做GenAI产品，除了要设计好的AI任务流程，合理的拆分业务以外，最重要的就是写好prompt，管理好prompt，持续迭代prompt。

prompt一般有两种形式：结构化prompt和对话式prompt。

结构化prompt的优点是通过规范的结构把任务介绍得很清楚，缺点就是往往很长，比较复杂。而对话式prompt更加简单，更符合日常的说话习惯，缺点是难以一句话描述清楚任务，最后得不到满意的结果，需要进行多轮对话才能获得最终结果。

两种prompt都有自己的适合场景，结构化的prompt更合适用来内置到产品工作流中，由开发者编写、维护，非对话类AI产品基本采用的就是这种复杂的prompt形式。对话式prompt就合适用在chatbot场景，直接由用户发出。

关于对话式prompt，关键是引导用户持续对话下去，很多时候，用户其实是不知道怎么提问的，我们可以通过搜索query推荐策略来给用户推荐话题相关的prompt，当然也可以把上下文丢给大模型并让模型针对上面的对话提出x个最相关的问题。

如果大家对推荐query感兴趣（评论留言），后面我将单独写一篇文章，本文主要关注非对话类（即“任务型”）AI产品的设计，因此下面着重介绍下结构化prompt的设计思路。

1、结构化prompt

结构化prompt一般可以包括以下几个部分：

• 定义角色
• 介绍背景和输入的数据格式
• 提出任务（可能会有多个任务）
• 执行所有任务的步骤
• 定义输出格式
• 给定输出例子

这是一个结构化prompt的大概框架，这个框架可以采用markdown来描述。结构化prompt有两个很关键的地方需要注意，第一个是多任务，第二个就是输出格式的控制。

• 关于多任务：首先，一定要明白在一个prompt里面内置多个任务，绝对不是一个好的选择，除非你有强烈的这样做的理由。但是选择做多任务可以「降低成本」，我相信对大多数独立开发者来说，都是重要的事情。
• 如果在一个prompt同时执行「总结章节」，「抽取highlight」，「抽取关键字」等任务，就是为了让这些事情只需要输入一遍transcript就可以同时获取这些结果。如果单独执行每一个任务，那就需要把相同的transcript数据输入LLM多次，这将会多消耗数倍的成本。
• 但一定要明白，多任务无疑增加了LLM执行的复杂度，这并不符合「尽量给LLM简单、明确、较小的任务的原则」。经过测试，多任务执行的结果质量赶单任务是有差距的，这就需要不断的打磨和权衡吧。
• 关于输出格式控制：由于LLM总结结果是需要在任务型产品页面上进行结构化展示，并不是chatbot那样直接输出给用户，所以这类产品对LLM的输出格式就需要严格定义，并且希望LLM能够稳定且正确的输出。对于程序员来说，一般会选择json作为输出。但考虑到LLM的输出可能不稳定，且偶尔输出的json可能是非法的，这种情况下只能重试LLM，导致浪费token，增加成本。因而，建议选择LLM的输出格式为markdown，并通过以下几点来控制输出，减少重试LLM。

1. prompt中提供输出示例
2. 输出格式使用简单的markdown语法，自己解析markdown
3. 借助编程做好容错处理

2、prompt管理

我们采用模板技术来定义prompt，然后通过模板变量去控制prompt，比如多语言等。使用模板来管理prompt后，就不需要为不同的情况都写一份prompt，只需要抽象好prompt模板+模板变量即可。

3、prompt测试

可以在大模型第一梯队或者专门的prompt playground上测试：

• Open AI playground
• Google AI studio
• Knit - The best beta AI playground for prompt developers

在调试prompt的时候，温度（temperature）应该是最常用的一个选项。也就是设置不同的温度，可能会得到不同的效果。像总结文章这种需求，需要基于原文的事实，那最好是温度设置低一些，倾向0都可以。温度设置得很高，大于1，LLM就会更大概率做自由发挥了。还是看自己的业务场景，以及更多的测试。

4、prompt迭代

在开发AI产品的时候，不要纠结一步到位写好prompt，还是需要将重心放到完成整个业务流程和功能上。prompt的编写也和代码一样，需要持续的迭代、优化。所以，需要好的prompt管理方式，方便持续的迭代、测试改进。

虽然对prompt不断地打磨，调试，并不是一件roi很高的事情，但有时候你又不得不做。

5、实战示例

比如我想做一个文章阅读助手的任务型产品，你可以参考上述结构化prompt的要素来设计prompt模版：

你是一个文章阅读助手，我会给你一个文章链接，请根据以下步骤输出markdown格式的内容：

一、我们一步一步思考，阅读我提供的内容，并做出以下操作：
1、提取文章的元数据
- 标题：
- 作者：
- 标签：（阅读文章内容后给文章打上标签，标签通常是领域、学科或专有名词）
2、一句话总结这篇文章；
3、总结文章内容并写成摘要；
二、精读文章内容，并作出以下操作：
1、请详细地列举文章的大纲，并叙述大纲中每一部分的内容，
2、总结文章的结论；
3、列举读这篇文章，我可以学到哪些知识？
三、好的，接着
1、提取文章中的金句；
2、这篇文章里，作者有哪些独到的见解？

为你提供的文章链接为：{url}

由于国内月之暗面的kimi模型在阅读长文本上表现很好，我在kimi chat上测试了一下，能够比较好满足我们结构化的要求（当然如果输出的格式不满足我们的要求，在prompt设计时可以把预期的示例加上）。

最后，必须强调下，做任务型AI产品最好选择那些在chat bot中很难满足的场景或工作流，否则一旦用户掌握了在chat中使用prompt的方法，任务型AI产品的价值很快就被对话产品覆盖掉。