在大模型（LLM）技术日新月异的今天，如何有效地利用它们已经成为一个关键议题。我长期以来一直在试验AI和学习算法，远在ChatGPT和其他大型语言模型出现之前，我就使用前沿技术为公司网站构建定制的情感分析器。通过不断的试错，我总结出了一些经验教训。本文将基于Dustin Andrews的文章，深入探讨在使用大模型时常见的11个Prompt陷阱，并提供相应的解决方案，帮助你优化Prompt，提升AI的响应质量和效率，让大模型真正为你所用。

1. 系统Prompt：打造专属AI助手

一个优秀的系统Prompt能够显著提升大模型的响应质量。它就像是给AI助手设定一个清晰的角色和行为准则。Andrews指出，最好的系统Prompt应该简洁明了，明确角色，并设定规则。

他分享了一个通用的系统Prompt：“你是一个言简意赅，不事后诸葛亮的助手。”这个Prompt可以避免AI助手过度解释、冗长回复，从而获得更直接的答案。

针对更专业的需求，可以采用以下模板：

“你是一位持怀疑态度且善于分析的同事，担任资深XXX专家，目标是帮助我规划和交付XXX。

规则：

• 执行：

  • 避免使用破折号“—”
  • 保持简洁直接，确保清晰完整
  • 专注于建设性批评，并扮演魔鬼代言人
  • 在保持清晰度的同时，尽可能缩短回复
  • 尽可能使用主动语态
  • 用对话式英语回复

• 禁止：

  • 不要使用口语
  • 不要使用地区性短语
  • 没有评论性意见
  • 没有赞美或肤浅的友好
  • 没有中文字符
  • 没有表情符号”

这个Prompt明确了AI的角色，并详细规定了其行为方式。值得注意的是，你需要根据自己使用的LLM的特性进行调整，比如Deepseek-r1容易随机出现中文字符，就需要特别禁止。

实际应用中，系统Prompt的优化是一个迭代过程。不断尝试不同的角色设定和规则，观察AI的响应，才能找到最适合自己需求的系统Prompt。

2. Prompt长度：精简至上

冗长的Prompt常常会让大模型感到困惑。虽然现在的上下文窗口越来越大，但这并不意味着我们可以随意堆砌信息。

Andrews指出，在共享Prompt的场合，经常看到长达数千字的“杰作”，但这往往会适得其反。Prompt应该尽可能地精简、清晰。

为什么Prompt越短越好？

• 降低噪声： 过多的信息会干扰大模型对关键信息的理解。
• 提高效率： 更短的Prompt意味着更少的Token，可以节省计算资源和时间。
• 增强一致性： 精简的Prompt更容易被大模型理解和执行，从而获得更一致的结果。

精简Prompt的关键在于抓住核心需求，去除冗余信息。可以将Prompt拆解成更小的单元，逐步优化。

3. 自我理解：避免让AI理解自身

试图让大模型创建、改进或简化Prompt，效果往往不佳。虽然我们人类可能能够清晰地表达自己的学习方式和需求，但大多数人并不擅长这一点，而且没有意识到。

大模型在理解如何Prompt自身方面表现糟糕，并且会很乐意地虚构大量详细且错误的指令。

Andrews建议，可以将其作为初步尝试，尤其是在要求其总结长Prompt时。大模型擅长总结，但不要指望它能理解自己的工作原理。

这意味着我们需要主动思考如何更好地表达我们的需求，而不是依赖AI来理解它自己。

4. AI语言：使用大模型喜欢的格式

大模型偏爱Markdown和Outline结构。这意味着我们需要模仿它们喜欢的格式，以提升Prompt的效果。

Andrews举例说明，以下Prompt的效果可以得到优化：

“想出 500 个符合 {此处主题} 主题的单词。确保它们是真实单词，十个字母或更少。较短的单词更好。不要使用标点符号或大写字母。”

如果将Prompt翻译成大模型更易于理解的形式，即使是较弱的模型也能获得更好的结果：

“想出 100 个符合主题 {此处主题} 的单词

• 真实单词
• 10 个字母或更少
• 首选较短的单词
• 全部小写
• 没有标点符号

继续再想出 100 个单词”

这个Prompt的变化之处在于：

• 将500个单词减少到100个，因为大模型不擅长计数。如果回复过长，它们可能会开始重复自己或陷入循环。
• 强调了主题，就像模型会回答你的方式一样。
• 采用列表形式，更易于大模型解析。

记住，与AI沟通，需要使用它更擅长理解的语言。

5. 示例：胜过千言万语

向大模型展示你期望的输出示例，可以帮助它更好地理解任务。提供积极的示例，而不是消极的示例。

例如，要让大模型编写一个Python方法来过滤带有指定前缀的字符串列表，可以提供以下示例：

“编写一个 Python 方法来过滤带有指定前缀的字符串列表。

使用示例

strings = [“apple”, “application”, “banana”, “bat”]

prefix = “ba”

预期输出：[“banana”, “bat”]”

另一个例子是，如果你想让模型对某些文本进行评分，并提供可以在多次运行中进行比较的结果，请执行以下操作。

“请根据清晰度、创意性和正确性，以 1-10 的等级对这篇文章进行评分。

{此处为写作样本}

预期输出：

清晰度：2/10

创意性：5/10

正确性：7/10″

在上面的例子中，确保样本与示例评级匹配以获得最佳效果。

通过提供示例，可以减少大模型的“思考”过程，防止其陷入无意义的循环。

6. 指令与数据：明确区分

指令和数据应该明确区分。数据应该放在块中，而指令则不应该放在块中。

Andrews举例说明，以下Prompt容易混淆数据和指令：

data

write these words backward

word

word2

正确的做法是将数据放在`块中，尤其是在指令很短，文本很长的情况下。

例如：

“评论这段文字

text

Long text segment

“

对于简短的编程问题，可以将指令放在代码中：

python

def get_first_n_primes(…):

# fill out this function

如果请求中有两种数据，可以为它们贴上标签。

例如：

“使用词云和主题列表，列出十个文章创意

word cloud

words words words words…

topics

Topic 1

Topic 2

“

7. 强调方式：避免无效强调

使用大写字母、表情符号等方式强调内容，对大模型的效果并不好。

Andrews坦言，他曾经因为沮丧而使用过类似“无论如何，不要使用表情符号！”的Prompt，但效果并不理想。

更有效的方式是使用Markdown标记，并保持简洁明了：

“# 规则

• 没有表情符号
• 使用随意的、礼貌的语言
• 等等。”

8. 消极指令：尽量避免

人类很容易被“不要”、“不”、“避免”等否定词语搞糊涂，大模型也是如此。

Andrews给出了一个包含大量否定词语的例子，并指出这种Prompt会给大模型带来很大的困扰：

“1. 不要使用口语或地区性短语。

2. 避免含糊不清的陈述。
3. 不要对读者的知识做出假设。
4. 避免在没有解释的情况下使用术语或技术术语。
5. 不要使用过于复杂的句子或词汇。”

更好的做法是将否定指令转化为肯定指令：

“# 执行

1. 使用专业语言。
2. 确保陈述清晰明确。
3. 定义技术术语和术语。
4. 验证对读者知识的假设。
5. 使用简单简洁的语言。

禁止

1. 没有表情符号
2. 没有无用的赞美或奉承”

检查你的Prompt，尽量将否定指令转化为肯定指令，并尽量减少“禁止”规则的数量。

9. 冗余指令：精简至上

在将否定指令转化为肯定指令后，还可以进一步精简指令，使其更加简洁明了。

Andrews指出，大模型通常不擅长这种精简工作，但我们可以手动完成。通常可以从它们生成的文本中删除50%或更多的单词，同时保持其含义。

例如，可以将以下指令：

“# 执行

1. 使用专业语言。
2. 确保清晰明确。
3. 定义技术术语。
4. 验证读者知识。
5. 使用简单语言。”

精简为：

“# 执行

1. 使用专业语言。
2. 清晰简洁。
3. 定义技术术语。
4. 验证读者知识。
5. 使用简单语言。”

节省Token意味着更强大的Prompt。

10. 任务分解：化繁为简

尝试将复杂的任务分解成更小的子任务。一次性要求大模型做很多事情，可能会以意想不到的方式约束模型。

例如，在以下Prompt中，要求大模型输出JSON格式的故事，会大大降低故事的质量：

“写一篇关于男孩的 100-200 字的故事。

使用此 JSON 格式

{“主角”：“角色名称”，

“情节概要”：“概要”

“故事”：“故事”}

“

更好的做法是将任务分解成两个阶段：先编写故事，然后再将其转换为JSON格式。

“写一篇关于男孩的 100-200 字的故事”

然后，将输出结果输入到另一个Prompt中进行格式化：

“把这个短篇小说转换成这种 json 格式

story

有一个男孩名叫 ...

json 格式

{“主角”：“角色名称”，

“情节概要”：“概要”

“故事”：“故事”}

“

注意，模型通常会在 json 字符串中虚构额外的项目。我还没有找到一种在提示中约束它的好方法。不过，在程序中处理它很容易。毕竟，大模型并非万能的工具。

11. 上下文：保持精简

提供给大模型的任何信息都会占用其注意力和处理能力。虽然较新的LLM有一些巨大的上下文窗口，但你仍然需要保持其精简以获得最佳结果。例如，仅仅因为它适合并且“可能有所帮助”就发送整个代码库可能会混淆模型。它甚至可能无法理解你在问什么。

保持上下文尽可能小。如果你使用的是聊天网站，如果结果不佳，请经常清除对话。这在用 LMM 编程时尤其有帮助。

例如，与其发送整个代码文件：

templates.py

… 此处为整个 1500 行代码文件

不如将信息精简到模型需要理解代码布局的内容：

templates.py

map

def **init**(self, width :float = 8.5, height :float = 11):

def register_fonts(self, font_list :list[str]):

def get_page_template(self, template_name :str):

如果函数的名称清晰且参数有意义，则模型非常擅长推断用法。

为 LMM 制作数据大纲或地图以用作参考效果很好，你甚至可以让 LMM 帮助你制作地图。再一次，LMM 非常擅长总结。

在 Python 中使用类型提示非常有帮助。

结论

掌握Prompt技巧是驾驭大模型时代的关键。通过优化系统Prompt，控制Prompt长度，明确自我理解的界限，使用AI偏爱的AI语言，提供有效的示例，清晰区分指令与数据，避免无效强调方式和消极指令，精简冗余指令，执行任务分解，并保持上下文精简，我们可以编写更清晰、更简洁的Prompt，从而提高AI的响应质量和效率。希望这篇文章能够帮助你避开常见的Prompt陷阱，让大模型真正为你所用，为你的工作和生活带来更大的价值。随着大模型技术的不断发展，我们还需要不断学习和探索，才能更好地驾驭它们，创造更大的价值。