算，
  ```代码在这里/API调用结果在这里```
  使用它来执行计算。

注：执行模型生成的代码或API可能本身并不安全，需要一个沙盒代码执行环境来限制不受信任的代码可能造成的危害。

2.6 系统地测试更改

有时候很难判断新的指令或设计是让你的系统变得更好还是更糟。对于小样本量来说，很难区分真正的改进还是偶然运气。也许这种变化可以提高某些输入的性能，但却损害了其他方面的性能，所以建立一个系统测试流程更有必要。

2.6.1 指标评估

以img2code指标对比，需要从页面整体布局、细节、字体等方面，详细评估code生成的好坏

例：

2.6.2 模型评估

把模型输出的结果，统一输入模型进行打分评估。

例：

2.6.3 人工评估

有些美观、简洁等任务较主观，需要人工筛选，根据选定的baseline，给出评价。举例如下：

三、大厂方案

CO-STAR无疑为我们的prompt工作提供了一个非常好的出发点，但对prompt engineering有所了解的同学可以发现，它提供的更多的是针对一些相关简单直观任务的通用方案，缺少了针对复杂的问题的prompt技巧，例如Few-Shot, Though Chain, Self-Reflection。我们转换视角，看一看anthropic、google等其他家公司的prompt技巧，看有没有相关说明来补充CO-STAR方案。

3.1 Anthropic

Anthropic最突出的特点是严谨。在官网资料的最开始就强调，prompt engineering绝大部分工作内容应该放在建立一个完善的评估指标，设计鲁棒的测试用例，而不是编写prompt上。

具体流程如下：

• 定义任务和成功标准

• 开发测试用例

• 设计初步prompt

• 测试prompt

• 调整prompt

• 完善prompt

这里主要关注具体的prompt技巧，整理了如下：

• 清晰直接

• 提供清晰的指令和上下文内容指导模型的输出；

• 复杂任务提供指定时，将其分解为编号步骤或要点；

• 使用示例

• 给出带有完整输出格式的示例，准确性，一致性以及更好的性能；

• 角色化

• 指定分配一个角色，提供角色的清晰详细的背景信息，使大模型以特定方式做出响应，提高其准确性和性能，并调整其语气和举止以匹配所需的上下文（技术含量高，特定的交流风格，更好的基础性能）；

• 标签化

• 使用xml标签；

• 将提示的关键部分（例如说明、示例或输入数据）包装在 XML 标记中，可以帮助 Claude 更好地理解上下文；

• 输入变量和结构化输出处，保证标签描述和内容一致；

• Chain Prompt连锁提示；

• 多步骤，复杂任务；

• 自我反馈输出；

• 并行处理；

• 鼓励模型循序渐进的思考；

• COT

• 更复杂的问题，可以指定思考步骤；

• 显示的使用xml将思考和结果分开， and ；

• 预填模型的输出；

• 类似incontext learning方式，用几句话引导输出；

• 控制输出格式，明确制定输出细节；

• 所需格式的开头预填充 Assistant 字段。当使用 JSON 或 HTML 等结构化格式时，非常有用；

• 重写

• 鼓励模型自反馈；

• 合理利用上下文；

• 数据指令分离；

• 将指令内容单独提供，实际的数据放在随后的输入中。

可以看到绝大部分内容，前面都已经提到。

• 预填模型的输出，应该是其中的特色，可能和Claude独特的训练方式有关，在其他的prompt提示技巧中都很少提及；

• 数据指令分离，是一个很有价值的prompt方式；

• Prompt Generator。

Anthropic最有趣的一部分，是提供了一个称之为“MetaPrompt”的自动化提示生成工具，可以指导 Claude 生成适合您的特定任务的高质量提示。提示生成器作为解决“空白页问题”的工具特别有用，提供测试和迭代的起点，遵循上面提到的所有最佳实践，例如思维链和将数据指令分离。

官网也提到了自动化提示生成工具的缺点：

• 只针对单轮对话有较好的效果；

• 只针对Claude3 Optus模型；

• 并不是最佳指示一个好的基础起点；

MetaPrompt实际上就是一个非常详尽的，提供了大量例子的提示词，由于过长这里就不填写原文。原始链接在这里，可以自行查看：

https://colab.research.google.com/drive/1SoAajN8CBYTl79VyTwxtxncfCWlHlyy9#scrollTo=BOYnM7A3g6HB

个人感觉意义不是很大，宣传的意义为主。

3.2 Google

Google作为老牌大厂，最近提出的Gemini系列模型依然极具竞争力。官方的prompt提示教程依然保持了老牌作风，是三个大厂里面最详尽的，甚至专门是一本四十多页的书，对新手非常友好。

核心的四个要点，可以看到也是和之前的概念如出一辙，但提供了很详细的例子（实际文章中绝大部分都是例子）。

• Persona：人格化

• Task：任务本身

• Context：上下文

• Format：格式

下文就是一个非常好的涵盖四个要点的prompt，每行对应其中一点。

3.3 方案总结

可以看到几个大厂相关的prompt技巧总结，完全可以融入到CO-STAR这个框架中。我们需要强调或者增加的是：

• Persona：人格角色化；

• XML：更多的使用分割符；

• Prefill-respone：预填模型的输出；

• Example：增加例子；

• Response：必要的时候可以置顶输出的长度；

• Reflection ：自我反思；

• COT：Object中让模型在回答问题之前给出较为详细的推理；

• 最重要的是：要有完善的测试集、测试指标，给系统&Prompt做准确的评估；

四、实践示例

我们这里实践的任务，是当前比较火热的Img2code方向，自动化生成前端代码。简单来说输入一张图片，可以在几分钟内将任何图像转换为干净，高质量的的HTML和CSS代码。

之前的代表性项目如微软的sketch2code，尽管在2018年引起了一定关注，但因UI理解不足、生成的代码质量不高等原因逐渐式微，也和当时没有tailwind这种较好的html端直接渲染效果的技术有一定关系，该方案逐渐没落。商业化的产品路线，走向了依靠设计稿进行内容提取的另外一条路线，代表工作阿里的imgcook，腾讯的codefun，但上述问题依然存在。

大模型时代的到来，使这一任务得以简化，并适用于新手和有经验的用户。

新技术主要包括两大部分：

a.内容理解：理解图像的布局和内容。

b.代码输出：生成tailwind风格的HTML文件，并支持高级的JavaScript框架创建动态应用程序（如React/Vue等）。

如下，我们取实际场景的小程序截图为例，实践我们的prompt技巧。使用的原始图片如下：



我们不采用任何技巧，直接instruct gpt4o执行这项工作：

Generate code for a minipp page that looks exactly like this. Return html code and only the full code in <html></html> tags.

得到的图片不成形，大模型无法很好理解，如下：



通过如上Prompt原则优化后，生成的有点小程序的样子，但布局依旧不好。



经过Prompt中的高级技巧CO-STAR优化(下一篇会重点介绍，敬请期待)，整体风格更加接近小程序，对应的prompt如下：

#CONTEXT#
You take screenshots of a reference miniapp page from the user, and then build single page apps using Tailwind, HTML and JS.

##############
OBJECTIVE#
Build a single-page app using Tailwind, HTML, and JS based on a provided screenshot, ensuring it matches the design precisely. Include necessary images and text as specified.

Guidelines to follow
:- Ensure the app looks exactly like the provided screenshot.
<省略部分prompt>

Reference information for images:
<省略部分prompt>
Libraries:
- You can use Google Fonts.
- <省略部分prompt>

#############
#STYLE#
Detailed and precise.
#############
#TONE#
Professional and instructional.

#############
#AUDIENCE#
Developers and technical stakeholders.

#############
#RESPONSE#
<html>
<head>    
   <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <script src="https://cdn.tailwindcss.com"></script>   
    <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.15.3/css/all.min.css"></link>
    </head>
    <body> 
     <省略部分prompt>
     </body>
     </html>Return only the full code in <html></html> tags.
      <省略部分prompt>

再增加COT、Reflection技巧，通过COT给出页面的布局信息，再通过Reflection模型自迭代，生成的布局和细节会更好。



五、进一步

另外，实在不想自己写提示词，也会有些网站可以使用，如：

1）https://www.aishort.top/

2）Awesome chatgpt prompts

https://github.com/PlexPt/awesome-chatgpt-prompts-zh

3）假如自己写了一版Prompt，要自动优化，可参考：

https://promptperfect.jina.ai/interactive

最后，实践中发现，模型本身智能是基础(0->60分)，Prompt提升确实很有用，但更多的是锦上添花(60->90分)。

六、写在结尾

在此向所有在阿里云海外业务-行业解决方案研发Superapp AI项目研发组共同努力的同事们致以诚挚的感谢。正是大家一起持续创新，使得我们能够深入探讨Prompt engineering的前沿领域。希望这篇文章能激发更多的创意，助力大家在大模型的应用与开发中不断探索新的可能性。

搭建垂直领域专属知识问答模型

本方案介绍如何使用向量检索服务（DashVector）结合通义千问大模型来打造基于垂直领域专属知识的问答服务。解决大模型本身在处理特定领域的知识表示和应用时的局限性，为企业提供部署简单、便于集成、实时高效、专业稳定的应用服务。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈