免费个人运维知识库，欢迎您的订阅：literator_ray.flowus.cn

一、什么是提示词？

提示词（Prompt）是用户发送给大语言模型的问题、指令或请求，明确告诉模型，用户想要解决的问题或完成的任务。对于大语言模型来说，提示词就是用户输入给大语言模型的文本信息。

在这里插入图片描述

二、提示词技巧

2.1 直接提问

直接提问，也称为零样本提示（Zero-Shot Prompting），即不给大语言模型提供案例，完全依靠 LLM 理解和处理能力完成任务。适用于目标明确、问题简单、答案确定且唯一等场景。

直接提问时，可遵循以下原则：

• 简洁：尽量用最简短的方式表达问题。。

• 具体：避免抽象的问题，确保问题是具体的，不含糊。

• 详细上下文：如果问题涉及特定上下文或背景信息，要提供足够的详情以帮助模型理解。

• 避免歧义：如果一个词或短语可能有多重含义，要么明确其含义，要么重新表述以消除歧义。

• 逻辑清晰：问题应逻辑连贯，避免出现逻辑上的混淆或矛盾。

大语言模型的回答可能存在不一致性，其效果受模型的理解与泛化能力限制，尤其在处理复杂、模糊或多义问题时表现不佳，也难以准确把握用户深层意图。

为提高效果，可在提示词中引入以下策略：

• 提供示例样本

• 明确角色设定

• 指定输出风格或格式

• 使用思维链（Chain-of-Thought）或思维树（Tree-of-Thought）进行任务拆解

2.2 增加示例

在提示词中提供少量示例（通常几个到几十个），也称为少样本提示（Few-Shot Prompting），可有效引导模型理解任务与输出要求。具体作用包括：

• 引导模型遵循指定的规范、格式、概念、文法或语气进行输出；

• 为模型提供推理参考，例如辅助数学运算或逻辑推理。

通过示例，模型能够更准确地把握语境和输出样式，提升回答质量。

通过让大语言模型接入专业的术语库，来增强大语言模型的能力，也即检索增强生成（Retrieval-Augmented Generation），简称RAG。

• ​精选代表性样本​：选取典型示例，覆盖任务核心场景，避免极端案例干扰模型学习。

• ​确保示例多样性​：涵盖任务的不同角度与情境，增强模型泛化能力。

• ​统一示例格式​：保持提示结构的一致性，帮助模型清晰理解输入输出关系。

• ​借助LLM生成示例​：可先通过大语言模型自动生成示例，再人工筛选调整，提升质量与针对性。

2.3 分配角色

为模型分配角色主要适用于以下四类场景：

• ​提供专业解答​：当问题需要特定领域的专业知识时，如模拟医生、律师、教师等角色进行回答。

• ​模仿语言风格​：需要生成符合特定人物（如历史名人、文学角色）风格的口吻或文本时。

• ​创意互动与创作​：在角色扮演游戏或创意写作中，让模型扮演指定角色与用户进行互动。

• ​模拟行业决策​：在商业等特定行业内，用于模拟专家（如管理顾问）进行分析并提供决策建议。

为引导模型生成符合情境的对话内容，可通过以下技巧进行角色设定：

• ​定义角色基础​

  • 明确其年龄、职业、性格等基本属性，必要时赋予专业知识或特殊背景（如专家、历史人物等）。

• ​明确角色目标​

  • 设定对话目的（如说服他人、解决问题）和内在动机（如情感需求、价值观），增强真实感。

• ​塑造语言特色​

  • 根据角色背景设定语言风格，包括用词习惯、句式特点、情绪状态（如冷静或幽默）等。

• ​设定行为边界​

  • 规定对话中的约束条件，如禁止人身攻击、需保持礼貌或围绕主题讨论。

• ​保持动态适应​

  • 根据对话进展调整角色设定（如态度转变），并通过反馈及时纠正偏离预期的表现。

2.4 限定输出风格/格式

风格限定技巧​

• ​明确内容类型​：直接指定体裁，如论文、诗歌、新闻报道等。

• ​形容词概括风格​：用“严谨客观”“幽默诙谐”等词定性表达基调。

• ​引用典型范例​：可要求模仿特定人物（如鲁迅）或作品（如J.K.罗琳）的风格。

• ​设定语境与视角​：通过背景、情感或角色（如“二战老兵的回忆”）引导语言表达。

• ​规定语言特征​：指定用词（如古语、俚语）、句式（长短句）或修辞手法（排比、比喻）。

​

格式规范技巧​

• ​控制输出长度​：明确字数或篇幅限制（如“不超过300字”）。

• ​规划段落结构​：规定分段逻辑（如“分引言、主体、结论”）。

• ​使用列表与编号​：要求以项目符号、数字列表等形式组织内容。

• ​规范引用格式​：指定引注标准（如APA格式）或添加注释。

• ​标注格式细节​：包括对齐方式、字体样式、缩进等，甚至可要求JSON等结构化输出。

• ​适配文体模板​：针对邮件、简历等场景，符合其标准格式要求。

2.5 拆解复杂任务

让大语言模型提高分步来思考问题，称为**思维链（Chain-of-Thought Prompting, CoT）**提示。

思维链提示 (Chain-of-Thought, CoT)​​ 的核心要点：

1. ​核心方法​：将复杂任务拆解为多个简单的子步骤，引导大语言模型分步思考和推理。

2. ​关键区别​：不同于直接提问的标准提示，它要求模型展示其得出答案的中间推理过程​（即“解释步骤”）。

3. ​核心价值​：通过模拟人类的逐步推理方式，能显著提升大语言模型在复杂问题上的解决能力和答案准确性。

2.6 使用分隔符号区分单元

在构建复杂提示词时，​使用明确的分隔符划分不同内容单元至关重要，能显著提升大模型对提示结构的解析能力。任务越复杂，合理使用分隔符的效果越明显。

分隔符应选择自然文本中少见、具有高辨识度的符号组合，例如 ###、===、>>>等。其形式没有严格规定，关键在于能清晰标识内容边界，避免被模型误认为是普通文本或标点符号。

以上大部分内容来自阿里云官方文档，仅供学习参考。