大模型对话常用prompt模板

以下是针对不同场景的 Prompt Engineering 模板及其应用示例，涵盖信息提取、创意生成、逻辑推理等高频需求，结合最佳实践和优化策略：

---

一、基础模板框架

1. 角色定义 + 任务描述 + 输出格式

你是一名[角色]，请根据以下要求完成任务：
- 任务目标：[具体目标]
- 输入内容：[输入数据/背景]
- 输出格式：[JSON/列表/步骤等]
- 约束条件：[字数/风格/排除内容]

示例：

你是一名营养师，请为糖尿病患者设计一份早餐食谱：
- 任务目标：控制升糖指数，保证蛋白质摄入
- 输入内容：患者年龄60岁，偏好中式餐饮
- 输出格式：{ "食谱名称": "", "食材": [], "烹饪步骤": [] }
- 约束条件：避免使用精制糖，步骤不超过5步

2. 链式思考（Chain-of-Thought）

请分步骤解决以下问题，并解释每一步的逻辑：
问题：[具体问题]
步骤1：[第一步分析]
步骤2：[第二步推导]
...
最终结论：[明确答案]

示例：

如何判断一篇论文是否适合投稿到CVPR？
步骤1：分析论文主题与CVPR近年收录范围的匹配度
步骤2：评估实验方法是否包含创新性视觉模型
步骤3：对比实验结果与SOTA指标的差距
最终结论：给出投稿建议（适合/不适合）及理由

---

二、高频场景模板

1. 信息提取与结构化

从以下文本中提取结构化信息：
- 文本内容：[粘贴文本]
- 提取字段：[实体1]、[实体2]、[关系]
- 输出格式：Markdown表格，包含"类别"、"详细信息"两列
- 异常处理：如信息缺失则标记为"未知"

优化技巧：

• 添加示例减少歧义（如类似：| 人物 | 张三 | 职位 | CEO |）
• 使用必须严格基于文本，禁止推测约束幻觉

2. 创意生成

你是一个[角色]，请生成[数量]个[创意类型]，要求：
- 核心主题：[主题关键词]
- 风格参考：[如科幻赛博朋克/古典诗词]
- 避免元素：[过度使用的套路]
- 输出格式：编号列表，每个创意包含标题和50字概述

示例：

作为科幻作家，生成3个短篇故事创意：
- 核心主题：时间循环悖论
- 风格参考：《黑镜》式科技反思
- 避免元素：外星人、超能力

3. 逻辑推理与验证

请验证以下结论是否成立，并按顺序：
1. 复述结论：[原文结论]
2. 列出支持/反对证据（引用公开数据）
3. 逻辑漏洞分析
4. 最终判断：成立/不成立/部分成立

示例：

验证“全球变暖主要原因是太阳活动”：
1. 复述结论：太阳辐射变化是气温上升主因
2. 支持证据：引用IPCC报告中太阳辐射贡献率<10%的数据
3. 漏洞分析：混淆相关性（近年太阳活动平稳但气温持续升高）
4. 结论：不成立

---

三、高级优化策略

1. 动态少样本学习

参考以下示例的输入输出格式，完成新任务：
示例1：
输入：[问题1]
输出：[答案1]
示例2：
输入：[问题2]
输出：[答案2]
新任务：
输入：[你的问题]
输出：

适用场景：

• 模型对任务格式不熟悉时
• 需定制化响应风格（如法律文书/医疗报告）

2. 对抗性提示

请以批判性思维分析以下观点，需指出：
- 至少2个逻辑谬误
- 1个数据来源可靠性问题
- 提出反例或替代解释
观点：[原文内容]

作用：

• 减少模型对错误前提的顺从
• 增强事实核查能力

3. 元提示（Meta-Prompting）

你是一个Prompt优化助手，请：
1. 分析我提供的初始Prompt存在的问题
2. 提出3个改进版本并解释优化点
3. 推荐最适合的版本及使用场景
我的初始Prompt：[你的原始指令]

---

四、效果评估与迭代

1. 评估维度

指标	检查方法	优化手段
相关性	结果是否严格围绕任务目标？	添加必须聚焦于[关键词]
完整性	是否遗漏关键要素？	明确必须包含[要素列表]
可执行性	输出是否可直接应用？	要求以代码/API格式输出

2. A/B测试框架

请对以下两个Prompt版本生成结果，对比：
- Version A：[Prompt A]
- Version B：[Prompt B]
对比维度：准确性、创造性、符合格式要求程度

---

五、学习资源推荐

1. 官方指南
   • OpenAI Prompt Engineering 最佳实践
   • Anthropic Claude 提示设计手册
2. 社区案例库
   • PromptBase：付费Prompt交易市场
   • Awesome ChatGPT Prompts：开源模板库
3. 学术论文
   • 《Prompt Programming for Large Language Models》(arXiv:2102.07350)
   • 《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》(NeurIPS 2022)

---

通过灵活组合这些模板，并持续通过分析-生成-评估循环迭代，可显著提升与大模型的协作效率。建议从简单任务开始实践，逐步增加复杂度。