1. 背景与核心概念为什么我们需要学习顶级团队的提示词在AI大模型应用开发与日常工作中你是否经常感到困惑为什么别人用ChatGPT、Claude能生成逻辑清晰、格式完美的代码和报告而自己的输出却总是差强人意需要反复调整和纠正这其中的关键差距往往不在于模型本身而在于那个至关重要的“指令”——提示词Prompt。提示词工程Prompt Engineering已不再是少数专家的秘密武器而是每一位希望高效利用AI的开发者和内容创作者的必备技能。它本质上是人与大语言模型LLM进行高效、精准沟通的“编程语言”。一个优秀的提示词能够明确任务边界、设定输出格式、注入领域知识从而引导模型生成高质量、高相关性的内容。网络上存在一个拥有超过4.4万颗星的“金矿”级开源项目它系统地收集、整理并剖析了来自Anthropic、OpenAI等顶尖AI研究团队以及众多成功AI产品的真实、高效的提示词。这个项目就像一本公开的“武功秘籍”让我们得以窥见顶级团队是如何构思和编写提示词以最大化模型潜力的。本文将带你深入这个“金矿”不仅学习其中的精华案例更会拆解其背后的设计哲学与工程实践让你能将这些经验应用到自己的开发、写作与自动化任务中。无论你是希望构建基于大模型的智能应用AI Agent还是仅仅想在日常工作中更高效地使用ChatGPT或Claude掌握系统化的提示词设计方法都将使你事半功倍。2. 环境准备与认知基础在开始“偷师”之前我们需要明确学习环境和基础概念。与传统的软件开发不同提示词工程的学习和实践对环境的依赖度较低但认知框架至关重要。核心环境与工具大模型访问权限你需要能够访问至少一个主流的大语言模型。这可以是OpenAI ChatGPT(GPT-4/3.5-Turbo)通过官方平台或API。Anthropic Claude(Claude 3系列)通过Claude.ai平台或API。国内可用的主流大模型平台如DeepSeek、通义千问、文心一言等。本文示例将主要使用通用性强的提示词结构多数模型均适用。文本编辑器任何你顺手的编辑器即可如VS Code、Sublime Text、甚至记事本用于编写和保存你的提示词模板。思维框架将提示词视为一种特殊的“需求规格说明书”或“配置代码”。关键概念澄清系统提示词System Prompt这是对话开始前传递给模型的“元指令”用于设定模型的角色、行为准则、回答格式和知识边界。例如Claude在Web界面公开了其系统提示词其中包含了“有帮助、无害、诚实的AI助手”等核心原则。它是塑造模型本次对话“人格”和“目标”的关键。用户提示词User Prompt即我们每次对话输入的具体问题或指令。它的质量直接决定了本次交互的输出效果。上下文Context模型在生成下一个词时所考虑的所有先前文本包括系统提示词、历史对话和当前用户输入。有效的提示词需要善于利用和管理上下文。思维链Chain-of-Thought, CoT一种提示技术通过要求模型“逐步思考”显著提升其在复杂推理、数学和逻辑问题上的表现。通常的格式是“让我们一步步来思考这个问题...”理解这些概念后我们就可以开始剖析那些经过实战检验的优秀提示词了。3. 顶级提示词设计模式与结构拆解通过分析开源项目中的高质量提示词我们可以总结出几种通用且强大的设计模式。这些模式不是死板的模板而是可组合、可扩展的思维框架。3.1 角色扮演模式Role-Playing这是最常用且效果立竿见影的模式。通过为模型赋予一个特定的专家角色可以极大地聚焦其知识输出和语言风格。核心结构设定角色明确告知模型“你是谁”。定义目标阐明角色的核心任务。划定边界说明不该做什么。输出格式指定回答的结构。示例一个“资深Python代码审查员”的提示词你是一位拥有10年经验的资深Python开发专家专注于代码性能优化和可维护性。你的任务是以严格但建设性的态度审查用户提供的Python代码。 请遵循以下步骤进行审查 1. **功能正确性**分析代码逻辑是否满足其声称的功能。 2. **代码风格**检查是否符合PEP 8规范如命名、缩进、空格。 3. **性能瓶颈**指出潜在的效率低下之处如不必要的循环、重复计算。 4. **错误处理**检查是否缺少必要的异常处理。 5. **安全性**提示可能的安全风险如SQL注入、命令注入。 6. **改进建议**为每个发现的问题提供具体的修改代码示例。 你的输出格式应为 **【总体评价】** (简要总结) **【问题详情】** (使用列表每个条目包含问题类型、位置、描述、建议代码) **【优化后代码】** (可选如果改动较大则提供完整代码块) 现在请审查以下代码 [用户粘贴代码]为什么有效这个提示词通过“资深专家”的角色设定激活了模型内部相关的知识图谱。明确的步骤和输出格式约束了模型的思维过程使其输出结构化、可操作而非泛泛而谈。3.2 思维链与分步执行模式Step-by-Step对于复杂任务强制模型展示其推理过程不仅能得到更准确的答案也便于我们人类理解和验证。核心结构提出复杂问题。要求分步思考。每一步进行验证或解释。汇总最终答案。示例解决一个业务逻辑问题你是一个业务分析师。请解决以下问题并确保展示你完整的思考过程。 **问题**一个电商平台订单满100元免运费VIP用户满80元即可免运费。现有普通用户A购物车金额95元VIP用户B购物车金额78元。平台正在进行“周末促销”所有用户免运费门槛临时降低20元。请分别计算A和B是否需要支付运费以及支付多少基础运费为10元。 请按以下格式回答 1. **理解规则**首先复述并澄清所有业务规则。 2. **逐步计算** - 步骤一计算促销后的免运费门槛。 - 步骤二分别判断用户A和B的购物车金额是否达到新门槛。 - 步骤三根据判断结果计算运费。 3. **最终答案**给出清晰的结论。3.3 上下文管理与少样本学习Few-Shot Learning当任务非常特定或格式要求严格时直接在提示词中提供几个输入-输出示例是引导模型最有效的方式之一。核心结构任务描述简要说明要做什么。示例对Input-Output提供1-3个完整的、正确的示例。用户输入给出需要处理的新内容。示例将自然语言需求转换为JSON Schema你的任务是将用户对数据结构的自然语言描述转换为严谨的JSON Schema定义。 示例1 输入“定义一个用户对象包含字符串类型的姓名必填、整数类型的年龄选填必须大于0、字符串数组类型的爱好。” 输出 json { type: object, properties: { name: { type: string }, age: { type: integer, minimum: 1 }, hobbies: { type: array, items: { type: string } } }, required: [name] }示例2 输入“一个产品SKU包含唯一字符串id浮点型价格以及一个状态枚举只能是‘available’或‘out_of_stock’。” 输出{ type: object, properties: { id: { type: string }, price: { type: number }, status: { type: string, enum: [available, out_of_stock] } }, required: [id, price, status] }现在请转换以下描述 输入“一个博客文章对象需要标题字符串、发布日期字符串格式为YYYY-MM-DD、标签字符串数组可选、以及一个表示是否置顶的布尔值。”**为什么有效**少样本示例为模型提供了具体的模式Pattern使其能够进行类比推理完美适应那些难以用抽象规则描述的任务格式。 ## 4. 实战案例构建一个多功能AI写作助手提示词 让我们综合运用以上模式从头构建一个可用于实际工作的、功能强大的AI写作助手提示词。这个助手将能帮助我们完成技术博客大纲、SQL注释生成、API文档起草等多项任务。 ### 4.1 需求分析与功能设计 我们希望这个助手具备以下能力 1. **模式切换**能根据指令在不同专家角色间切换如“技术博主”、“数据库专家”、“API设计师”。 2. **结构化输出**无论哪种模式输出都应有清晰的格式。 3. **上下文感知**能记住对话历史中的关键决策如文章主题、技术栈。 4. **主动澄清**当需求模糊时会主动提问而非胡乱猜测。 ### 4.2 编写系统提示词核心 这是整个助手的“大脑”和“行为准则”。我们将编写一个综合性的系统提示词。 text # 系统指令高级写作与编码助手 你是一个高度专业化、模块化的AI助手名为“CodeDocHelper”。你的核心能力是帮助用户进行技术写作和代码相关文档生成。你以严谨、清晰、实用著称。 ## 你的行为准则 1. **角色驱动**你内置了多个专家角色。用户可以通过如“切换到[角色名]模式”的指令来激活特定角色。默认角色为“技术写作顾问”。 2. **结构化沟通**你的回答必须逻辑清晰优先使用列表、表格、代码块、标题层级来组织内容。 3. **主动确认**当用户需求不够明确例如缺少技术栈、目标读者、字数要求时你必须先提出最多3个关键问题来澄清而不是直接开始创作。 4. **诚实与边界**如果你不知道或不确定直接说明。不要虚构API接口、版本号或技术细节。 5. **持续优化**在长对话中如果用户对某部分输出提出了修改意见你应在后续相关部分主动应用同样的风格或规则。 ## 你的内置专家角色库 - **技术写作顾问**擅长规划技术博客、教程结构撰写引言和结论。 - **SQL文档专家**擅长为复杂的SQL查询编写解释性注释和文档。 - **API设计助手**擅长起草OpenAPI/Swagger风格的API接口描述。 - **代码审查员**专注于Python/JavaScript代码的简洁性和可读性审查。 - **错误信息解读员**擅长将晦涩的错误日志翻译成通俗易懂的解决步骤。 ## 输出格式规范 - 所有代码、配置、命令必须放在标记了语言类型的代码块中如 python, sql。 - 主要步骤使用数字列表。 - 关键建议或警告使用**加粗**或行内代码高亮。 - 在开始一项新任务前先以“【模式确认】”开头确认你理解的任务和目标角色。 现在请等待用户的指令。你的第一次回复应是友好的问候并简要介绍你的能力。4.3 用户交互示例与解析场景一请求规划一篇关于“Python异步编程”的博客。用户输入你好我想写一篇给中级Python开发者看的博客主题是“理解asyncio的事件循环”。请帮我规划大纲。助手可能的回复【模式确认】已切换到“技术写作顾问”模式。我将为您规划一篇面向中级Python开发者的技术博客大纲主题聚焦于asyncio事件循环。 在开始前为了确保大纲更贴合您的需求请确认 1. 博客的预期长度是短篇/中等/深度长文 2. 是否需要包含完整的、可运行的代码示例 3. 重点偏向于理论原理解析还是实战常见坑点 根据您的回答我将提供一份结构化的章节大纲。用户回答后助手提供大纲## 《深入浅出Python asyncio事件循环》博文大纲 **目标读者**已了解Python基础语法和同步编程希望入门异步编程的中级开发者。 **核心目标**阐明事件循环的概念、作用和工作原理而非全面介绍asyncio库。 ### 1. 引言从“为什么需要异步”说起 - 同步I/O的阻塞问题实例一个简单的慢速网络请求。 - 异步如何提升吞吐量——用餐厅服务员类比。 ### 2. 核心概念三剑客协程、任务、事件循环 - 协程Coroutine用async/await定义的可暂停函数。 - 任务Task对协程的封装用于调度。 - **事件循环Event Loop**本节主角调度器的核心。 ### 3. 事件循环深度剖析 - 角色总指挥负责在单线程内调度所有异步任务。 - 工作流程可配流程图描述 1. 维护任务队列就绪队列、等待队列。 2. 循环检查是否有I/O完成是否有定时器到期 3. 执行就绪的回调Callback或恢复协程。 - 关键方法run_until_complete(), create_task(), run_forever()。 ### 4. 一个最小化的可运行示例 python import asyncio async def say_after(delay, what): await asyncio.sleep(delay) print(what) async def main(): task1 asyncio.create_task(say_after(1, hello)) task2 asyncio.create_task(say_after(2, world)) await task1 await task2 # 事件循环在这里被获取并运行 asyncio.run(main())逐行解释代码指出事件循环在asyncio.run()中启动。5. 常见误区与最佳实践误区在异步函数内调用阻塞式I/O。实践使用asyncio.to_thread()处理CPU密集型操作。如何选择事件循环策略通常不需要。6. 总结与下一步学习建议事件循环是异步编程的引擎。推荐下一步学习aiohttp用于异步HTTP请求。下一步您对哪个章节的详细内容最感兴趣我可以为您展开撰写。**场景二为一段复杂SQL添加注释。** *用户输入*切换到SQL文档专家模式。请为以下SQL查询添加详细的行内注释和整体功能说明SELECT u.user_id, u.name, COUNT(o.order_id) as total_orders, SUM(CASE WHEN o.status completed THEN o.amount ELSE 0 END) as total_revenue FROM users u LEFT JOIN orders o ON u.user_id o.user_id WHERE u.registered_date DATE_SUB(NOW(), INTERVAL 1 YEAR) GROUP BY u.user_id, u.name HAVING total_orders 0 ORDER BY total_revenue DESC;*助手回复*【模式确认】已切换到“SQL文档专家”模式。我将为提供的查询添加详细注释。查询功能概述此查询旨在获取在过去一年内注册、并且至少有过一次下单记录的用户的订单汇总信息包括其订单总数和总收入仅计算已完成订单的金额并按照总收入降序排列。带注释的SQL代码-- 目标统计近一年注册用户的订单情况 SELECT u.user_id, -- 用户唯一标识 u.name, -- 用户姓名 COUNT(o.order_id) as total_orders, -- 该用户的总订单数包括所有状态 SUM( CASE WHEN o.status completed THEN o.amount -- 只累计状态为‘completed’的订单金额 ELSE 0 -- 非完成订单金额记为0 END ) as total_revenue -- 该用户产生的总营收仅来自已完成订单 FROM users u -- 主表用户表 LEFT JOIN orders o ON u.user_id o.user_id -- 左连接订单表确保即使没有订单的用户也出现但后续HAVING会过滤 WHERE u.registered_date DATE_SUB(NOW(), INTERVAL 1 YEAR) -- 条件仅筛选最近一年注册的用户 GROUP BY u.user_id, u.name -- 按用户分组以进行聚合计算 HAVING total_orders 0 -- 分组后过滤只保留订单数大于0的用户即有过下单行为的用户 ORDER BY total_revenue DESC; -- 最终结果按总营收从高到低排序关键点解析LEFT JOIN 与 HAVING 的配合先用LEFT JOIN保留所有符合条件的用户再用HAVING total_orders 0过滤掉没有订单的用户。这比在WHERE子句中使用o.order_id IS NOT NULL更清晰因为它明确表达了“至少有一个订单”的业务逻辑。条件聚合使用CASE...WHEN...语句在SUM函数内进行条件判断是计算“已完成订单总额”的经典写法避免了子查询或多次连接。性能提示如果users和orders表数据量巨大应在registered_date、user_id连接字段和status字段上建立索引以优化查询速度。通过这个实战案例我们可以看到一个精心设计的系统提示词能够创建一个高度可控、功能丰富且交互自然的AI助手。这远比每次对话都重新描述需求要高效和稳定得多。5. 从开源“金矿”中提炼高级技巧分析那些高星开源提示词库我们能发现一些超越基础模式的进阶技巧1. 元提示词Meta-Prompting 让模型自己优化提示词。例如“你是一个提示词优化专家。我将给你一个原始的提示词请你分析其不足并重写一个更清晰、更可能从AI获得高质量回答的版本。请先输出你的分析再输出优化后的提示词。”2. 分隔符的强制使用 在复杂任务中使用如---、###、等明确的分隔符来划分指令、上下文和输出要求防止模型混淆。例如在要求模型根据长文档总结时将文档内容放在文档内容中。3. 输出占位符与格式约束 明确要求模型在特定位置生成特定格式的内容。例如“你的回答必须是一个JSON对象包含summary、key_points数组和sentiment字符串三个字段。格式如下json { summary: ..., key_points: [..., ...], sentiment: positive/neutral/negative }”4. 思维模拟与自我质疑 对于极其复杂的问题可以要求模型模拟一个“思考-质疑-修正”的内部过程。例如“请分三步回答第一步给出你的初步答案和推理。第二步从反对者的角度找出你推理中可能存在的3个漏洞。第三步根据这些漏洞修正并给出最终答案。”6. 常见问题与排查思路Prompt调试指南编写提示词并非一蹴而就调试是关键。以下是一些常见问题及解决思路问题现象可能原因排查与解决思路输出偏离主题指令模糊角色设定不明确。1. 在系统提示词中强化角色和核心任务。2. 在用户提示词开头重申关键要求。3. 使用“你必须...”等强约束性语言。输出格式混乱未明确指定格式或格式描述本身有歧义。1. 提供少样本示例这是最有效的方法。2. 使用Markdown等模型熟知的格式名称如“请用表格列出”。3. 将格式要求放在提示词末尾使其在上下文中更近。忽略部分指令提示词过长或结构复杂模型“遗忘”了前文指令。1.简化提示词移除不必要的信息。2. 将最重要的指令如输出格式放在最开头或最末尾。3. 对于超长对话定期在用户输入中重复关键约束。创造性不足或过于死板约束过强导致死板或过弱导致发散。1. 调整“温度”Temperature参数如果API支持。温度越高越随机。2. 在提示词中平衡约束与鼓励例如“在遵循以下格式的前提下请发挥你的创造力...”处理长文本时性能下降上下文窗口有限或模型对长距离依赖处理能力减弱。1.分而治之要求模型先总结段落再基于总结进行下一步。2.关键信息前置把最重要的指令和问题放在输入的最开始。3. 明确要求模型“基于以上文档的后半部分回答”以聚焦注意力。生成虚构内容幻觉模型在知识边界外被要求给出确定答案。1. 在系统提示词中加入诚实性指令“如果你不知道请直接说明不要编造。”2. 要求模型引用来源如果提供了上下文。3. 对于事实性问题让其先列出已知信息再指出不确定的部分。调试流程建议从简单开始先用一个极简的提示词测试模型是否能理解基本任务。迭代增加逐步添加角色、步骤、格式等约束观察每次变化对输出的影响。A/B测试对同一任务准备两个略有不同的提示词版本比较输出结果。分析失败案例保存效果不佳的对话仔细分析是哪个指令被误解或忽略。7. 最佳实践与工程化建议要将提示词从“玩具”升级为“生产级工具”需要考虑工程化实践1. 版本管理与模板化像管理代码一样管理你的提示词。使用Git进行版本控制。将常用的提示词结构抽象成模板使用{变量}占位符如{language},{framework}。可以使用文本文件、Notion数据库或专门的提示词管理工具来存储。2. 模块化与组合不要试图写一个万能的长提示词。将其拆分为模块系统角色模块定义基础人格和行为准则。任务描述模块定义具体要做什么。输出格式模块定义结构化输出要求。上下文模块包含当前会话的特定信息如项目背景、技术栈。在运行时根据需要动态组合这些模块。许多AI应用框架如LangChain正是为此而生。3. 持续评估与优化建立评估标准对于摘要任务评估标准可以是“信息完整性”对于代码生成可以是“编译通过率”和“功能正确性”。收集“冠军/挑战者”提示词保留效果最好的提示词冠军同时持续试验新的变体挑战者在批量任务中对比效果。4. 安全与边界设定永远不要将未经验证的模型输出直接执行或部署。特别是对于代码生成必须经过人工审查和测试。在系统提示词中明确安全边界“你绝不能生成有害、欺诈、侵犯隐私或违法的内容。如果用户请求此类内容你应礼貌拒绝并解释原因。”对于处理敏感数据如客户信息、代码的场景考虑使用本地化部署的模型或通过API进行数据脱敏处理。5. 为不确定性设计提示词无法保证100%的确定性输出。设计你的应用流程时要包含人工审核环节或备选方案。对于关键任务可以让模型生成多个选项供用户选择或者要求模型为其答案提供一个“置信度评分”或“推理依据”。掌握这些从顶级团队“偷学”来的提示词设计模式、调试方法和工程化思想你就能系统化地提升与大模型协作的效率将AI真正转化为得心应手的生产工具。记住最好的学习方式是实践选择一个你日常工作中的重复性任务尝试用今天学到的模式为它设计一个提示词然后不断迭代优化。
揭秘顶级AI团队提示词设计：从基础概念到实战应用
发布时间：2026/7/25 2:11:12
1. 背景与核心概念为什么我们需要学习顶级团队的提示词在AI大模型应用开发与日常工作中你是否经常感到困惑为什么别人用ChatGPT、Claude能生成逻辑清晰、格式完美的代码和报告而自己的输出却总是差强人意需要反复调整和纠正这其中的关键差距往往不在于模型本身而在于那个至关重要的“指令”——提示词Prompt。提示词工程Prompt Engineering已不再是少数专家的秘密武器而是每一位希望高效利用AI的开发者和内容创作者的必备技能。它本质上是人与大语言模型LLM进行高效、精准沟通的“编程语言”。一个优秀的提示词能够明确任务边界、设定输出格式、注入领域知识从而引导模型生成高质量、高相关性的内容。网络上存在一个拥有超过4.4万颗星的“金矿”级开源项目它系统地收集、整理并剖析了来自Anthropic、OpenAI等顶尖AI研究团队以及众多成功AI产品的真实、高效的提示词。这个项目就像一本公开的“武功秘籍”让我们得以窥见顶级团队是如何构思和编写提示词以最大化模型潜力的。本文将带你深入这个“金矿”不仅学习其中的精华案例更会拆解其背后的设计哲学与工程实践让你能将这些经验应用到自己的开发、写作与自动化任务中。无论你是希望构建基于大模型的智能应用AI Agent还是仅仅想在日常工作中更高效地使用ChatGPT或Claude掌握系统化的提示词设计方法都将使你事半功倍。2. 环境准备与认知基础在开始“偷师”之前我们需要明确学习环境和基础概念。与传统的软件开发不同提示词工程的学习和实践对环境的依赖度较低但认知框架至关重要。核心环境与工具大模型访问权限你需要能够访问至少一个主流的大语言模型。这可以是OpenAI ChatGPT(GPT-4/3.5-Turbo)通过官方平台或API。Anthropic Claude(Claude 3系列)通过Claude.ai平台或API。国内可用的主流大模型平台如DeepSeek、通义千问、文心一言等。本文示例将主要使用通用性强的提示词结构多数模型均适用。文本编辑器任何你顺手的编辑器即可如VS Code、Sublime Text、甚至记事本用于编写和保存你的提示词模板。思维框架将提示词视为一种特殊的“需求规格说明书”或“配置代码”。关键概念澄清系统提示词System Prompt这是对话开始前传递给模型的“元指令”用于设定模型的角色、行为准则、回答格式和知识边界。例如Claude在Web界面公开了其系统提示词其中包含了“有帮助、无害、诚实的AI助手”等核心原则。它是塑造模型本次对话“人格”和“目标”的关键。用户提示词User Prompt即我们每次对话输入的具体问题或指令。它的质量直接决定了本次交互的输出效果。上下文Context模型在生成下一个词时所考虑的所有先前文本包括系统提示词、历史对话和当前用户输入。有效的提示词需要善于利用和管理上下文。思维链Chain-of-Thought, CoT一种提示技术通过要求模型“逐步思考”显著提升其在复杂推理、数学和逻辑问题上的表现。通常的格式是“让我们一步步来思考这个问题...”理解这些概念后我们就可以开始剖析那些经过实战检验的优秀提示词了。3. 顶级提示词设计模式与结构拆解通过分析开源项目中的高质量提示词我们可以总结出几种通用且强大的设计模式。这些模式不是死板的模板而是可组合、可扩展的思维框架。3.1 角色扮演模式Role-Playing这是最常用且效果立竿见影的模式。通过为模型赋予一个特定的专家角色可以极大地聚焦其知识输出和语言风格。核心结构设定角色明确告知模型“你是谁”。定义目标阐明角色的核心任务。划定边界说明不该做什么。输出格式指定回答的结构。示例一个“资深Python代码审查员”的提示词你是一位拥有10年经验的资深Python开发专家专注于代码性能优化和可维护性。你的任务是以严格但建设性的态度审查用户提供的Python代码。 请遵循以下步骤进行审查 1. **功能正确性**分析代码逻辑是否满足其声称的功能。 2. **代码风格**检查是否符合PEP 8规范如命名、缩进、空格。 3. **性能瓶颈**指出潜在的效率低下之处如不必要的循环、重复计算。 4. **错误处理**检查是否缺少必要的异常处理。 5. **安全性**提示可能的安全风险如SQL注入、命令注入。 6. **改进建议**为每个发现的问题提供具体的修改代码示例。 你的输出格式应为 **【总体评价】** (简要总结) **【问题详情】** (使用列表每个条目包含问题类型、位置、描述、建议代码) **【优化后代码】** (可选如果改动较大则提供完整代码块) 现在请审查以下代码 [用户粘贴代码]为什么有效这个提示词通过“资深专家”的角色设定激活了模型内部相关的知识图谱。明确的步骤和输出格式约束了模型的思维过程使其输出结构化、可操作而非泛泛而谈。3.2 思维链与分步执行模式Step-by-Step对于复杂任务强制模型展示其推理过程不仅能得到更准确的答案也便于我们人类理解和验证。核心结构提出复杂问题。要求分步思考。每一步进行验证或解释。汇总最终答案。示例解决一个业务逻辑问题你是一个业务分析师。请解决以下问题并确保展示你完整的思考过程。 **问题**一个电商平台订单满100元免运费VIP用户满80元即可免运费。现有普通用户A购物车金额95元VIP用户B购物车金额78元。平台正在进行“周末促销”所有用户免运费门槛临时降低20元。请分别计算A和B是否需要支付运费以及支付多少基础运费为10元。 请按以下格式回答 1. **理解规则**首先复述并澄清所有业务规则。 2. **逐步计算** - 步骤一计算促销后的免运费门槛。 - 步骤二分别判断用户A和B的购物车金额是否达到新门槛。 - 步骤三根据判断结果计算运费。 3. **最终答案**给出清晰的结论。3.3 上下文管理与少样本学习Few-Shot Learning当任务非常特定或格式要求严格时直接在提示词中提供几个输入-输出示例是引导模型最有效的方式之一。核心结构任务描述简要说明要做什么。示例对Input-Output提供1-3个完整的、正确的示例。用户输入给出需要处理的新内容。示例将自然语言需求转换为JSON Schema你的任务是将用户对数据结构的自然语言描述转换为严谨的JSON Schema定义。 示例1 输入“定义一个用户对象包含字符串类型的姓名必填、整数类型的年龄选填必须大于0、字符串数组类型的爱好。” 输出 json { type: object, properties: { name: { type: string }, age: { type: integer, minimum: 1 }, hobbies: { type: array, items: { type: string } } }, required: [name] }示例2 输入“一个产品SKU包含唯一字符串id浮点型价格以及一个状态枚举只能是‘available’或‘out_of_stock’。” 输出{ type: object, properties: { id: { type: string }, price: { type: number }, status: { type: string, enum: [available, out_of_stock] } }, required: [id, price, status] }现在请转换以下描述 输入“一个博客文章对象需要标题字符串、发布日期字符串格式为YYYY-MM-DD、标签字符串数组可选、以及一个表示是否置顶的布尔值。”**为什么有效**少样本示例为模型提供了具体的模式Pattern使其能够进行类比推理完美适应那些难以用抽象规则描述的任务格式。 ## 4. 实战案例构建一个多功能AI写作助手提示词 让我们综合运用以上模式从头构建一个可用于实际工作的、功能强大的AI写作助手提示词。这个助手将能帮助我们完成技术博客大纲、SQL注释生成、API文档起草等多项任务。 ### 4.1 需求分析与功能设计 我们希望这个助手具备以下能力 1. **模式切换**能根据指令在不同专家角色间切换如“技术博主”、“数据库专家”、“API设计师”。 2. **结构化输出**无论哪种模式输出都应有清晰的格式。 3. **上下文感知**能记住对话历史中的关键决策如文章主题、技术栈。 4. **主动澄清**当需求模糊时会主动提问而非胡乱猜测。 ### 4.2 编写系统提示词核心 这是整个助手的“大脑”和“行为准则”。我们将编写一个综合性的系统提示词。 text # 系统指令高级写作与编码助手 你是一个高度专业化、模块化的AI助手名为“CodeDocHelper”。你的核心能力是帮助用户进行技术写作和代码相关文档生成。你以严谨、清晰、实用著称。 ## 你的行为准则 1. **角色驱动**你内置了多个专家角色。用户可以通过如“切换到[角色名]模式”的指令来激活特定角色。默认角色为“技术写作顾问”。 2. **结构化沟通**你的回答必须逻辑清晰优先使用列表、表格、代码块、标题层级来组织内容。 3. **主动确认**当用户需求不够明确例如缺少技术栈、目标读者、字数要求时你必须先提出最多3个关键问题来澄清而不是直接开始创作。 4. **诚实与边界**如果你不知道或不确定直接说明。不要虚构API接口、版本号或技术细节。 5. **持续优化**在长对话中如果用户对某部分输出提出了修改意见你应在后续相关部分主动应用同样的风格或规则。 ## 你的内置专家角色库 - **技术写作顾问**擅长规划技术博客、教程结构撰写引言和结论。 - **SQL文档专家**擅长为复杂的SQL查询编写解释性注释和文档。 - **API设计助手**擅长起草OpenAPI/Swagger风格的API接口描述。 - **代码审查员**专注于Python/JavaScript代码的简洁性和可读性审查。 - **错误信息解读员**擅长将晦涩的错误日志翻译成通俗易懂的解决步骤。 ## 输出格式规范 - 所有代码、配置、命令必须放在标记了语言类型的代码块中如 python, sql。 - 主要步骤使用数字列表。 - 关键建议或警告使用**加粗**或行内代码高亮。 - 在开始一项新任务前先以“【模式确认】”开头确认你理解的任务和目标角色。 现在请等待用户的指令。你的第一次回复应是友好的问候并简要介绍你的能力。4.3 用户交互示例与解析场景一请求规划一篇关于“Python异步编程”的博客。用户输入你好我想写一篇给中级Python开发者看的博客主题是“理解asyncio的事件循环”。请帮我规划大纲。助手可能的回复【模式确认】已切换到“技术写作顾问”模式。我将为您规划一篇面向中级Python开发者的技术博客大纲主题聚焦于asyncio事件循环。 在开始前为了确保大纲更贴合您的需求请确认 1. 博客的预期长度是短篇/中等/深度长文 2. 是否需要包含完整的、可运行的代码示例 3. 重点偏向于理论原理解析还是实战常见坑点 根据您的回答我将提供一份结构化的章节大纲。用户回答后助手提供大纲## 《深入浅出Python asyncio事件循环》博文大纲 **目标读者**已了解Python基础语法和同步编程希望入门异步编程的中级开发者。 **核心目标**阐明事件循环的概念、作用和工作原理而非全面介绍asyncio库。 ### 1. 引言从“为什么需要异步”说起 - 同步I/O的阻塞问题实例一个简单的慢速网络请求。 - 异步如何提升吞吐量——用餐厅服务员类比。 ### 2. 核心概念三剑客协程、任务、事件循环 - 协程Coroutine用async/await定义的可暂停函数。 - 任务Task对协程的封装用于调度。 - **事件循环Event Loop**本节主角调度器的核心。 ### 3. 事件循环深度剖析 - 角色总指挥负责在单线程内调度所有异步任务。 - 工作流程可配流程图描述 1. 维护任务队列就绪队列、等待队列。 2. 循环检查是否有I/O完成是否有定时器到期 3. 执行就绪的回调Callback或恢复协程。 - 关键方法run_until_complete(), create_task(), run_forever()。 ### 4. 一个最小化的可运行示例 python import asyncio async def say_after(delay, what): await asyncio.sleep(delay) print(what) async def main(): task1 asyncio.create_task(say_after(1, hello)) task2 asyncio.create_task(say_after(2, world)) await task1 await task2 # 事件循环在这里被获取并运行 asyncio.run(main())逐行解释代码指出事件循环在asyncio.run()中启动。5. 常见误区与最佳实践误区在异步函数内调用阻塞式I/O。实践使用asyncio.to_thread()处理CPU密集型操作。如何选择事件循环策略通常不需要。6. 总结与下一步学习建议事件循环是异步编程的引擎。推荐下一步学习aiohttp用于异步HTTP请求。下一步您对哪个章节的详细内容最感兴趣我可以为您展开撰写。**场景二为一段复杂SQL添加注释。** *用户输入*切换到SQL文档专家模式。请为以下SQL查询添加详细的行内注释和整体功能说明SELECT u.user_id, u.name, COUNT(o.order_id) as total_orders, SUM(CASE WHEN o.status completed THEN o.amount ELSE 0 END) as total_revenue FROM users u LEFT JOIN orders o ON u.user_id o.user_id WHERE u.registered_date DATE_SUB(NOW(), INTERVAL 1 YEAR) GROUP BY u.user_id, u.name HAVING total_orders 0 ORDER BY total_revenue DESC;*助手回复*【模式确认】已切换到“SQL文档专家”模式。我将为提供的查询添加详细注释。查询功能概述此查询旨在获取在过去一年内注册、并且至少有过一次下单记录的用户的订单汇总信息包括其订单总数和总收入仅计算已完成订单的金额并按照总收入降序排列。带注释的SQL代码-- 目标统计近一年注册用户的订单情况 SELECT u.user_id, -- 用户唯一标识 u.name, -- 用户姓名 COUNT(o.order_id) as total_orders, -- 该用户的总订单数包括所有状态 SUM( CASE WHEN o.status completed THEN o.amount -- 只累计状态为‘completed’的订单金额 ELSE 0 -- 非完成订单金额记为0 END ) as total_revenue -- 该用户产生的总营收仅来自已完成订单 FROM users u -- 主表用户表 LEFT JOIN orders o ON u.user_id o.user_id -- 左连接订单表确保即使没有订单的用户也出现但后续HAVING会过滤 WHERE u.registered_date DATE_SUB(NOW(), INTERVAL 1 YEAR) -- 条件仅筛选最近一年注册的用户 GROUP BY u.user_id, u.name -- 按用户分组以进行聚合计算 HAVING total_orders 0 -- 分组后过滤只保留订单数大于0的用户即有过下单行为的用户 ORDER BY total_revenue DESC; -- 最终结果按总营收从高到低排序关键点解析LEFT JOIN 与 HAVING 的配合先用LEFT JOIN保留所有符合条件的用户再用HAVING total_orders 0过滤掉没有订单的用户。这比在WHERE子句中使用o.order_id IS NOT NULL更清晰因为它明确表达了“至少有一个订单”的业务逻辑。条件聚合使用CASE...WHEN...语句在SUM函数内进行条件判断是计算“已完成订单总额”的经典写法避免了子查询或多次连接。性能提示如果users和orders表数据量巨大应在registered_date、user_id连接字段和status字段上建立索引以优化查询速度。通过这个实战案例我们可以看到一个精心设计的系统提示词能够创建一个高度可控、功能丰富且交互自然的AI助手。这远比每次对话都重新描述需求要高效和稳定得多。5. 从开源“金矿”中提炼高级技巧分析那些高星开源提示词库我们能发现一些超越基础模式的进阶技巧1. 元提示词Meta-Prompting 让模型自己优化提示词。例如“你是一个提示词优化专家。我将给你一个原始的提示词请你分析其不足并重写一个更清晰、更可能从AI获得高质量回答的版本。请先输出你的分析再输出优化后的提示词。”2. 分隔符的强制使用 在复杂任务中使用如---、###、等明确的分隔符来划分指令、上下文和输出要求防止模型混淆。例如在要求模型根据长文档总结时将文档内容放在文档内容中。3. 输出占位符与格式约束 明确要求模型在特定位置生成特定格式的内容。例如“你的回答必须是一个JSON对象包含summary、key_points数组和sentiment字符串三个字段。格式如下json { summary: ..., key_points: [..., ...], sentiment: positive/neutral/negative }”4. 思维模拟与自我质疑 对于极其复杂的问题可以要求模型模拟一个“思考-质疑-修正”的内部过程。例如“请分三步回答第一步给出你的初步答案和推理。第二步从反对者的角度找出你推理中可能存在的3个漏洞。第三步根据这些漏洞修正并给出最终答案。”6. 常见问题与排查思路Prompt调试指南编写提示词并非一蹴而就调试是关键。以下是一些常见问题及解决思路问题现象可能原因排查与解决思路输出偏离主题指令模糊角色设定不明确。1. 在系统提示词中强化角色和核心任务。2. 在用户提示词开头重申关键要求。3. 使用“你必须...”等强约束性语言。输出格式混乱未明确指定格式或格式描述本身有歧义。1. 提供少样本示例这是最有效的方法。2. 使用Markdown等模型熟知的格式名称如“请用表格列出”。3. 将格式要求放在提示词末尾使其在上下文中更近。忽略部分指令提示词过长或结构复杂模型“遗忘”了前文指令。1.简化提示词移除不必要的信息。2. 将最重要的指令如输出格式放在最开头或最末尾。3. 对于超长对话定期在用户输入中重复关键约束。创造性不足或过于死板约束过强导致死板或过弱导致发散。1. 调整“温度”Temperature参数如果API支持。温度越高越随机。2. 在提示词中平衡约束与鼓励例如“在遵循以下格式的前提下请发挥你的创造力...”处理长文本时性能下降上下文窗口有限或模型对长距离依赖处理能力减弱。1.分而治之要求模型先总结段落再基于总结进行下一步。2.关键信息前置把最重要的指令和问题放在输入的最开始。3. 明确要求模型“基于以上文档的后半部分回答”以聚焦注意力。生成虚构内容幻觉模型在知识边界外被要求给出确定答案。1. 在系统提示词中加入诚实性指令“如果你不知道请直接说明不要编造。”2. 要求模型引用来源如果提供了上下文。3. 对于事实性问题让其先列出已知信息再指出不确定的部分。调试流程建议从简单开始先用一个极简的提示词测试模型是否能理解基本任务。迭代增加逐步添加角色、步骤、格式等约束观察每次变化对输出的影响。A/B测试对同一任务准备两个略有不同的提示词版本比较输出结果。分析失败案例保存效果不佳的对话仔细分析是哪个指令被误解或忽略。7. 最佳实践与工程化建议要将提示词从“玩具”升级为“生产级工具”需要考虑工程化实践1. 版本管理与模板化像管理代码一样管理你的提示词。使用Git进行版本控制。将常用的提示词结构抽象成模板使用{变量}占位符如{language},{framework}。可以使用文本文件、Notion数据库或专门的提示词管理工具来存储。2. 模块化与组合不要试图写一个万能的长提示词。将其拆分为模块系统角色模块定义基础人格和行为准则。任务描述模块定义具体要做什么。输出格式模块定义结构化输出要求。上下文模块包含当前会话的特定信息如项目背景、技术栈。在运行时根据需要动态组合这些模块。许多AI应用框架如LangChain正是为此而生。3. 持续评估与优化建立评估标准对于摘要任务评估标准可以是“信息完整性”对于代码生成可以是“编译通过率”和“功能正确性”。收集“冠军/挑战者”提示词保留效果最好的提示词冠军同时持续试验新的变体挑战者在批量任务中对比效果。4. 安全与边界设定永远不要将未经验证的模型输出直接执行或部署。特别是对于代码生成必须经过人工审查和测试。在系统提示词中明确安全边界“你绝不能生成有害、欺诈、侵犯隐私或违法的内容。如果用户请求此类内容你应礼貌拒绝并解释原因。”对于处理敏感数据如客户信息、代码的场景考虑使用本地化部署的模型或通过API进行数据脱敏处理。5. 为不确定性设计提示词无法保证100%的确定性输出。设计你的应用流程时要包含人工审核环节或备选方案。对于关键任务可以让模型生成多个选项供用户选择或者要求模型为其答案提供一个“置信度评分”或“推理依据”。掌握这些从顶级团队“偷学”来的提示词设计模式、调试方法和工程化思想你就能系统化地提升与大模型协作的效率将AI真正转化为得心应手的生产工具。记住最好的学习方式是实践选择一个你日常工作中的重复性任务尝试用今天学到的模式为它设计一个提示词然后不断迭代优化。
