原创 AI洞察笔记 2023-09-18 21:26:59 

从学习ChatGPT的prompt提示词以来，一直学习到的prompt技巧都是：

• 你的角色是XX...

• 你现在是一名XXX...

• 你是一名有X年经验的XXX...

• 你会XX，不要YY...

• ...

对于一个完全不会一点prompt技巧的人来说，上面的技巧对于回复的效果确实有着明显提升。看过很多类似“必看的10大prompt技巧”、“价值2万元珍藏的Prompt”后，发现大家都在上面的技巧中做各种排列组合。直到有一天，看到有个大佬发的文章，才发现编写prompts可以像写程序一样，提前预制好，设置各种命令供用户调用，才发现可以像文章或程序一样，结构化的对prompts进行编写和表达。结构化的思想很普遍，结构化内容也很普遍，我们日常写作的文章，看到的书籍都在使用标题、子标题、段落、句子等语法结构。结构化 Prompt 的思想通俗点来说就是像写文章一样写 Prompt。

1

结构化: 对信息进行组织, 使其遵循特定的模式和规则, 从而方便有效理解信息. – by GPT 4

结构化 , 就是将各种想要的, 不想要的, 都清晰明确地表述在设计好的框架结构中:

• 语法

  这个结构支持 Markdown 语法， 也支持 YAML、XML、JSON语法， 甚至纯文本手动敲空格和回车都可以。我个人习惯使用 Markdown 语法, 一方面便于集成在各种笔记软件中进行展示，另一方面考虑到 ChatGPT 的训练语料库中该类型的材料更多一些。

• 结构

  结构中的信息, 可以根据自己需要进行增减, 从中总结的常用模块包括：

  • # Role: <name> : 指定角色会让 GPT 聚焦在对应领域进行信息输出

  • ## Profile author/version/description : Credit 和 迭代版本记录

  • ## Goals: 一句话描述 Prompt 目标, 让 GPT Attention 聚焦起来

  • ## Constrains: 描述限制条件, 其实是在帮 GPT 进行剪枝, 减少不必要分支的计算

  • ## Skills: 描述技能项, 强化对应领域的信息权重

  • ## Workflow: 重点中的重点, 你希望 Prompt 按什么方式来对话和输出

  • # Initialization: 冷启动时的对白, 也是一个强调需注意重点的机会

示例：

# Role: 成语接龙高手

## Profile

- Author: 毅鸣

- Version: v1.0

- Language: 中文

- Description: 玩成语接龙游戏

## 擅长回复中国古典文学中的成语

## 擅长根据用户发送的成语最后一个字作为开头，回复常用成语

## Rules

1. 根据用户发送的成语，回复成语

2. 如用户发送“一鸣惊人”，应该回复“人”开头的四字成语，且回复的成语是常用成语，如回复“人山人海”

## Workflow

1.以”让我们开始玩成语接龙游戏吧，你的第一个成语是？“的方式开头

2.针对用户发送的成语，进行接龙

## Initialization

作为角色 <Role>, 严格遵守 <Rules>, 使用默认 <Language> 与用户对话，友好的欢迎用户。然后介绍自己，并告诉用户 <Workflow>。

2

为了阅读、表达的方便，我们日常有各种写作的模板，用来控制内容的组织呈现形式。例如古代的八股文、现代的简历模板、学生实验报告模板、论文模板等等模板。所以结构化编写 Prompt 自然也有各种各样优质的模板帮助你把 Prompt 写的更轻松、性能更好。所以写结构化 Prompt 可以有各种各样的模板，可以像用 PPT 模板一样选择或创造自己喜欢的模板。

优势一：层级结构：内容与形式统一

• 结构清晰，可读性好

结构化方式编写出来的 Prompt 层级结构十分清晰，将结构在形式上和内容上统一了起来，可读性很好。

• Role (角色) 作为 Prompt 标题统摄全局内容。
• Profile (简介)、Rules（规则） 作为二级标题统摄相应的局部内容。
• Language、Description 作为关键词统摄相应句子、段落。

   

• 结构丰富，表达性好

这种方式写出来的 Prompt更符合人类的表达习惯，与我们日常写文章时有标题、段落、副标题、子段落等丰富的层级结构是一样的。也更符合 ChatGPT 的认知习惯，因为 ChatGPT 正是在大量的文章、书籍中训练得到，其训练内容的层级结构本来就是十分丰富的。

优势二：提升语义认知

结构化表达同时降低了人和 GPT 模型的认知负担，大大提高了人和GPT模型对 prompt 的语义认知。 对人来说，Prompt 内容一目了然，语义清晰，只需要依样画瓢写 Prompt 就行。

对 GPT 模型来说，标识符标识的层级结构实现了聚拢相同语义，梳理语义的作用，降低了模型对 Prompt 的理解难度，便于模型理解 prompt 语义。

属性词实现了对 prompt 内容的语义提示和归纳作用，缓解了 Prompt 中不当内容的干扰。 使用属性词与 prompt 内容相结合，实现了局部的总分结构，便于模型提纲挈领的获得 prompt 整体语义。

优势三：定向唤醒大模型深度能力

使用特定的属性词能够确保定向唤醒模型的深层能力。实践发现让模型扮演某个角色其能大大提高模型表现，所以一级标题设置的就是 Role（角色） 属性词，直接将 Prompt 固定为角色，确保定向唤醒模型的角色扮演能力。也可使用 Expert（专家）, Master(大师)等提示词替代 Role，将 Prompt 固定为某一领域专家。

再比如 Rules，规定了模型必须尽力去遵守的规则。比如在这里添加不准胡说八道的规则，缓解大模型幻觉问题。添加输出内容必须积极健康的规则，缓解模型输出不良内容等。用 Constraints(约束)，中文的 规则 等词替代也可。

优势四：像代码开发一样构建生产级 Prompt

代码是调用机器能力的工具， Prompt 是调用大模型能力的工具。Prompt 越来越像新时代的编程语言。 在生产级 AIGC 应用的开发中，结构化 prompt 使得 prompt 的开发也像代码开发一样有规范。 结构化 Prompt 的这些规范，这些模块化设计，能够大大便利于 prompt 后续的维护升级，便利于多人协同开发设计。像复用代码一样复用 Prompt。 对于某些常用的模块，比如 Rules 是不是可以像复用代码一样实现 Prompt 的复用？是不是可以像面向对象的编程一样复用某些基础角色？同时 Prompt 作为一种文本，也完全可以使用 Git 等工具像管理代码一样对 prompt 进行版本管理。

3

一、全局思维

二、保持上下文语义一致性

包含两个方面，一个是格式语义一致性，一个是内容语义一致性。

格式语义一致性是指标识符的标识功能前后一致。 最好不要混用，比如 # 既用于标识标题，又用于标识变量这种行为就造成了前后不一致，这会对模型识别 Prompt 的层级结构造成干扰。内容语义一致性是指思维链路上的属性词语义合适。 内容语义一致性还包括属性词和相应模块内容的语义一致。

三、有机结合其他 Prompt 技巧

构化 Prompt 编写思想是一种方法，与其他例如 CoT, ToT, Think step by step 等技巧和方法并不冲突，构建高质量 Prompt 时，将这些方法结合使用，结构化方式能够更便于各个技巧间的协同组织。

从 prompting 的角度有哪些方法可以提高大模型在复杂任务上的性能表现呢？

汇总现有的一些方法：

1. 细节法：给出更清晰的指令，包含更多具体的细节

2. 分解法：将复杂的任务分解为更简单的子任务 （Let's think step by step, CoT，LangChain等思想）

3. 记忆法：构建指令使模型时刻记住任务，确保不偏离任务解决路径（system 级 prompt）

4. 解释法：让模型在回答之前进行解释，说明理由 （CoT 等方法）

5. 投票法：让模型给出多个结果，然后使用模型选择最佳结果 （ToT 等方法）

6. 示例法：提供一个或多个具体例子，提供输入输出示例 （one-shot, few-shot 等方法）

4

结构化 Prompt 依赖于基座模型能力，并不能解决模型本身的问题，结构化 Prompt 并不能突破大模型 Prompt 方法本身的局限性。

精彩回顾

1. 掌握这个提示词框架，可随时根据你的具体业务创建一个AI 代理

2. 从零开始：利用ChatGPT创作高效爆款文案模型

3. 用AI帮你写论文，附详细操作步骤

4. AI神器：秒创吸引力满分的公众号标题！

欢迎分享、在看、点赞