提示词工程基础

什么是Prompt 工程​

提示词（Prompt）是一种指令、疑问或陈述，旨在指导或指示语言模型产生特定的文本回应。提示词是用户与语言模型互动的起始点，它清晰地表达了用户的意图，并且希望模型以有价值和相关的方式作出反应。通过精心构思的Prompt，我们能够指导大型语言模型（LLM）更准确地把握用户的意图，产生更精确、有用的答复。

在与大型模型互动时，由于用户可能缺乏经验或模型之间存在差异，可能会遇到不合适的提示词（Prompt）问题。因此，需要通过提示词工程，让用户能够引导模型的输出，产生相关性高、精确且高质量的文本。这与机器学习的过程相似，需要进行反复的迭代。

让我们以一个教育领域的实际场景为例，设想我们的目标是让模型创作一篇关于现代教育技术的文章。一开始，我们可能只给出一个简单的提示词：“创作一篇关于现代教育技术的文章。” 但模型可能只会提供一些泛泛的信息，缺乏深度或专业性。通过提示词工程的迭代过程，我们会逐步改进提示词。

例如，我们首先可能会尝试明确指定一些关键词：“以在线学习平台为焦点，创作一篇现代教育技术文章。” 这样，模型更有可能产生与在线学习平台相关的深入内容。在评估模型的输出时，我们可能发现某些内容仍然不够精确或不符合我们的期望。因此，在下一步迭代中，我们可以进一步细化提示词：“以在线学习平台为焦点，探讨其在提升教育公平性中的作用，创作一篇深入的教育技术报道。”

通过这种反复的迭代过程，我们不仅让模型更准确地理解我们的需求，也提升了生成内容的相关性和质量。这个案例展示了提示词工程的迭代过程，通过调整指令和任务描述，逐步优化模型的输出，使其更能满足特定场景的需求。

如何编写 Prompt​

Prompt 主要构成要素​

• 引导语或指示语：告诉模型您希望它执行哪种类型的任务，比如回答问题、提出建议、创作文本等。
• 上下文信息：提供足够的背景信息，以便模型能够更好地理解和处理请求。上下文信息可能包括具体情境、相关数据、历史对话信息等内容。
• 任务描述：明确地描述你期望模型执行的任务。它可以是一个问题、一个命令性语句或者是一个场景描述。
• 输出格式指示：如果您对输出结果有特定的格式要求，应在prompt中说明。比如，您可以指定输出应该是列表形式、一段连贯的文本还是一系列步骤等。
• 限制条件：设置一些约束条件，指导模型避免某些类型的回答或者引导模型产生特定风格的内容。例如，可以限制回答的字数、要求避免使用专业术语等。
• 样例输出：提供一个或多个例子可以帮助LLM理解所期望的输出类型和质量。
• 结束语：如果有必要，可以使用结束语来标示prompt的结束，尤其是在连续的对话或者交互中。

这些要素并不是每个prompt都必须包含的，但根据特定的需求和上下文，合适地结合这些要素可以提高LLM生成的文本质量和相关性。

Prompt 设计方法​

①明确的任务指示​

a. Prompt应该清晰地定义你希望LLM完成的任务，内容要尽可能清晰、具体，避免出现歧义。

任务指示不明确的prompt	指示明确的prompt
我想知道如何提高学生的学习成绩。	请列出五种有效的学习方法，并解释每种方法如何帮助学生提高学习成绩。
给我一些关于课堂管理的建议。	请列出五个课堂管理技巧，并详细说明每个技巧如何在实际教学中应用。

b. 指定完成任务的步骤：如果有明确的步骤，通过指定完成任务需要的步骤，可以帮助LLM遵循正确的操作流程，从而更精确地生成回应。

无任务完成步骤的prompt	有任务完成步骤的prompt
写一篇关于如何提高学生学习成绩的文章。	为了写一篇关于如何提高学生学习成绩的文章，请遵循以下步骤：1. 定义学习成绩并解释其重要性。2. 列出影响学习成绩的主要因素。3. 讨论不同学习方法的优缺点。4. 提出具体的提高学习成绩的策略和方法。
帮我设计一节课的教学计划。	为了设计一节课的教学计划，请按照以下步骤：1. 确定课程目标和学习目标。2. 选择合适的教学材料和资源。3. 制定详细的教学流程和时间安排。4. 设计评估和反馈机制。5. 准备补充活动和作业。请根据这些步骤提供一个完整的教学计划。

②提供充分的上下文信息​

a. 提供背景信息或具体情境，帮助LLM更好地理解任务。

无具体情景	有具体情景
请阐述量子物理的基本原理及其在解释微观粒子行为中的核心作用，并举例说明量子力学中体现其非经典性的奇特现象。	在高年级物理课程中，学生们正在探索微观世界的行为规律。现在，请详细解释一下量子物理这一理论是如何描述和理解原子、分子等微观粒子的运动状态以及相互作用，并给出一个或两个著名的量子力学现象作为例子来帮助他们深入理解这一概念。
解释课堂管理的策略。	在一次教师培训工作坊上，教师们希望学习有效的课堂管理策略。请详细解释五个课堂管理技巧，并说明每个技巧在实际教学中的应用实例。

b. 角色指定： 指定模型应扮演的角色，这有助于设定LLM回答的特定的语气和风格。

无角色指定	有角色指定
解释如何使用布卢姆分类法进行教学评估。	作为教育专家，向一组新教师解释如何在教学评估中有效使用布卢姆分类法，详细说明各个层级的应用方法和实际案例。
描述学术诚信的重要性。	以大学教授的身份，向一群新生讲述学术诚信的重要性，解释违反学术诚信的后果，并提供保持学术诚信的具体建议。

c. 提供一些参考信息：对于一些涉及到专业知识的问题，在prompt里提供相关的专业参考资料能够增强模型。

对于该问题背景和上下文的理解，有助于减少错误或不准确信息（即“幻觉”）的生成，提高回答的质量和准确性。这种参考内容可能包括专业术语解析、行业标准、理论依据、实际案例或研究数据等。

无参考信息	有参考信息
解释如何实施项目式学习。	请根据《项目式学习：让学生成为学习的主人》一书的内容，解释如何在课堂上实施项目式学习。参考书籍章节如下：·章节1：项目式学习的基本概念；·章节2：设计有效的项目。
描述如何进行基于探究的科学教学。	请根据《探究式科学教学手册》中关于科学探究的原则和步骤，详细描述如何在课堂中实施基于探究的科学教学。参考手册内容如下：·手册部分：探究的五个基本步骤；·具体实例：应用探究式教学的案例分析。

③利用分隔符​

分隔符的应用能有效地划分输入prompt的多个段落，这样做可以显著提升LLM对每一部分的识别和理解能力。

无分隔符	有分隔符
请分析以下学生反馈的情感倾向："这门课程非常有趣，但有时候作业太多了，让我感到压力很大。"	```请分析以下学生反馈的情感倾向：``````学生反馈："这门课程非常有趣，但有时候作业太多了，让我感到压力很大。"
请对以下教师的教学反思进行摘要，分析教学效果，并提取所有重要改进建议。反思内容：“在这学期的教学中，我尝试了新的教学方法，学生们的参与度有所提高，但在掌握基础知识方面还有待加强。未来我计划增加更多基础知识的练习，并定期进行小测验以检验学生的掌握情况。”	请对提供的教学反思内容进行以下分析：- 文本摘要：提供反思内容的简短摘要。- 教学效果分析：评价教学方法的效果。- 重要改进建议：列出反思中提到的所有改进建议。教学反思内容：“在这学期的教学中，我尝试了新的教学方法，学生们的参与度有所提高，但在掌握基础知识方面还有待加强。未来我计划增加更多基础知识的练习，并定期进行小测验以检验学生的掌握情况。”

④使用固定格式​

如果你需要LLM生成或处理一系列相似的信息，提供一个明确的格式可以增加效率和一致性。例如：

请针对以下三门课程：数学，物理，化学，提供每门课程的最新教学资源。格式如下：课程 - 资源名称 - 主要内容。

⑤提供示例​

a. 给出输出示例：提供一个示例将有助于LLM理解期望的结果。特别是在有特定的输出格式要求时，给出示例有助于LLM遵循输出要求。

请根据以下格式给我推荐三本教育相关的书籍：
书名：[书名]
作者：[作者]
出版年份：[年份]
简短描述：[描述]
示例输出：
书名：《教育心理学》
作者：安妮塔·伍尔福克
出版年份：2010
简短描述：这本书详细介绍了教育心理学的基本理论和实际应用，为教师提供了有价值的教学指导。

b. 给出任务样例：该方法也称为小样本学习（few-shotlearning），是指在训练模型时仅使用极少量的样本数据进行学习和推理的任务。给出任务相关的样例可以带来如下优势：

• 直观展示：样例提供了一个直观的输出模板，帮助模型理解任务的具体要求。
• 减少误解：通过样例，模型可以更准确地把握用户的意图，减少对指令的误解。
• 提高一致性：样例确保了输出的一致性，使得模型生成的回答遵循相同的格式和风格。
• 简化指令：有时候，一个简单的样例比复杂的指令更容易被模型理解和执行。

无任务样例的prompt	有任务样例的prompt
请将以下学生反馈分类为积极、中性或消极。反馈内容：[用户提供的反馈内容]	请根据以下样例将学生反馈分类为积极、中性或消极：样例1：反馈内容：这门课非常有趣，我学到了很多新知识。分类：积极 样例2：反馈内容：这门课有时很无聊，但内容还是很有用的。分类：中性 现在，请对以下学生反馈进行分类：反馈内容：[用户提供的反馈内容]

⑥让模型进行思考再回答​

又名思维链（Chain-of-thought）prompting，目的是引导LLM逐步展示其解决问题或推理的逻辑步骤，而不仅仅是直接给出最终答案。通常的方法是：在提出问题后，在prompt的最开始或者结尾部分加上类似“让我们一步一步思考”或“逐步分析”("Let's think step by step.")的语句来引导模型先给出思考过程，再给出答案。

以解决数学题为例： 一个正方形和一个等边三角形的周长相等。如果正方形边长是4厘米，求等边三角形的边长。

Prompt:

一个正方形和一个等边三角形的周长相等。如果正方形的边长是4厘米，求等边三角形的边长。让我们一步一步思考。

Response：

首先，我们来计算正方形的周长。正方形的周长等于四条边之和，因为正方形的四条边都相等，所以：周长 = 4 * 边长 周长 = 4 * 4厘米周长 = 16厘米由于题目中说这个正方形和等边三角形的周长相等，所以等边三角形的周长也是16厘米。对于等边三角形来说，周长等于三条边之和，而等边三角形的三条边也都相等，所以：周长 = 3 * 边长 16厘米 = 3 * 边长现在我们解这个方程，得到等边三角形的边长：边长 = 周长 / 3 边长 = 16厘米 / 3边长 = 5.333...厘米所以，等边三角形的边长大约是5.33厘米（保留到小数点后两位）。

采用这种方法，大型语言模型（LLM）不仅提供了答案，还展示了其思考过程，使得最终的解答更加清晰和易于理解。在处理那些需要分步解答或需要明确展示思考路径的复杂问题时，推荐采用思维链（Chain of Thought, CoT）提示法。适用的常见场景包括但不限于以下几个方面：

1. 数学题目解答：比如，解决代数、几何、统计学中的难题，模型需要逐一展示每一步的计算过程和思考逻辑。
2. 逻辑推理：包括演绎推理和归纳推理，模型需要逐步展示得出结论的推导过程。
3. 复杂问答系统：处理那些需要深入理解文本内容并进行综合分析才能回答的问题，例如因果推理、情境分析等。
4. 编程问题解答：在缺乏代码执行环境的情况下，让模型使用自然语言来描述解决编程问题的具体步骤。
5. 教育辅导与学习支持：模拟教学过程，逐步阐释解题方法，帮助学生掌握问题背后的逻辑。
6. 专业领域决策支持：在法律、医学、工程等专业领域，模型通过逐步分析案例背景、相关法规或专业知识来提供决策建议。
7. 多步骤决策游戏策略：在棋类游戏或其他需要多步规划的情境中，利用CoT技术展示每一步决策的依据和整体战略设计。

组合使用多种prompting技巧​

以上多种写prompt的技巧可以组合使用。下面是一个组合使用 背景信息 + 引导语或指示语 + 输出格式指示 + 样例输出的例子：

例子​

Prompt

请以教育专家的身份，总结出三种提高课堂互动的方法。请按照以下格式提供建议：

- 方法名称：[方法名称]
- 具体步骤：[具体步骤]
- 应用实例：[应用实例]

示例：

- 方法名称：小组讨论
- 具体步骤：
  1. 将学生分成小组，每组4-5人。
  2. 提出一个讨论问题或主题。
  3. 让每个小组讨论并记录他们的观点。
  4. 每个小组派代表在全班分享讨论结果。
- 应用实例：在历史课上，教师让学生讨论某一历史事件的原因和影响，每个小组分享他们的见解。

现在，请你总结出三种提高课堂互动的方法。

Response

- 方法名称：角色扮演
- 具体步骤：
  1. 为学生分配不同的角色，与课程主题相关。
  2. 提供角色背景和情境。
  3. 让学生在角色扮演中互动，讨论或解决问题。
  4. 进行角色扮演后的反思和讨论。
- 应用实例：在英语课上，教师让学生扮演不同职业的人物，进行模拟面试，增强口语表达能力。
- 方法名称：即时反馈
- 具体步骤：
  1. 使用学生响应系统（如投票器或在线问卷）。
  2. 在课堂上提出问题，学生即时作答。
  3. 实时展示统计结果并进行讨论。
  4. 根据反馈调整教学进度和内容。
- 应用实例：在数学课上，教师使用在线投票系统，让学生即时回答问题，了解学生对新概念的掌握情况。
- 方法名称：游戏化教学
- 具体步骤：
  1. 设计与课程内容相关的游戏或竞赛。
  2. 设定游戏规则和奖励机制。
  3. 组织学生参与游戏，在竞争中学习。
  4. 总结游戏结果，回顾知识点。
- 应用实例：在生物课上，教师设计了一个“生物知识竞赛”，通过问答和小游戏，复习重要的生物学概念和术语。

通过这种方式，LLM能够提供更具体、详细和有用的建议，帮助教师有效地提高课堂互动。

其他注意点​

在进行以上 prompt 工程时，为了寻找比较满意效果的 prompt ，还可以注意以下几点：

1. 多提供关键词​

关键词能够和指令提示相结合，以创建更具体和有针对性的生成文本。

示例：

Prompt：

你是一位数学老师，请根据我提供的主题，为六年级学生设计一个与主题相关的数学问题，要求包含题干、步骤和答案。题干和步骤应满足以下四个要求：

1. 题目难度适中，符合六年级学生的认知水平；
2. 题干必须清晰简洁；
3. 步骤详细，有助于学生理解解题思路；
4. 答案准确无误。

接下来我将提供给你我的主题：分数加减法。

Response：

题干：某班同学在一次数学竞赛中，有5名同学的得分分别为4/5、3/4、7/8、2/3和5/6，求这5名同学的总得分。 步骤：

1. 将所有分数化为相同的分母；
2. 将分数相加；
3. 将结果化简。 答案：471/120

2. 把事情说详细​

在工作中，往往也是上级安排的命令和要求越详细，我们完成的工作才能越加符合他们的预期。在训练大模型时亦是如此，将要点都详细的告诉大模型往往效果会更好。

参照上一个 prompt 中，我们给出了非常详细且严格的题目格式要求，从而限制大模型的输出内容。

3. 指定输出长度​

在生成文本时，若我们需要限定字数，此时需要告诉大模型相关信息，避免生成字数过少或过多。

示例：

Prompt：

请用200字左右总结以下内容：学生在课堂上的表现是老师评价学生的重要依据之一。课堂表现不仅反映学生的学习态度和能力，还能揭示他们的兴趣和特长。通过观察学生在课堂上的表现，老师可以更好地了解学生的需求，从而有针对性地进行教学调整。同时，积极的课堂表现有助于学生建立自信，提高学习效果。因此，课堂表现是学生综合素质评价的重要方面。

Response：

学生的课堂表现是老师评价的重要依据，反映了学生的学习态度、能力、兴趣和特长。通过观察课堂表现，老师可以了解学生需求，进行教学调整，帮助学生建立自信，提高学习效果。因此，课堂表现对学生综合素质评价至关重要。

4. 长文本用总结​

在我们输入一段很长文本给大模型时，由于字数限制大模型可能无法全部读取，此时我们能将全篇文本进行分段，将前面内容让大模型总结从而将总结的内容衔接后面的内容，达到层层递进理解的效果。

示例：

假设我们有一篇长篇教育研究论文，总字数超过了大模型一次性处理的限制。我们可以将论文分成若干段落，每次输入一个段落给大模型。比如：

Prompt：

请帮我总结三引号中的内容，要求简要概括要点。'''在一个小学生课堂上，老师通过游戏方式教授数学知识，学生们表现出极大的兴趣和积极性。'''

Response：

老师通过游戏方式教授数学，小学生们表现出极大的兴趣和积极性。

接着，我们将上一段的总结和下一段输入给大模型：

Prompt：

请帮我总结三引号中的内容，要求简要概括要点。'''老师通过游戏方式教授数学，小学生们表现出极大的兴趣和积极性。这样的教学方式不仅激发了学生的学习热情，还提高了他们的数学成绩。'''

Response：

老师通过游戏教学方式激发了学生的学习热情，提高了他们的数学成绩。

这样逐步输入并总结，大模型能够逐渐理解并保持对整个长文本的准确理解。

5.COSTAR框架​

CO-STAR 框架，由新加坡政府科技局数据科学与 AI 团队创立，是一个实用的提示构建工具，他的结构如下所示：

• (C) 上下文：为任务提供背景信息 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。
• (O) 目标：明确你要求大语言模型完成的任务 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。
• (S) 风格：明确你期望的写作风格 你可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或 CEO。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。
• (T) 语气：设置回应的情感调 设定适当的语气，确保大语言模型的回应能够与预期的情感或情绪背景相协调。可能的语气包括正式、幽默、富有同情心等。
• (A) 受众：识别目标受众 针对特定受众定制大语言模型的回应，无论是领域内的专家、初学者还是儿童，都能确保内容在特定上下文中适当且容易理解。
• (R) 响应：规定输出的格式 确定输出格式是为了确保大语言模型按照你的具体需求进行输出，便于执行下游任务。常见的格式包括列表、JSON 格式的数据、专业报告等。对于大部分需要程序化处理大语言模型输出的应用来说，JSON 格式是理想的选择。

以下是一个示例

标题：【小龙虾节盛宴即将开启，邀您共享美食狂欢！】
(C) 上下文：随着夏季的到来，为了丰富大家的餐饮生活，我们的校园食堂特别策划了一场别开生面的小龙虾节。此次活动旨在为师生们提供一个品尝美味、放松心情的好去处，同时也是庆祝学期过半，给大家带来一次味蕾的享受和精神的放松。
(O) 目标：本文旨在宣传食堂小龙虾节的活动详情，包括活动时间、地点、特色菜品以及参与方式等，吸引广大师生前来参加，体验这一独特的美食盛宴。
(S) 风格：文章采用轻松活泼的风格撰写，以吸引年轻群体的注意力，同时穿插一些趣味元素和小龙虾小知识，增加阅读趣味性。
(T) 语气：整个文章保持积极向上、诱人食欲的语气，通过形象生动的描写和热情洋溢的文字，传递出一种欢乐和期待的氛围。
(A) 受众：主要面向学校师生，同时也欢迎校外美食爱好者参与其中，特别是那些对小龙虾情有独钟的朋友们。
(R) 响应：文章结构清晰，先介绍活动背景和目的，再详细介绍活动内容和亮点，最后以参与方式和期待语作为总结。

6. 图像生成模型 Prompt 工程​

使用结构化的提示语：在使用图像生成工具时，应采用精确、具体的视觉描述而非抽象概念。明确、清晰的结构化提示词可以帮助文生图应用创造出更高质量的图像。

• 主体: 人、动物、建筑、课堂、实验等
• 媒介: 照片、绘画、插图、雕塑、涂鸦、图表、报告等
• 环境: 竹林、荷塘、沙漠、月球上、水下、实验室、操场、图书馆等
• 光线: 自然光、体积光、霓虹灯、工作室灯等
• 颜色: 单色、复色、彩虹色、柔和色等
• 情绪 : 开心、生气、悲伤、惊讶、兴奋、专注、好奇、困惑等
• 活动：奔跑、翻滚、讨论、实验、阅读等
• 构图/角度: 肖像、特写、侧脸图、航拍图等

基于 Prompt 的格式化结果

输出与正则表达式提取

在具体的问题解决中，特别是在 AI 技术的原生应用领域，对输出结果进行格式化是至关重要的一步。格式化输出不仅有助于维持结果的一致性，而且能够确保输出的数据可以被后续的分析和处理程序正确识别和使用。大语言模型很容易产生并包含多余信息的答案，这些答案虽然在语言上是正确的，但却不符合特定的格式要求，从而无法直接用于进一步的数据处理流程。

以一个具体的应用场景为例。我们希望模型能够指明一位学生说的话是“正确”还是“错误”。如果仅仅使用一个简单直接的 Prompt，通过文字方式表达需求，例如：

“请判断1+1=3是否正确，正确请使用'正确'表示，错误请使用'错误'表示，请仅输出'正确'和'错误',请勿输出其他任何信息”

▎代码1

user_input = "请判断1+1=3是否正确，正确请使用'正确'表示，错误请使用'错误'表示，请仅输出'正确'和'错误',请勿输出其他任何信息"
response = erniebot.ChatCompletion.create(
    model='ernie-3.5',
    messages=[{
        'role': 'user',
        'content': user_input
    }])
print(response.get_result())
回答1：
在标准数学逻辑中，1+1=3是不正确的。

这样的指令可能仍然不足以保证模型输出的结果完全符合预期。AI 模型可能会产生包含额外解释或不必要信息的响应，干扰数据的自动化处理。

而实际上，如果使用 Prompt 基本组成部分中的结果，能够完善的生成结果：

"请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用'正确'表示，错误请使用'错误'表示 \n 输出格式：\n###是否正确\n{是否正确} "

▎代码2

user_input = "请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用'正确'表示，错误请使用'错误'表示 \n 输出格式：\n###是否正确\n{是否正确}"
response = erniebot.ChatCompletion.create(
    model='ernie-3.5',
    messages=[{
        'role': 'user',
        'content': user_input
    }])
print(response.get_result())
回答2：
###是否正确
错误

当多个需求需要实现时，也可以通过 Prompt 基础本组成部分实现，例如希望 AI 在判断的同时，能够指出学生的具体错误：

▎代码3

user_input = "请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用'正确'表示，错误请使用'错误'表示 \n 输出格式：\n###是否正确\n{是否正确} \n###学生的错误\n{学生的错误}"
response = erniebot.ChatCompletion.create(
    model='ernie-3.5',
    messages=[{
        'role': 'user',
        'content': user_input
    }])
print(response.get_result())
回答3：
###是否正确
错误
###学生的错误
学生的错误在于他们的加法计算不准确。他们认为1+1=3，但实际上1+1=2。

在基于大模型生成固定格式的输出结果后，一种常见的方式是基于正则表达式提取对应信息。正则表达式是一种强大的文本处理工具，它允许用户定义一种搜索模式，然后在文本中匹配这种模式。由于它们具有高度的灵活性和功能性，正则表达式成为了在自然语言处理、数据挖掘、日志文件分析等众多领域，从结构化或半结构化文本中提取信息的常用方法。

▎代码4

import re
text = response.get_result()
pattern_correctness = re.compile(r'###是否正确\n(.*?)\n###学生的错误', re.DOTALL)
pattern_error = re.compile(r'###学生的错误\n(.*)', re.DOTALL)
correctness_result = pattern_correctness.search(text)
error_result = pattern_error.search(text)
is_correct = correctness_result.group(1).strip() if correctness_result else None
student_error = error_result.group(1).strip() if error_result else None
print(f"{is_correct}")
print(f"{student_error}")
回答4：
错误
1+1=3是不正确的。因为根据数学的运算规则，1+1应该等于2而不是3。这个错误可能是因为学生在进行加法运算时发生了混淆或者疏忽。

在格式化生成大模型回复时，我们使用’###'作为提取标识，这样的格式化标签可以作为文本块的起始点，为正则匹配提供了明确的锚点。这种明确的标记方式，简化了正则表达式的编写。通过使用 Python 的 re 模块，可以实现基于大模型的特定信息提取。

参考：

Prompt工程指南 | 华东师范大学开发者平台