一 提示词

（一） 提示词（Prompt）是用户发送给大语言模型的问题、指令或请求，**

1 来明确地告诉模型用户想要解决的问题或完成的任务，是大语言模型理解用户需求并据此生成相关、准确回答或内容的基础。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。

提示词：
请结合《星球崛起》整个系列评价最近刚刚上映的电影《猩球崛起：新世界》

输出：
《猩球崛起：新世界》作为《星球崛起》系列的最新篇章，延续了这一科幻经典IP的传奇，尽管它……
在角色刻画上，《猩球崛起：新世界》似乎得到了积极的反馈，尤其是对于反派和配角的描绘……
对于老粉丝而言，这部电影可能没有提供必须观看的新鲜理由，但对于新加入的观众……
总体而言，《猩球崛起：新世界》在保持系列精髓的同时，尝试了某种程度的软重启，为新老观众都提供了值得一看的科幻体验。虽然可能在创新性上有所欠缺，但它在情感深度、视觉震撼以及对未来叙事线索的铺设上都交出了满意的答卷。

（二）提示词工程

1 研究如何构建和调整提示词，从而让大语言模型实现各种符合用户预期的任务的过程

a 直接提问

原则：

简洁：尽量用最简短的方式表达问题。过于冗长的问题可能包含多余的信息，导致模型理解错误或答非所问。

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，即使是直接提问也不例外。

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，这样才能促使模型提供有意义的回答。

不好的提示词 提示词： 苹果好看吗？ — 输出： 不好意思，我不清楚你所指的“苹果”具体指的是什么，水果还是电子设备。	好的提示词 提示词： 这批红色的苹果水果外观怎么样，新鲜吗？ — 输出： 新鲜。

b 增加示例

提示词中提供少量（通常几个或几十个）示例，也称为少样本提示

未增加示例 提示词： 任务：请根据以下电影评论，判断其情感评价（正面、负面或中性）。 待分类评论：这部电影音乐动人，但剧情略显平淡。 — 输出： 情感评价：中性	增加示例 提示词： 要求：请根据以下电影评论，判断其情感评价（正面、负面或中性）。 示例1：这部电影剧情引人入胜，但特效炸裂。情感评价：正面 示例2：虽然这部电影剧情单调，但特效却非常炸裂。情感评价：负面+正面 示例3：这部电影不好不坏。情感评价：中性 待分类评论：这部电影音乐动人，但剧情略显平淡。 — 输出： 情感评价：正面+负面 解释：评论中提到“音乐动人”属于正面评价，表明了对电影音乐部分的喜爱和赞赏。然而，紧接着的“但剧情略显平淡”则为负面评价，表达了对电影剧情的不满或失望。因此，整体评价是正面和负面情感的混合。

c 分配角色

赋予模型一个具体的角色或身份，如“作为经验丰富的营养师”，来引导模型在特定角色视角下生成回答。

未增加角色 **** 提示词： 请对刚入住的酒店进行评价。 — 输出： 刚入住的这家酒店给我留下了深刻的印象，整体体验非常满意。	增加A角色 + 提示词： 你是一名酒店评论家，请对刚入住的酒店进行评价。 — 输出： 我对刚入住的这家酒店进行了全方位的考察与体验，现就其各项服务与设施作出如下评价： 位置与周边环境：该酒店位于城市中心地带… 建筑与设计：酒店建筑风格独特，融合了… 服务质量：酒店员工专业素养极高，从接待到… 餐饮设施：酒店内设有多家风格各异的餐厅… 休闲与健身设施：酒店配备完善的休闲与健身… 环保与社会责任：酒店在运营过程中展现出… 综上所述，这家酒店凭借其优越的地理位置、独具匠心的设计、卓越的服务质量、丰富的餐饮选择、完善的休闲设施以及对环保与社会责任的积极践行，为宾客打造了一处兼具舒适性、便利性与文化内涵的高品质下榻之所。无论是商务出行还是休闲度假，这里无疑都是理想的选择，我对此给予高度评价。	增加B角色 **** + 提示词： 你是一名刚上小学的学生，请对训练营入住的酒店进行评价。 — 输出： 嗨，我是刚上小学的小朋友，参加了这个训练营，现在我要来分享一下我住的酒店怎么样！ 房间超酷！：哇哦，我的房间就像一个小城堡！… 好吃的食物：酒店的饭菜超级好吃！… 好玩的地方：酒店里有个大大的游戏室… 友好的叔叔阿姨：酒店的叔叔阿姨们都对我很好… 安全又干净：酒店到处都很干净，地板亮晶晶的… 总的来说，我非常喜欢这个训练营入住的酒店，它像一个充满乐趣的大乐园，让我在学习之余还能尽情玩耍，享受到家一般的温馨和舒适。如果下次还有训练营，我一定还想再来这里住！

d 限定输出风格/格式

大语言模型非常善于撰写论文、文章

1. 明确指出所需的内容类型，如“论文/散文/诗歌/新闻报道/剧本/日记”等。
2. 用形容词限定风格，如“严谨客观”、“感性抒情”、“幽默诙谐”、“庄重典雅”等。
3. 列举风格（代表人物/作品）示例，如“仿照鲁迅先生的笔触描述社会现象”或“以J.K.罗琳的叙述风格撰写一段奇幻冒险故事”。
4. 设定语境与情感色彩：为模型设定故事背景、情感基调或角色视角，影响其语言表达和修辞选择，从而形成特定风格。如“以一名二战老兵的视角，深情回忆战场经历”。
5. 规定语言与句式特点：要求使用特定词汇、短语、成语、俚语、古语等，或强调长句、短句、排比、反问、比喻等修辞手法的运用，以契合特定风格。

F 拆解复杂任务（思维链）

一个复杂的任务，拆解成多个稍微简单的任务，让大语言模型分步来思考问题，称为思维链（Chain-of-Thought Prompting, CoT）

---

标准提示 提示词： 小明有20个苹果，吃了两个，又买了5个，小明现在一共有多少苹果？ — 输出： 27	【思维链提示】 提示词： 小明有20个苹果，吃了两个，又买了5个，小明现在一共有多少苹果，通过思维链CoT的方式来分析。 — 输出： 初始小明最初有20个苹果。小明吃了2个苹果后，他剩下20−2=18个苹果。接着，小明又买了5个苹果，所以他现在的苹果数量是 18+5=23个苹果。 因此，通过这个思维链的分析，我们可以得出结论：小明现在一共有23个苹果。

（三）提示词框架

1 框架概念，就是做事、构建事物时的基本结构或大致轮廓

打个比方，盖房子时，框架是由梁柱搭建的“骨架”，决定房子形状与空间布局，后续才考虑装修细节。写文章先列提纲，这提纲就是框架，明确文章分几部分、各部分内容及先后顺序，避免跑题、让结构更合理。日常用的表格，行和列构成框架，规定了信息的填写位置，让信息规整、便于查看整理。 总之，框架是做事前预设的结构或规划，能帮我们有条理、高效地推进后续工作，让事物有清晰架构 。

2 框架要素（专有名词的）

专有名词
指令 Instruction：	需要模型去做什么，如回答某个问题、撰写某种类型的文章或按照特定格式进行总结。指令应该简洁、明确，确保 LLM 能够理解任务的目标和要求
背景信息 Context：	背景信息可以包括任务的背景、目的相关的各类信息，还可以为 LLM 设置角色背景、观点立场等信息，LLM 将在此背景下进行回应或生成文本。
参考样本 Examples：	与解决用户问题相关的示例，比如通过少样本提示的方式帮助 LLM 更好理解如何处理指令
输出指示 Output Indicator：	指定输出的类型或格式，我们可以给出限定关键词、限制条件或要求的输出格式/方式（如表格），也可以避免无关或不期望的信息出现
输入数据 Input Data：	用户输入指令和要求，比如用什么语气，生成多少字的内容。

a 指令，就是给模型下的“紧箍咒”

得简单直白，让它秒懂要回答问题、写文章，还是按格式总结，含糊了模型可就抓瞎。

b 背景信息堪称模型的“秘密武器”

交代任务背景、目的，给它设定角色立场。有了这玩意儿，模型输出内容就有谱，不会跑偏。

c 参考样本则是模型的“模范标兵”

给它类似示例，就像老师教做题，模型照葫芦画瓢，处理指令更得心应手。 输入数据，是咱用户给模型的“独家定制”，语气、字数要求都在这。模型就按要求，精准“营业”。

d 输出指示是给模型画的“标准圈”

规定输出类型、格式，限定关键词、条件，或指定表格形式，杜绝无关信息，让输出规范又漂亮。这下都清楚啦！

（四） 提示词框架示例

背景信息”+“指令”+“输出指示

---

提示词：

背景知识：“阿里云弹性容器实例 ECI（Elastic Container Instance）是敏捷安全的Serverless容器运行服务。您无需管理底层服务器，也无需关心运行过程中的容量规划，只需要提供打包好的Docker镜像，即可运行容器，并仅为容器实际运行消耗的资源付费。”

请参考如上背景知识回答如下问题：

问题：阿里云弹性容器实例 ECI 是用来运行什么的？

回答：分别使用中文和英文回答

---

输出：

中文回答：阿里云弹性容器实例 ECI 是用来运行 Docker 容器的。

英文回答：Alibaba Cloud Elastic Container Instance (ECI) is used to run Docker containers.

（五） 常见提示词框架及场景

框架	具体应用领域（举例子）	内容含义
CRISPE	项目管理、团队协作、客户服务	能力 (Capabilities) 角色 (Roles) 洞察 (Insights) 陈述 (Statement) 个性 (Personality) 实验 (Experiment)
ROSES	软件开发、产品设计、市场营销策略规划	角色 (Role) 目标 (Objective) 场景 (Setting) 预期解决方案 (Expected Solution) 步骤 (Steps)
TRACE	市场研究、业务分析、教学设计	任务 (Task) 请求 (Request) 操作 (Action) 上下文 (Context) 示例 (Examples)

二 推理模型

一 推理模型通常指专门优化用于逻辑推理、问题解决、多步推断等任务的模型

维度	推理模型	通用模型
设计目标	专注于逻辑推理、多步问题求解、数学计算等需要深度分析的任务	面向通用对话、知识问答、文本生成等广泛场景
训练数据侧重	大量数学题解、代码逻辑、科学推理数据集增强推理能力	覆盖百科、文学、对话等多领域海量数据
典型输出特征	输出包含完整推导步骤，注重逻辑链条的完整性	输出简洁直接，侧重结果的自然语言表达
响应速度	复杂推理任务响应较慢（需多步计算）	常规任务响应更快（单步生成为主）

二 高效处理推理模型

• 直接提问：保持提示简洁、清晰，且明确任务限制。
• 避免思维链提示：你无需提示推理模型“逐步思考”或“解释你的推理”，它们本身会进行深入的思考。
• 根据模型响应调整提示词：直接提问推理模型通常能够产生良好的响应，但如果你有更复杂精细的要求，可以在提示词中明确，比如有明确的输入信息和输出要求时，你可以通过增加示例明确这些信息，还可以通过分隔符帮助推理模型区分不同的信息模块。这个过程可以是重复多次的，不断尝试调整提示，让模型不断推理迭代，直到符合你的要求。