如何用Prompt技巧激发无限创意-阿里云开发者社区

一、背景

随着新一代模型的不断涌现，如GPT-4和Gemini版本，其在理解上下文方面的能力显著提升，prompt长度和复杂度限制越来越宽泛。在本文中，我们将深入探讨当前最前沿的prompt engineering方案，结合OpenAI、Anthropic和Google等大模型公司的资料，以及开源社区中宝贵的prompt技巧分享，全面解析这一领域的实践策略。这篇文章旨在为您提供丰富而详尽的指南，帮助您在大模型的应用与开发过程中，实现更高级、更精准的互动效果。当然过程中也感谢各位大佬的指导帮助，并在此感谢请教和合作的每个人，就不一一列举了，也欢迎大家的指正和探讨。

二、prompt原则&技巧

首先，最权威的提示词教程，莫过于ChatGPT官方文档里的6个写提示词的建议，如下对文档做了总结。

2.1 指令清晰、详细

首先，指令要清晰。要准确表达你的需求，避免让GPT去猜测你的意图。如果你要生成较短的内容，就要求GPT简短回答；如果不想结果太简单，就用专业标准；不满意格式时，示例你期望的格式；总之减少GPT的猜测，我们可以得到更准确的响应。如何做到指令清晰呢？6个建议如下：

2.1.1 问题里包含更多细节

在向ChatGPT提问时，应包含相关且重要细节，否则，GPT可能会胡乱猜测。例：

不好的提示词：谁是总统？
更好的提示词：谁是 2021 年的墨西哥总统，选举的频率如何？
在向ChatGPT提问的时候，要在问题里，包含相关的、重要的细节。 否则的话，ChatGPT就会给你瞎猜。

不好的提示词： 总结会议记录。 
更好的提示词： 将会议记录总结成一个段落。然后编写演讲者的Markdown列表及其要点。最后，列出演讲者建议的下一步行动或行动项目（如果有）。

2.1.2 让模型角色扮演

指定模型在回复中扮演特定角色。GitHub人设大全：

https://github.com/f/awesome-chatgpt-prompts

例：

不好的提示词：如何控制消极情绪？
更好的提示词：我想让你担任心理健康顾问。我将为您提供一个寻求指导和建议的人，以管理他们的情绪、压力、焦虑和其他心理健康问题。您应该利用您的认知行为疗法、冥想技巧、正念练习和其他治疗方法的知识来制定个人可以实施的策略，以改善他们的整体健康状况。我的第一个请求是“如何控制消极情绪？”

2.1.3 使用分隔符

使用三重引号、XML标签、章节标题等分隔符，帮助划分文本的不同部分，便于大模型更好地理解。

对于简单的内容，有分隔符和没有分隔符，得到的结果，可能差别不大。但是，任务越复杂，消除任务的歧义就越重要。大模型是为我们生成内容的，不要把它的算力，浪费在了理解我们输入的内容上。

例：

用三重引号分隔
将三重引号中的古诗翻译成现代汉语。 """ 关关雎鸠，在河之洲。 窈窕淑女，君子好逑。 参差荇菜，左右流之。 窈窕淑女，寤寐求之。 求之不得，寤寐思服。 悠哉悠哉，辗转反侧。 参差荇菜，左右采之。 窈窕淑女，琴瑟友之。 参差荇菜，左右芼之。 窈窕淑女，钟鼓乐之。 """

用XML标签分隔
您将获得一对关于同一主题的文章(用 XML 标记分隔)，先总结一下每篇文章的论点。然后指出他们中的哪一个提出了更好的论点并解释原因。
<article> 在这里插入第一篇文章</article>

2.1.4 指定完成任务所需的步骤

详细写出任务所需的步骤，可使模型更容易按步骤执行。

例：

使用以下步骤完成用户请求。
第 1 步：在三重引号内的文本中用一句话总结，加前缀“Summary:”。
第 2 步：将摘要翻译成西班牙语，加前缀“Translation:”。
"""
在此插入文本
"""

2.1.5 提供示例

通过示例让模型理解你的需求，多用于难以描述的任务或特殊风格中。

例：

假设你是一个旅行博主，你希望模型能以引人入胜的方式描述各种旅游地点。你可以这样写提示词：
你是一个旅行博主，我会在三重括号内给你提供示例。你模仿示例，写出5个回答。
提示词：告诉我关于上海的事。
""" 
提示词：告诉我关于巴黎的事。
回答：巴黎，犹如一首经久不衰的交响乐，每个角落都充满了艺术与浪漫的气息; 埃菲尔铁塔，卢浮宫，塞纳河都如同乐章，述说着这座城市的历史与未来。
 """

2.1.6 设定回答的长度

要求大模型根据单词/字数、段落数量、要点数量生成回答，这样大模型生成的答案更有条理。

例：

用大约 50 个字总结以下文本，并总结为两个段落，三个要点。
"""
插入文本
"""

2.2 提供参考文本

给模型提供可信的信息来编写答案，或者引用参考文本编写答案，避免胡乱回答。

例：

使用以下文章回答问题。如果找不到答案，回复“我找不到答案”。
"""
插入文章
"""
问题：插入问题

2.3 将复杂任务拆分

将复杂任务分解成简单步骤，方便模型操作，提高准确性。

2.3.1 问题分类

先把这些任务按类型分类，然后给每一种类型的任务都制定一套相应的步骤或者指令。使用这种方法的好处就是，每一次我们只需要关注当前的任务和相应的步骤或者指令，这样就可以降低出错的几率，而且也能节省成本。因为处理大任务需要的电脑运行费用，通常会比处理小任务的费用要高。

例：

您是一个网络专家，将收到客户服务查询。将每个查询分为主要类别和次要类别。主要类别：计费、技术支持、账户管理或一般查询。次要类别：退订或升级、添加支付方式、收费说明、对收费提出异议。根据不同的类别给出详细的解答。
假设客户需要“故障排除”方面的帮助。你将需要处理一些需要技术支持进行故障排查的客户服务咨询。请按照以下步骤帮助用户：
● 让他们检查路由器的所有线缆是否都已连接。注意，线缆随着时间的推移容易松动是常见的问题。
● 如果所有的线缆都已连接，但问题依然存在，请询问他们正在使用的路由器型号。
● 现在你需要指导他们如何重启设备：
  ○ 如果型号是 MTD-327J，建议他们按住红色按钮 5 秒钟，然后等待 5 分钟后再测试连接。
  ○ 如果型号是 MTD-327S，建议他们拔掉电源后再插入，然后等待 5 分钟后再测试连接。
● 如果客户在重启设备并等待 5 分钟后问题依然存在，通过输出 {"IT support requested"} 将他们转接到 IT 支持。
● 如果用户开始提问与此主题无关的问题，那么确认他们是否想结束当前的故障排查聊天，并根据以下方案对他们的请求进行分类

2.3.2 分段总结长文/长对话

分段总结，再汇总，即总结前一部分的时候，带上之前的内容。多轮对话中，这样更利于后面回答的准确生成。

例：

问：请输入内容
回答1： [段落1内容总结]
问2：请输入内容
回答2： [段落2内容总结] + [回答1]
请根据以上格式提供每段的内容，这样能更好地对每一段进行总结，并逐步汇总所有内容，有助于生成最终的回答。

2.4 给大模型时间“思考”

2.4.1 生成自己的答案再下结论

让模型先自行解决问题，之后比较并评估学生答案的正确性，让模型回答更有条理，也可提高准确性。

例：

首先想出你自己解决这个数学题的方法，然后将您的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。在您自己完成问题之前，不要判断学生的解决方案是否正确。

2.4.2 隐藏推理过程

在给用户答案前，模型先在内部思考，不展示部分思考过程，即一个"内心独白（inner monologue）"的技巧。这样同样让模型回答更有条理，提高准确性，也不会干扰用户期望的输出。

例：

按照以下步骤回答用户查询。 
第 1 步 - 首先找出您自己的问题解决方案。不要依赖学生的解决方案，因为它可能不正确。将您为此步骤所做的所有工作用三重引号 (""") 括起来。 
第 2 步 - 将您的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。将您为此步骤所做的所有工作用三重引号 (""") 括起来。 
第 3 步 - 如果学生犯了错误，请确定您可以在不给出答案的情况下给学生什么提示。将您为此步骤所做的所有工作用三重引号 (""") 括起来。 
第 4 步 - 如果学生犯了错误，请向学生提供上一步的提示（三重引号外）。不要写“第 4 步 - ...”，而写“提示：”。

2.4.3 让模型反思回答

让大模型再去找找看有没有之前漏掉的内容，往往能让模型的输出结果，变得更好。

例：

You will be provided with a document delimited by triple quotes. 
Your task is to select excerpts which pertain to the following question: "What significant paradigm shifts have occurred in the history of artificial intelligence." 
Ensure that excerpts contain all relevant context needed to interpret them - in other words don't extract small snippets that are missing important context. 
Please think about your answers and answer carefully.

2.5 使用外部工具

2.5.1 嵌入（embedding）

使用基于嵌入的搜索来实现高效的知识检索，利用外部信息作为其输入的一部分，有助于模型生成更加明智和最新的回答，即RAG(Retrieval-Augmented Generation)。

例：

如果用户提出关于特定电影的问题，结合
```高质量的电影信息（如演员、导演等）```
来回答用户的问题。

2.5.2 调用API

提供文档与代码示例，指导模型使用API，使用代码或者调用外部的API，产生的输出一起输入给模型使用，来进行更精确推理。

例：

结合```文档与代码示例```
您可以通过将生成的Python代码/API调用结果括在三重反引号中来进行下面的计算，
```代码在这里/API调用结果在这里```
使用它来执行计算。

注：执行模型生成的代码或API可能本身并不安全，需要一个沙盒代码执行环境来限制不受信任的代码可能造成的危害。

2.6 系统地测试更改

有时候很难判断新的指令或设计是让你的系统变得更好还是更糟。对于小样本量来说，很难区分真正的改进还是偶然运气。也许这种变化可以提高某些输入的性能，但却损害了其他方面的性能，所以建立一个系统测试流程更有必要。

2.6.1 指标评估

以img2code指标对比，需要从页面整体布局、细节、字体等方面，详细评估code生成的好坏

例：

2.6.2 模型评估

把模型输出的结果，统一输入模型进行打分评估。

例：

请根据评估标准给结果打分，如下：
● 准确性（Accuracy）
  ○ 定义：模型生成的回答是否准确且符合事实。
  ○ 评分标准：
    ■ 0-2分：回答严重不准确或与事实明显不符。
    ■ 3-5分：回答部分正确，但有明显错误或遗漏关键信息。
    ■ 6-8分：回答大部分正确，但有细微错误或偏差。
    ■ 9-10分：回答完全准确且无可挑剔。
● 理解能力（Comprehension）
  ○ 定义：模型是否正确理解了用户提出的问题或指示。
  ○ 评分标准：
    ■ 0-2分：完全没有理解问题，回答与问题无关。
    ■ 3-5分：部分理解了问题，但回答不完全相关。
    ■ 6-8分：大部分理解了问题，但有细微的误解。
    ■ 9-10分：完全理解问题，并能提供相关的回答。
● 生成能力（Generation）
  ○ 定义：模型生成的文本是否流畅、自然，并且符合上下文逻辑。
  ○ 评分标准：
    ■ 0-2分：生成的文本不连贯，逻辑混乱或难以理解。
    ■ 3-5分：生成的文本有部分连贯，但存在明显的逻辑错误或不自然之处。
    ■ 6-8分：生成的文本大部分连贯，逻辑合理，但有少许不自然之处。
    ■ 9-10分：生成的文本完全连贯，自然且逻辑清晰。

2.6.3 人工评估

有些美观、简洁等任务较主观，需要人工筛选，根据选定的baseline，给出评价。举例如下：

三、大厂方案

CO-STAR无疑为我们的prompt工作提供了一个非常好的出发点，但对prompt engineering有所了解的同学可以发现，它提供的更多的是针对一些相关简单直观任务的通用方案，缺少了针对复杂的问题的prompt技巧，例如Few-Shot, Though Chain, Self-Reflection。我们转换视角，看一看anthropic、google等其他家公司的prompt技巧，看有没有相关说明来补充CO-STAR方案。

3.1 Anthropic

Anthropic最突出的特点是严谨。在官网资料的最开始就强调，prompt engineering绝大部分工作内容应该放在建立一个完善的评估指标，设计鲁棒的测试用例，而不是编写prompt上。

具体流程如下：

定义任务和成功标准
开发测试用例
设计初步prompt
测试prompt
调整prompt
完善prompt

这里主要关注具体的prompt技巧，整理了如下：

清晰直接
提供清晰的指令和上下文内容指导模型的输出；
复杂任务提供指定时，将其分解为编号步骤或要点；
使用示例
给出带有完整输出格式的示例，准确性，一致性以及更好的性能；
角色化
指定分配一个角色，提供角色的清晰详细的背景信息，使大模型以特定方式做出响应，提高其准确性和性能，并调整其语气和举止以匹配所需的上下文（技术含量高，特定的交流风格，更好的基础性能）；
标签化
使用xml标签；
将提示的关键部分（例如说明、示例或输入数据）包装在 XML 标记中，可以帮助 Claude 更好地理解上下文；
输入变量和结构化输出处，保证标签描述和内容一致；
Chain Prompt连锁提示；
多步骤，复杂任务；
自我反馈输出；
并行处理；
鼓励模型循序渐进的思考；
COT
更复杂的问题，可以指定思考步骤；
显示的使用xml将思考和结果分开，<thinking> and <answer>；
预填模型的输出；
类似incontext learning方式，用几句话引导输出；
控制输出格式，明确制定输出细节；
所需格式的开头预填充 Assistant 字段。当使用 JSON 或 HTML 等结构化格式时，非常有用；
重写
鼓励模型自反馈；
合理利用上下文；
数据指令分离；
将指令内容单独提供，实际的数据放在随后的输入中。

可以看到绝大部分内容，前面都已经提到。

预填模型的输出，应该是其中的特色，可能和Claude独特的训练方式有关，在其他的prompt提示技巧中都很少提及；
数据指令分离，是一个很有价值的prompt方式；
Prompt Generator。

Anthropic最有趣的一部分，是提供了一个称之为“MetaPrompt”的自动化提示生成工具，可以指导 Claude 生成适合您的特定任务的高质量提示。提示生成器作为解决“空白页问题”的工具特别有用，提供测试和迭代的起点，遵循上面提到的所有最佳实践，例如思维链和将数据指令分离。

官网也提到了自动化提示生成工具的缺点：

只针对单轮对话有较好的效果；
只针对Claude3 Optus模型；
并不是最佳指示一个好的基础起点；

MetaPrompt实际上就是一个非常详尽的，提供了大量例子的提示词，由于过长这里就不填写原文。原始链接在这里，可以自行查看：

https://colab.research.google.com/drive/1SoAajN8CBYTl79VyTwxtxncfCWlHlyy9#scrollTo=BOYnM7A3g6HB

个人感觉意义不是很大，宣传的意义为主。

3.2 Google

Google作为老牌大厂，最近提出的Gemini系列模型依然极具竞争力。官方的prompt提示教程依然保持了老牌作风，是三个大厂里面最详尽的，甚至专门是一本四十多页的书，对新手非常友好。

核心的四个要点，可以看到也是和之前的概念如出一辙，但提供了很详细的例子（实际文章中绝大部分都是例子）。

Persona：人格化
Task：任务本身
Context：上下文
Format：格式

下文就是一个非常好的涵盖四个要点的prompt，每行对应其中一点。

You are a Google Cloud program manager. 
Draft an executive summary email to [persona]
based on [details about relevant program docs]. 
Limit to bullet points.

3.3 方案总结

可以看到几个大厂相关的prompt技巧总结，完全可以融入到CO-STAR这个框架中。我们需要强调或者增加的是：

Persona：人格角色化；
XML：更多的使用分割符；
Prefill-respone：预填模型的输出；
Example：增加例子；
Response：必要的时候可以置顶输出的长度；
Reflection ：自我反思；
COT：Object中让模型在回答问题之前给出较为详细的推理；
最重要的是：要有完善的测试集、测试指标，给系统&Prompt做准确的评估；

四、实践示例

我们这里实践的任务，是当前比较火热的Img2code方向，自动化生成前端代码。简单来说输入一张图片，可以在几分钟内将任何图像转换为干净，高质量的的HTML和CSS代码。

之前的代表性项目如微软的sketch2code，尽管在2018年引起了一定关注，但因UI理解不足、生成的代码质量不高等原因逐渐式微，也和当时没有tailwind这种较好的html端直接渲染效果的技术有一定关系，该方案逐渐没落。商业化的产品路线，走向了依靠设计稿进行内容提取的另外一条路线，代表工作阿里的imgcook，腾讯的codefun，但上述问题依然存在。

大模型时代的到来，使这一任务得以简化，并适用于新手和有经验的用户。

新技术主要包括两大部分：

a.内容理解：理解图像的布局和内容。

b.代码输出：生成tailwind风格的HTML文件，并支持高级的JavaScript框架创建动态应用程序（如React/Vue等）。

如下，我们取实际场景的小程序截图为例，实践我们的prompt技巧。使用的原始图片如下：

我们不采用任何技巧，直接instruct gpt4o执行这项工作：

Generate code for a minipp page that looks exactly like this. Return html code and only the full code in <html></html> tags.

得到的图片不成形，大模型无法很好理解，如下：

通过如上Prompt原则优化后，生成的有点小程序的样子，但布局依旧不好。

You are an expert Tailwind developer
You take screenshots of a reference miniapp page from the user, and then build single page apps 
using Tailwind, HTML and JS.

Please follow these guidelines:
- Ensure the app looks exactly like the provided screenshot.
<省略部分prompt>

Here is the reference information for images:
<省略部分prompt>

In terms of libraries,
- You can use Google Fonts
<省略部分prompt>

Return only the full code in <html></html> tags.
<省略部分prompt>

经过Prompt中的高级技巧CO-STAR优化(下一篇会重点介绍，敬请期待)，整体风格更加接近小程序，对应的prompt如下：

#CONTEXT#
You take screenshots of a reference miniapp page from the user, and then build single page apps using Tailwind, HTML and JS.

#############
#OBJECTIVE#
Build a single-page app using Tailwind, HTML, and JS based on a provided screenshot, ensuring it matches the design precisely. Include necessary images and text as specified.

Guidelines to follow:
- Ensure the app looks exactly like the provided screenshot.
<省略部分prompt>

Reference information for images:
<省略部分prompt>

Libraries:
- You can use Google Fonts.
<省略部分prompt>

#############
#STYLE#
Detailed and precise.

#############
#TONE#
Professional and instructional.

#############
#AUDIENCE#
Developers and technical stakeholders.

#############
#RESPONSE#
<html>
<head>
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <script src="https://cdn.tailwindcss.com"></script>
    <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.15.3/css/all.min.css"></link>
</head>
<body>
  <省略部分prompt>
</body>
</html>
Return only the full code in <html></html> tags. 
<省略部分prompt>

再增加COT、Reflection技巧，通过COT给出页面的布局信息，再通过Reflection模型自迭代，生成的布局和细节会更好。

五、进一步

另外，实在不想自己写提示词，也会有些网站可以使用，如：

1）https://www.aishort.top/

2）Awesome chatgpt prompts

https://github.com/PlexPt/awesome-chatgpt-prompts-zh

3）假如自己写了一版Prompt，要自动优化，可参考：

https://promptperfect.jina.ai/interactive

最后，实践中发现，模型本身智能是基础(0->60分)，Prompt提升确实很有用，但更多的是锦上添花(60->90分)。

六、写在结尾

在此向所有在阿里云海外业务-行业解决方案研发Superapp AI项目研发组共同努力的同事们致以诚挚的感谢。正是大家一起持续创新，使得我们能够深入探讨Prompt engineering的前沿领域。希望这篇文章能激发更多的创意，助力大家在大模型的应用与开发中不断探索新的可能性。

来源 | 阿里云开发者公众号
作者 | 飒爽

如何用Prompt技巧激发无限创意

一、背景

二、prompt原则&技巧

2.1 指令清晰、详细

2.1.1 问题里包含更多细节

2.1.2 让模型角色扮演

2.1.3 使用分隔符

2.1.4 指定完成任务所需的步骤

2.1.5 提供示例

2.1.6 设定回答的长度

2.2 提供参考文本

2.3 将复杂任务拆分

2.3.1 问题分类

2.3.2 分段总结长文/长对话

2.4 给大模型时间“思考”

2.4.1 生成自己的答案再下结论

2.4.2 隐藏推理过程

2.4.3 让模型反思回答

2.5 使用外部工具

2.5.1 嵌入（embedding）

2.5.2 调用API

2.6 系统地测试更改

2.6.1 指标评估

2.6.2 模型评估

2.6.3 人工评估

三、大厂方案

3.1 Anthropic

3.2 Google

3.3 方案总结

四、实践示例

五、进一步

六、写在结尾

热门文章

最新文章

相关课程

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

如何用Prompt技巧激发无限创意

一、背景

二、prompt原则&技巧

2.1 指令清晰、详细

2.1.1 问题里包含更多细节

2.1.2 让模型角色扮演

2.1.3 使用分隔符

2.1.4 指定完成任务所需的步骤

2.1.5 提供示例

2.1.6 设定回答的长度

2.2 提供参考文本

2.3 将复杂任务拆分

2.3.1 问题分类

2.3.2 分段总结长文/长对话

2.4 给大模型时间“思考”

2.4.1 生成自己的答案再下结论

2.4.2 隐藏推理过程

2.4.3 让模型反思回答

2.5 使用外部工具

2.5.1 嵌入（embedding）

2.5.2 调用API

2.6 系统地测试更改

2.6.1 指标评估

2.6.2 模型评估

2.6.3 人工评估

三、大厂方案

3.1 Anthropic

3.2 Google

3.3 方案总结

四、实践示例

五、进一步

六、写在结尾

热门文章

最新文章

相关课程

相关电子书

相关实验场景