Prompt工程的通用框架以及案例解析：模型本身智能才是关键，Prompt仅用做锦上添花

Prompt工程这个词在ChatGPT刚出来那会儿特别的火，特别是网上一度流行的各种prompt工程师的招聘广告，动辄一个月上万，甚至几个W。

但是这股风其实来的快，散的更快。

因为Prompt对于一个问题的回答的作用可能是从60分涨到75分，或者80分，但是不可能再高了，原因就是大模型本身的智能程度决定了回答的上下限。

同样的一个问题，不同大模型的回答水平差异非常的大。

比如我们用一个非常简单的例子，就问大模型「如何学习Python？」

Google的Bard给出的回答是这样的，非常宽泛且没有具体的学习内容。

Claude给出的回答也一般。

而GPT4就不一样了，你可以看到它给出的回答是言之有物的，你可以根据它的回答进行比较细化的查找，而不是全都是泛泛而谈，说了跟没说一样。

你看ChatGPT 3.5版本的输出就是不如GPT4.0的输出。

其实很简单，智能程度就体现在细节，细节越多，越难实现。

这里就是我想说的，与其去琢磨各种各样的Prompt技巧，不如先用最强的大模型，因为大模型的智能程度才是决定回答质量的主要因素。

而且钻研prompt能力你可能很快封顶了，还要面临更多的竞争压力。但算法相关岗位，需求最大，薪资最高，优秀的AIGC算法工程师年薪高达96w以上，所以我更推荐钻研算法，去学习AI大模型的相关知识。如果你还不知道怎么入门大模型，那我建议听听汇视威开展的AI大模型公开课，课程会带你学习大模型背后的技术原理，LangChain、Fine-tune技术，从理论实践，到深度讲解，带你全程体验微调过程，定制属于自己的大模型。课上还能直接对话AI技术大佬，现场答疑，干货满满！

🔥2024大模型公开课👉技术原理+模型训练+应用场景扫描下方二维码获取

如果你用了一个很笨的大模型，你的Prompt就是雕成花都没太大用。

相反，即便你的prompt看起来一点儿都不够精美，但是聪明的大模型大概率是可以输出不错的结果的。

我们其实只需要根据一个结构比较固定的Prompt模板就可以获得不错的输出。

Elavis Saravia框架和CRISPE框架是两种用于提升语言模型输出质量的prompt工程方法。下面是这两种框架的详细解释和它们的共性总结，以及回一个综合框架的提议和案例。

Elavis Saravia 框架

Instruction（指令）：明确模型需要执行的特定任务，如生成文本、翻译语言或创作不同类型的内容。
Context（上下文）：为模型提供理解请求所需的背景信息。例如，在要求模型生成特定主题的文本时，提供有关该主题的信息。
Input Data（输入数据）：模型处理的具体数据。例如，在翻译任务中，提供要翻译的英文句子。
Output Indicator（输出指示）：指示期望的输出类型或格式。例如，在文本生成任务中，指定输出为一段文字。

CRISPE 框架

Capacity and role（能力和角色）：定义模型应扮演的角色，如专家、创意作家或喜剧演员。
Insight（洞察）：提供模型理解请求所需的背景信息和上下文。
Statement（声明）：明确模型执行的特定任务。
Personality（个性）：定义模型回答请求时的风格或方式。
Experiment（实验）：通过提供多个答案的请求来迭代，以获得更好的答案。

这两个框架的共性在于它们都强调了清晰指示（任务和角色）、上下文信息的重要性以及输出格式的指定。

综合这些元素，我们可以创建一个更实用的框架，为了使综合框架更简单易懂和操作，我们可以将其简化为以下几个关键步骤。

简化的综合框架

明确任务：直接指出你需要模型做什么。例如：“写一个故事”、“回答一个问题”、“解释一个概念”。
设定角色和风格：简短描述模型应采用的角色和风格。例如：“像专家一样”、“幽默地”、“正式地”。
提供背景信息：给出足够的信息，让模型了解任务的上下文。例如：“关于环保”、“在古罗马背景下”。
指定输出格式：告诉模型你期望的回答形式。例如：“一段文本”、“列表”、“步骤说明”。

操作指南

步骤1（明确任务）：思考你需要模型完成的具体任务，尽量具体。例如：“请写一个关于节约用水的短故事”。
步骤2（设定角色和风格）：考虑任务最适合的表达方式和语气。例如：“用一个小孩的视角，轻松幽默地讲述”。
步骤3（提供背景信息）：如果任务涉及特定的主题或需要特定知识，提供相关的背景信息。例如：“在一个干旱的城市里”。
步骤4（指定输出格式）：明确你想要的输出类型。例如：“三段话，每段不超过五句话”。
我们可以实验一下，比如我们就按照上面的prompt去测试一下：

可以看到基本上可以比较正确的输出想要的结果，并且每一点都按照预想的输出匹配上了。

我们可以再测试一下改变其中的某一个环节，比如角色和风格，我们可以换一个动物的视角：

基本上也顺利的实现了。

可以看到「任务」+「角色和风格」+「背景信息」+「输出格式」都是必不可少的关键词。

大模型辅助Prompt生成以及优化
方法很简单，就是「你的要求+简化的综合模版」

GPT4会根据你的要求生成一个简单的模版。

你可以对于生成的模版进行微调，比如你的北京并不是初级水平，而是高中水平，想要考雅思，它就会自动的调整模版。

然后根据调整过后的模板生成内容。

你可以根据根据现有的输出进行微调，比如每一部分提供具体的学习资料等，这样可以让整个备考计划更具有可行性。

从想要学英语，到最后输出一个计划，其实你可以看到我们是经过了多轮对话才实现的，而这个实现的过程其实就是Prompt 工程的缩影。

因为Prompt不是一件一蹴而就的事情，没有人可以一次性写出一个完美的prompt，来来回回的调试是非常的正常的。

你需要的做的就是记住这个基本框架，然后一次次的跟ChatGPT对话就行了。

最后，选一个聪明的大模型，事半功倍。