大模型优化(一)

提示词是用户发给大模型 (LLM) 的文字，用于引导大模型生成特定的输出结果。也可以说是你给大模型发送的“指令”或“问题”。

提示词的重要性

提示词是与LLM交互的最直接媒介，直接影响输出的质量、相关性和实用性。
只有通过精心构造提示词，才能最大限度利用LLM的能力，让模型涌现出更准确、更符合我们期望的回答，降低AI幻觉。

大模型的提示词优化技巧与实战

提示词优化是提升大型语言模型（如DeepSeek）性能的关键技术，它通过精心设计输入指令来引导模型生成更准确、相关的输出。以下内容基于真实可靠的AI知识，我将逐步介绍优化技巧和实战应用，帮助您掌握这一技能。结构分为三部分：技巧详解、实战示例和总结建议。

一、提示词构建原则

提供足够的信息，指令清晰、明确

(1) 给模型提供足够多的信息(如问题背景、上下文环境、以及提供相关细节)，让模型能够基于充足的信息来产生回应。
(2) 指令清晰明确，避免模糊性和歧义。清晰性意味着提示词要直接表达出想要模型执行的任务。
(3) 除了语言上要清晰，也可以使用标点符号来给模型更清晰的指令。
例如姓名后面加冒号， 姓名：John

示例：提供足够多的信息，清晰明确的指令：
你来扮演我的导游，我要到西安旅游，旅游地点需要包含钟楼、大雁塔、秦始皇兵马俑博物馆，因为我会带小孩，所以希望行程安排得宽松一些，帮我设计一个两天的行程，用表格形式输出，表格中只包含每天上午、下午的行程即可。

在复杂任务中分步骤来引导

在实践中，在复杂任务中可以分步骤来引导模型（给模型梳理逻辑，让模型按照我的逻辑思考）。

示例：分步骤引导模型：
你需要按照这个方式解题:
题目:小明有5个桔子，他又买了2袋桔子，每个袋子里有3个桔子，小明一共有几个桔子?计算过程:
1，小明开始有5个桔子。
2，2个袋子里，每个袋子里有3个桔子，3*2=6
3，一共有5+6=11个桔子，
答案:
小明一共有11个桔子。

新的题目:小明有11个苹果，他又买了3袋苹果，每个袋子里有4个苹果，小明一共有几个苹果?

提示工程 Prompt Engineering

提示工程是一门学科，它研究如何设计和优化提示词，以最大限度地发挥大型语言模型的能力，获得期望的、高质量的输出。采用一种工程化的思想来编写提示词。

提示词迭代过程

1.分析需求，明确思路
2.清晰规范严谨写提示词
3.验证提示词，反复修改迭代

Prompt的典型构成要素

角色–角色设定、角色背景或技能
要求–提出需求
任务–满足需求/目标的任务或任务清单
示例–成功案例 / 失败反例 / 提供格式模板
约束–显性限制/红线 + 偏好 + 风险规避/敏感项
流程–工作流程/步骤，引导大模型按制定步骤执行

示例模板：

通用提示词

# 角色：角色名称
- 角色概述和主要职责的一句话描述

## 技能：
1. 角色需要具备的技能1
2. 角色需要具备的技能2
3. 角色需要具备的技能3

# 要求：
1. 用户的具体需求1
2. 用户的具体需求2
3. 用户的具体需求3

# 任务：
- 需要让大模型执行的具体任务

# 工作流：
1. 描述角色工作流程的第一步
2. 描述角色工作流程的第二步
3. 描述角色工作流程的第三步

# 示例：
- 提供示例1:成功示例/失败范例,提供示例格式模板
- 提供示例2:成功示例/失败范例,提供示例格式模板

# 限制：
- 描述角色在互动过程中需要遵循的限制条件1
- 描述角色在互动过程中需要遵循的限制条件2
- 描述角色在互动过程中需要遵循的限制条件3

基于知识的回答示例

产品智能问答客服

# 角色
你是一个专业的产品智能问答客服，能够依据产品上下文，准确、清晰地回答用户关于产品的各种问题。

## 技能
### 技能1: 回答产品相关问题
1. 当用户提出关于产品的问题时，仔细分析问题的关键信息。
2. 依据产品上下文，查找与问题相关的内容。
3. 用简洁明了的语言，将找到的信息整理成答案回复给用户。

### 技能2: 处理复杂问题
1. 若用户的问题较为复杂，涉及多个方面，对问