告别糟糕的提示词：掌握这五大技巧，让你的大语言模型（LLM）真正理解你

你是否在使用大语言模型（LLM）时，常常感到力不从心，输出结果总是不尽如人意？别灰心！事实上，90% 的 LLM 应用场景并不需要微调或 Agentic AI，你真正需要的是掌握更好的提示词（Prompt）编写技巧。本文将深入探讨五个关键的提示词优化技巧，帮助你有效驾驭 LLM，让它们准确、可靠地完成各种复杂任务，最大化发挥大模型的能力。

1. 清晰明确的指令：告别“读心术”式的提示词

大语言模型虽然智能，但它们并不能读懂你的心思。想要获得理想的输出，最有效的方法就是提供清晰明确的指令，详细说明你希望模型做什么以及如何做。这就好比给一位新入职的员工或临时工下达任务指令，你需要考虑到，对方虽然具备通用的技能和知识，但对你和你的具体应用场景知之甚少。

指令（Instructions）的清晰性至关重要，它是提示词工程的核心。那么，如何才能编写出清晰的提示词呢？这取决于具体的任务细节，但一般来说，可以包含以下关键要素：

任务目标： 明确告诉 LLM 你希望它完成什么任务。例如，“撰写一篇关于区块链技术的科普文章” 比 “写一篇关于区块链的文章” 更清晰。
角色设定： 让 LLM 扮演特定的角色，有助于它更好地理解任务背景和期望的输出风格。比如，“你是一位资深的科技记者，负责撰写深入浅出的科普文章” 。
步骤分解： 将复杂的任务分解成一系列步骤，指导 LLM 逐步完成。例如，针对撰写文章的任务，可以分解为 “1. 收集相关资料； 2. 拟定文章大纲； 3. 撰写初稿； 4. 修改润色”。
限制条件： 明确 LLM 在完成任务时需要遵守的限制条件，避免产生不符合要求的输出。例如，“文章长度限制在 500 字以内”，“避免使用专业术语”。
输出格式： 规定 LLM 的输出格式，例如 “以 Markdown 格式输出”，“以 JSON 格式输出”。

一个实用的技巧是，在编写完提示词后，把自己想象成一个完全不了解该任务的新手，仔细阅读你的提示词，看看是否能够清晰地理解任务要求并有效地完成任务。如果感到困惑，那就说明你的提示词还需要改进。编写清晰的指令可能比较困难，但这是值得投入时间和精力的，它可以显著提高 LLM 的输出质量。

2. 结构化文本：让提示词更易于理解

除了清晰的指令外，使用结构化文本也是优化提示词的有效方法。通过使用 Markdown 和 XML 等标记语言，你可以将提示词组织成清晰的 sections 和层次结构，使 LLM 更容易理解和解析。

Markdown： Markdown 是一种轻量级的标记语言，可以方便地将文本格式化为标题、副标题、列表、代码块等。它非常适合用于构建包含复杂指令的提示词。例如：

# 角色和目标
你是一名资深的内容营销专家。你的目标是根据用户提供的产品描述，撰写引人入胜的社交媒体文案。

# 指令
1. 仔细阅读用户提供的产品描述。
2. 提炼产品的核心卖点和目标受众。
3. 撰写 3-5 条不同风格的社交媒体文案。
4. 每条文案字数控制在 140 字以内。

## 指南
- 突出产品的独特优势和价值。
- 针对目标受众的痛点和需求进行沟通。
- 使用生动形象的语言，吸引用户的注意力。
- 确保文案简洁明了，易于理解和传播。

XML： XML 是一种用于描述数据的标记语言，它允许你为文本添加元数据，从而提供更丰富的信息。在提示词工程中，XML 尤其适合用于提供任务示例和源文档。例如：

<task>
  <description>根据用户提供的产品描述，撰写社交媒体文案。</description>
  <example>
    <user_input>我们的产品是一款智能家居安全系统，可以实时监控家庭环境，并在发生异常情况时及时报警。</user_input>
    <assistant_response>守护您的家，从智能开始！ 我们的智能家居安全系统，实时监控，异常报警，让您安心无忧！</assistant_response>
    <metadata>
      <style>简洁明了，突出产品功能</style>
      <target_audience>注重家庭安全的年轻家庭</target_audience>
    </metadata>
  </example>
</task>

通过使用结构化文本，你可以更清晰地表达你的意图，并为 LLM 提供更多的上下文信息，从而提高输出质量。

3. 提供示例：胜于雄辩

虽然我们可以通过清晰的指令向 LLM 传达大部分信息，但有些任务的细节（例如风格、详细程度）最好通过示例来展示。在提示词中包含任务示例是一种非常有效的方法。

示例通常以输入-输出对的形式呈现，其中输入是真实的用户消息，输出是模型期望的响应。通过向 LLM 展示期望的输出结果，你可以更直观地引导它，并帮助它更好地理解你的需求。

例如，如果你希望 LLM 生成特定风格的文案，可以提供一些示例：

# 任务：根据产品描述撰写广告文案

# 示例
用户输入：我们的产品是一款新型的智能手表，具有健康监测、运动追踪、消息提醒等功能。
模型输出：
选项1：健康生活，腕上掌控！全新智能手表，全方位健康监测，运动追踪，消息提醒，让您随时随地掌握健康状态！
选项2：您的私人健康管家！智能手表，健康监测，运动追踪，消息提醒，贴心呵护您的健康！
理由：这些文案突出了产品的功能和健康价值，使用了简洁明了的语言，并针对健康人群的需求进行了沟通。

然而，需要注意的是，示例会显著增加提示词的长度，从而增加成本和延迟。因此，在添加示例之前，最好先尝试改进指令，看看是否能够达到相同的效果。

4. 提供上下文：赋予 LLM 知识

有些任务需要 LLM 具备其训练数据中没有的专业或专有信息。例如，关于一家公司的特定信息、模型训练截止日期之后发生的事件或深奥的领域知识。在这些情况下，向 LLM 提供源文档和参考资料，可以帮助它更好地理解任务，并生成更准确的响应。

一种常见的应用场景是检索增强生成 (RAG)，在这种方法中，相关数据从知识库中检索出来，并根据需要传递给模型。例如：

# 任务：根据用户的问题，回答关于公司产品的疑问。

# 上下文
<context id="产品手册" source="产品文档">
我们的产品是一款基于人工智能的客户服务平台，可以帮助企业提高客户满意度，降低运营成本。该平台具有以下功能：智能客服、自动回复、情感分析、知识库管理。
</context>

# 用户问题
用户：你们的平台有哪些功能？

另一个提供上下文的好处是，我们可以通过指示 LLM 仅使用提供的上下文并引用其来源来减少幻觉（即模型编造事实、政策、工具等）的发生。

5. 使用 LLM 优化提示词：让 AI 帮助 AI

最后一个技巧是使用 LLM 自身来帮助你编写和改进提示词（又名“元提示”）。这不仅可以帮助你更快地编写提示词，而且 LLM 通常可以通过用自己的话重写提示词来改进它。

一种简单的方法是将提示词的草稿提供给你想要使用的模型，并要求它识别和改进任何不明确的指令。另一种方法是向模型提供糟糕的响应，并要求它反思为什么它会出错以及如何改进提示词。例如：

# 任务：改进以下提示词。

# 原始提示词：
写一篇关于人工智能的文章。

# LLM 的反馈：
该提示词过于宽泛，没有明确的任务目标和输出要求。建议增加以下信息：
1.  文章的受众是谁？
2.  文章的主题是什么？
3.  文章的风格是什么？
4.  文章的长度是多少？

# 改进后的提示词：
为对人工智能感兴趣的初学者撰写一篇 500 字的科普文章，介绍人工智能的基本概念和应用。文章风格应简洁明了，通俗易懂。

虽然元提示很强大，但它不能取代编写好的提示词所需的批判性思维。只有你才知道你希望模型做什么，所以只有你才能引导它走向好的响应。

总而言之，编写更好的提示词是改进 LLM 系统的最佳方法。在这里，我们回顾了五个通用的最佳实践。记住，提示词工程是一个迭代的过程。因此，你的第一个提示词有多好并不重要，重要的是你如何有效地系统地改进它。通过不断地尝试和优化，你将能够充分释放 LLM 的潜力，并将其应用到各种实际场景中。

请记住，掌握这些技巧需要时间和实践。不要害怕尝试不同的方法，并不断迭代你的提示词。随着你的经验的积累，你将能够编写出更有效、更精确的提示词，从而更好地驾驭大语言模型，并将其转化为真正的生产力工具。大模型技术发展日新月异，提示词工程也将不断进化。让我们共同探索，不断精进，充分释放大语言模型的潜力，共同迎接人工智能的未来！

告别糟糕的提示词：掌握这五大技巧，让你的大语言模型（LLM）真正理解你