随着人工智能技术的飞速发展，大型语言模型（LLM）正逐渐渗透到我们日常生活的方方面面。如何更有效地与这些强大的工具进行交互，并获得高质量、定制化的输出，成为了一个重要的研究方向。本文将深入探讨提示装饰器画布（Prompt Decorator Canvas），一种用于高级LLM交互的框架，并结合SEO写作的实际案例，阐述其核心概念、应用场景、最佳实践，以及未来发展方向。我们将探讨如何利用提示装饰器来优化提示工程，最终提升大模型的应用价值。

提示装饰器：LLM行为的元指令

提示装饰器，作为本文的核心关键词之一，是添加到提示中的指令，用于修改LLM的输出或影响其响应生成方式。 换句话说，提示装饰器充当元指令，为大型语言模型的行为提供控制层。 它的主要目的是为提示工程提供一种结构化语言，从而使用户能够准确地指导LLM输出、强制执行所需的行为并简化复杂的交互。它们充当生成过程的修改器和控制器，影响 LLM 如何解释查询和制定响应。

提示装饰器对 LLM 行为的影响是多方面的。 它们可以引导 LLM 的注意力、塑造其推理过程、指示其输出的格式和风格，并确保遵守特定的约束。 本质上，装饰器将抽象的提示工程技术转化为具体的、可重用的命令。 这种结构化的方法旨在减少自然语言提示中固有的歧义。正如各种提示工程分析中所强调的那样，“含糊不清是准确性的敌人”，而装饰器是一种系统地提供关键上下文和指令的方法，从而“以正确的方式”提出问题。

提示装饰器的开发标志着与 LLM 交互的一个显着演变。 它标志着从通常是实验性和直观的提示制作向更系统、几乎是程序化的方法转变。 随着分配给 LLM 的任务的复杂性增加，这种形式化变得越来越重要，从而需要用于一致性和可重复性的结构化方法。 许多常见的提示技术（例如零样本、少样本或思维链 (CoT) 提示）都可以被视为装饰器封装和标准化的基本原则。 例如，+++StepByStep 装饰器是 CoT 原则的直接应用。 通过将这些常见的指令模式封装到可重用的命令中，装饰器促进了一种更工程化和更少手工制作的 LLM 交互方法，类似于传统编程范例中函数的使用。 这种结构化的方法不仅仅是为了方便；它支撑着扩展 LLM 应用程序和有效共享最佳实践的能力。

例如，假设我们需要LLM生成一篇关于“可持续发展”的文章。 如果没有提示装饰器，我们可能只能得到一个泛泛而谈的结果。 但是，如果我们使用+++Tone(style=FormalAcademic) +++OutputFormat(format=markdown) +++CiteSources等装饰器，就能得到一篇格式规范、引用严谨、学术风格的专业文章，大大提升了LLM输出的质量。

核心原则：合规性、范围管理与交互动态

一个有效的提示装饰器系统的运行依赖于几个核心原则，其中最主要的是合规性、范围管理以及用户与系统交互的动态。

• 合规性：对于任何装饰器系统，最基本的要求是 LLM 的严格合规性。 正如规定的那样，LLM“必须检测、应用并完全遵守所有装饰器，无论它们是否存在。 忽略、遗漏或错误执行任何装饰器都是不可接受的。” 这为 LLM 的解释忠实度及其优先考虑和一致地执行这些元指令的能力建立了一个高标准。

• 范围管理：一个复杂的装饰器系统的关键方面是它管理装饰器应用范围的能力。 这主要通过两个关键装饰器来处理：

  • +++ChatScope：此装饰器使随后指定的装饰器在对话的多个回合中保持持久性。 它们保持活动状态并全局影响该聊天会话中的 LLM 行为，直到显式清除或更改。 此功能对于在扩展交互中维护上下文、一致的角色或特定输出要求至关重要。
  • +++MessageScope：相反，此装饰器会将行为恢复为本地化的单提示应用程序。 消息中指定的任何包含 +++MessageScope 的装饰器仅适用于该特定消息。 先前处于活动状态的聊天范围装饰器会暂停（但不会删除）该消息的持续时间，从而允许临时偏差或特定的一次性指令，而不会丢失已建立的聊天级别上下文。

  这种范围管理系统（+++ChatScope、+++MessageScope 和 +++Clear）的引入为提示工程增加了一个有状态的维度。 这将交互从简单的无状态提示-响应循环转移开来，从而能够开发更复杂、上下文感知的对话应用程序。 基本 LLM 交互通常是无状态的； 然而，有意义的对话 AI 需要维护状态，例如正在进行的上下文、采用的角色或特定设置。 +++ChatScope 提供了一种显式的机制来在装饰器级别管理此状态，而 +++MessageScope 和 +++Clear 提供了动态调节此状态的必要控件。 这种有状态性是构建与 LLM 进行的更复杂和连贯的多回合交互的基本要素。

• 交互动态：为了管理这个有状态的系统并为用户提供透明度，几个装饰器控制交互动态：

  • +++Clear：此装饰器用于重置聊天范围的装饰器。 它可以不带参数使用以清除所有活动聊天范围的装饰器，也可以使用特定的装饰器名称作为参数（例如，+++Clear(+++Tone, +++Reasoning)）以仅清除那些指定的装饰器。
  • +++ActiveDecs：调用时，此装饰器指示 LLM 返回一个列表，其中包含当前应用于聊天级别的所有活动装饰器。 如果没有活动的装饰器，它应该返回一条消息，例如“没有活动的装饰器”。
  • +++AvailableDecs：此装饰器提示 LLM 返回一个表格，其中列出所有可用的装饰器，显示它们的名称、描述和当前状态（在聊天范围内活动或非活动）。

这些装饰器 +++ActiveDecs 和 +++AvailableDecs 为用户提供了一个元认知功能，显着增强了装饰器系统的可用性和可预测性。 在具有多个装饰器以及聊天范围持久性的系统中，用户可能很容易忘记哪些设置当前处于活动状态，从而可能导致意外的 LLM 行为和挫败感。 +++ActiveDecs 提供了对装饰器当前运行状态的关键运行时可见性。 同时，+++AvailableDecs 充当嵌入在交互中的易于访问的手册或帮助系统。 总之，这些功能提高了用户的信心和控制力，使整个系统更加健壮和用户友好。

例如，在一个客户服务场景中，我们可以使用+++ChatScope +++Tone(style=Friendly)来确保LLM始终以友好的语气回应用户。 但是，当需要处理一个法律问题时，我们可以使用+++MessageScope +++Tone(style=Formal)来临时切换到正式语气，处理完法律问题后，再自动返回到友好的语气。

掌握核心装饰器：功能增强与优化

最初定义的装饰器集为控制 LLM 行为提供了一个坚实的基础。 增强它们的功能并了解它们的最佳使用可以显着提高生成响应的质量和相关性。

诱导推理：+++Reasoning

+++Reasoning 装饰器强制 LLM 以详细解释其答案背后的推理和逻辑开始其响应。 这提高了透明度，允许用户了解模型的“思考过程”。 这种洞察力对于调试 LLM 的结论非常宝贵，尤其是在输出意外或不正确的情况下。 它还具有教育意义，因为用户可以从明确的逻辑中学习。 此外，生成有理有据的解释的行为本身可以提高最终答案的质量，因为它迫使 LLM 在生成输出之前构建更连贯的内部表示。 这与“推理提示”的概念相符，该概念要求 AI 工具得出逻辑结论并进行推断。

为了优化 +++Reasoning 装饰器，用户可能会指导 LLM 就期望的推理类型。 例如，未来的增强可能会允许指定推理应该是演绎的、归纳的、溯因的还是侧重于特定原则或证据类型。

+++Reasoning 装饰器可以被视为鼓励模型阐明中间步骤的实际应用，这是思维链 (CoT) 提示共享的特征。 虽然没有像 +++StepByStep 装饰器那样明确要求逐步分解，但 +++Reasoning 强制类似地阐明底层的思考过程。 这种阐明可以引导 LLM 走向更合乎逻辑的路径，并帮助它避免过早或支持不足的结论。 +++Reasoning 生成的输出对于迭代细化提示也非常有价值。 通过了解 LLM 产生特定输出的原因，用户可以更有效地调整其主要提示或其他活动装饰器，以引导 LLM 朝着期望的结果前进。 这种反馈循环 – 提示、带有推理的输出、改进的提示 – 是有效提示工程的基石。

结构化响应：+++StepByStep，+++OutputFormat(format=FORMAT)

结构化 LLM 响应对于清晰性、可用性以及与其他系统的集成至关重要。 两个核心装饰器解决了这个问题：+++StepByStep 和 +++OutputFormat(format=FORMAT)。

• +++StepByStep：此装饰器指示 LLM 将其响应构建为一系列逻辑排序的步骤，每个步骤都明确标记（例如，** →**）。 它非常适合生成教程、解释过程、详细说明解决问题的方法或任何从排序指令中受益的任务。 此方法直接符合思维链 (CoT) 提示的原则，该原则鼓励模型分解问题并逐步推理。 它对于创建旨在生成清晰指南或分步说明的“Instructional prompts”也非常有效。 为了增强功能，可以对该装饰器进行参数化，以允许不同的标记样式，例如 +++StepByStep(style=[Numeric|Arrow|Custom])，从而为用户提供更多对步骤的视觉呈现的控制。
• +++OutputFormat(format=FORMAT)：此装饰器强制 LLM 的响应严格遵守指定的输出格式，例如 JSON、Markdown、YAML、XML 或纯文本。 这种装饰器的重要性怎么强调都不为过，尤其是在确保与其他软件系统的互操作性、促进自动化数据处理以及维护结构化数据生成的一致性方面。 指定输出格式的能力是有效使用基于模板的提示的关键方面，允许用户指示生成 AI 如何构建其输出。 在 AI 辅助代码生成等上下文中，确保代码段或相关元数据格式正确至关重要。 同样，从文档中提取数据时，目标通常是生成结构化、机器可读的输出，为此 +++OutputFormat(format=json) 必不可少。 对于更高级的用法，尤其是对于像 JSON 这样的复杂格式，LLM 可能需要了解模式详细信息，这些详细信息可以由用户隐式或显式引用。

+++OutputFormat 装饰器显着增强了 LLM 作为更大自动化工作流中的组件的实用性。 通过保证结构化输出，LLM 可以可靠地将数据馈送到其他程序、数据库或 API，使其更“机器友好”。 这种能力对于将 LLM 集成到自动化管道中并超越独立交互至关重要。 此外，+++StepByStep 与 +++Reasoning（或更明确的 CoT 诱导装饰器）的组合对于复杂的问题解决可能特别有效。 这种配对迫使 LLM 遵循结构化的进展，同时阐明每个步骤的逻辑，从而使解决问题的过程透明、可审计且易于验证。 这在不仅最终答案，而且方法和理由至关重要的情况下尤其有价值。

例如，当我们需要LLM生成一份JSON格式的用户信息时，可以使用+++OutputFormat(format=json)。 如果还需要详细描述生成JSON的过程，可以同时使用+++StepByStep +++Reasoning，让LLM输出每一步的思考过程，从而方便我们检查和调试。

促进对话和分析：+++Socratic，+++Debate，+++Critique

一组装饰器旨在提升 LLM 交互，使其超越简单的问答，鼓励对话、多视角分析和建设性评估。

• +++Socratic：当存在此装饰器时，LLM 会采用苏格拉底式方法。 它不会立即提供直接答案，而是向用户提出澄清问题。 交互遵循结构化的顺序：** → → [分析假设] → [探索观点] → [使用类比/示例] → [鼓励进一步探究]**。 这种方法促进了用户的批判性思维，有助于完善模棱两可的查询，并可以加深对主题的相互理解。
• +++Debate：+++Debate 装饰器指示 LLM 在得出结论之前分析关于主题的多个观点。 响应应遵循以下格式：** → [观点 1] → [观点 2] →… → → [结论]**。 这确保了平衡的讨论，有助于探索细微之处和反驳，并最终加强了输出的分析质量。 这与基于角色的提示相一致，在这种提示中，可能会要求 AI 扮演“魔鬼代言人”或构建哲学立场之间的辩论。
• +++Critique：使用 +++Critique，LLM 提供建设性的批评。 它评估给定主题（例如，文本、想法、一段代码）的优缺点，然后提出改进建议。 结构是：** → → [批评弱点] → → [建设性结论]**。 这对于获得平衡的反馈和可操作的改进建议非常有用。 “批评者”角色模式与此直接相关，此装饰器为此类评估任务提供了一个正式的结构。 它也可以用于满足对同行评审式反馈的请求，例如询问“如何改进我的诗歌中[意象]的使用？”。

这些装饰器 – +++Socratic、+++Debate 和 +++Critique – 将 LLM 的角色从被动的信息提供者转变为分析、批判性思维和智力探索的积极参与者。 它们有效地模拟了复杂的人类认知过程，允许用户利用 LLM 进行超出简单信息检索的更复杂的智力任务。 这些装饰器中每个装饰器中的预定义结构对于它们的有效性至关重要。 它们为 LLM 提供了一个支架或认知路线图，以确保苏格拉底式探究、辩论或批判是全面的、有逻辑地组织的并且涵盖了关键组成部分，而不是演变成随意的想法集合。 这种结构化的方法提高了这些复杂交互模式的输出的可靠性和质量。

例如，如果我们想让LLM帮助我们改进一篇SEO文章，可以使用+++Critique，让LLM分析文章的优点和缺点，并给出改进建议。 如果我们想让LLM帮助我们进行头脑风暴，探索不同的观点，可以使用+++Debate。

确保质量和迭代：+++Refine(iterations=N)，+++CiteSources，+++FactCheck

在许多 LLM 应用程序中，保持高质量、准确性和可验证性至关重要。 这组装饰器通过迭代改进和信息验证来满足这些需求。

• +++Refine(iterations=N)：此装饰器指示 LLM 经历指定数量 (N) 的改进迭代。 在每个步骤中，LLM 应该旨在提高清晰度、准确性或有效性，最好显示每个迭代：[迭代 1] → [迭代 2] →… → [最终答案]。 此过程可以显着提高输出的质量，尤其是在初始草稿可能不足的复杂生成任务中。 它还使改进过程透明化。 迭代改进的概念是高级提示工程的核心原则，也是制作有效 AI 提示的一般最佳实践。 在代码生成等上下文中，建议使用迭代的“构建、审查、改进”循环，+++Refine 可以自动执行此循环的一部分。 此装饰器实现了 LLM 生成过程中的“自我纠正”或“自我批评”的概念。 通过强制进行多次迭代，它鼓励模型改进其自身先前的输出，这可以被视为一种“自我一致性”，其中模型努力根据初始提示的目标来增强其响应。
• +++CiteSources：当 +++CiteSources 处于活动状态时，LLM 提出的所有实质性声明都必须得到可信来源的支持。 响应生成理想情况下应遵循结构化的过程：[初始答案] → [识别关键声明] → → [整合引文] → → [验证可信度] → [最终答案]。 这对于学术写作、研究报告以及任何可信度和可验证性至关重要的事实内容至关重要。 引用来源是负责任地使用 AI 的关键组成部分。 这里的一个重大挑战是 LLM“幻觉”来源的倾向。 因此，此装饰器意味着需要真正的来源检索和验证，这可能需要 LLM 与外部搜索引擎或数据库集成，暗示与检索增强生成 (RAG) 相关的能力。
• +++FactCheck：与 +++CiteSources 类似，+++FactCheck 装饰器强制在最终确定响应之前验证关键声明的事实准确性。 建议的结构是：[初始答案] → [识别声明] → → [标记不确定性] → → [最终答案]。 至关重要的是，如果任何声明的验证都没有定论，则必须在最终输出中明确标记这些不确定性。 此装饰器直接解决了事实核查的需求，对于打击虚假信息和提高 LLM 生成内容的可靠性至关重要，尤其是在处理关键信息时。 与 +++CiteSources 类似，可靠的事实核查也可能取决于 LLM 访问和批判性评估外部信息来源的能力，从而可能降低与传播不准确信息相关的道德风险。

+++CiteSources 和 +++FactCheck 都直接面对当前 LLM 的一个基本弱点：它们可能会生成听起来合理但不正确或未经证实的信息（通常称为“幻觉”）。 这些装饰器的目的是施加一定程度的严谨性和问责制，而这些严谨性和问责制在基础生成模型中并非固有存在。 它们的效果可能与 LLM 访问和批判性评估外部信息的能力成正比，这表明了像 RAG 这样的架构的重要性。

例如，如果我们需要LLM生成一篇关于“新冠疫苗”的文章，可以使用+++CiteSources +++FactCheck，确保文章中的所有信息都来自可靠的来源，并且经过了事实核查，避免传播不实信息。 还可以使用+++Refine(iterations=3)来让LLM对文章进行多次迭代，不断提高文章的质量。

调节表达：+++Tone(style=STYLE)

+++Tone(style=STYLE) 装饰器要求 LLM 的响应语气与指定的风格相匹配。 风格参数可以接受各种描述符，例如正式、随意、友好、技术、幽默、同情等等。 这种能力对于根据特定受众、上下文和目的定制沟通至关重要。 例如，客户服务交互的语气与技术文档或创意写作的语气会大相径庭。

STYLE 参数列表应该很广泛，并允许细致的描述，甚至可能是关键字的组合（例如，+++Tone(style=FormalAcademic)，+++Tone(style=FriendlyAndEncouraging)）。 定制 LLM 输出风格和语气是一个重要的研究和应用领域，通常通过微调或专业化技术来解决。 +++Tone 装饰器提供了一种基于提示的机制来在运行时实现类似的效果，从而允许动态调整 LLM 的沟通风格。 这对于确保 LLM 的输出与组织的品牌声音和信息传递保持一致尤其重要。 在 AI 翻译的上下文中也强调了考虑受众和语气的重要性，+++Tone 也将此原则直接应用于单语输出。 语气也是采用角色的关键组成部分，因为角色通常决定特定的沟通风格。

+++Tone 装饰器对于使 LLM 输出在人类交互中在上下文中适当和有效至关重要。 相同的事实信息根据其传递的语气可能会产生截然不同的影响。 沟通不仅仅是说什么，还在于如何传达它。 LLM 默认情况下可能会采用中性或通用的语气。 +++Tone 允许用户显式控制沟通的这个关键方面，使 LLM 输出对于从同情支持机器人到正式报告生成的各种应用程序来说更通用。 虽然 +++Tone 提供了直接控制，但当与暗示风格选择的其他装饰器（例如稍后讨论的 +++Persona 或 +++TargetAudience）结合使用时，其效果可以显着放大。 语气通常是明确定义的角色或对受众的清晰理解的涌现属性。 例如，指定一个像 +++Persona(role=QuantumPhysicist) 这样的角色可能会比仅仅 +++Tone(style=expert) 更自然地实现专家语气。 然后，+++Tone 装饰器可用于进一步细化角色的特定沟通风格（例如，“热情”的量子物理学家与“保守”的量子物理学家），这表明这些装饰器之间存在相互作用，以实现对表达的精细控制。

例如，当我们需要LLM生成一篇面向儿童的科普文章时，可以使用+++Tone(style=FriendlyAndEncouraging)，让文章的语气更加亲切和鼓励，更容易被孩子们接受。

扩展工具包：新型提示装饰器

为了增强提示装饰器系统的多功能性和强大性，建议采用几种新的装饰器，这些装饰器从高级提示工程技术和多样化的应用程序需求中汲取灵感。 这些添加旨在涵盖角色采用、创意生成、特定任务自动化、高级认知模仿和受众适应。

角色驱动的生成：+++Persona(role=ROLE, background=TEXT, style_emphasis=)

• 概念：+++Persona 装饰器指示 LLM 采用特定的角色或专家角色。

  • role=ROLE：此必需参数定义主要身份（例如，“历史学家”、“CEO”、“侦探”、“莎士比亚诗人”）。
  • background=TEXT：一个可选参数，提供有关角色的其他上下文（例如，“专攻罗马历史”、“领导一家颠覆性科技创业公司”、“来自 1940 年代黑色电影的愤世嫉俗的侦探”、“用早期现代英语写作”）。
  • style_emphasis=：一个可选的逗号分隔的关键字列表，用于强调其沟通风格的特定特征（例如，“怀疑、机智”、“乐观、数据驱动”、“冗长、夸张”、“简洁、直率”）。

• 理由和好处：此装饰器能够生成高度定制的输出，这些输出反映了所采用角色的知识库、潜在偏差、特征词汇和沟通风格。 它对于创意写作（发展角色声音）、获得专业建议（模拟专家）、教育角色扮演以及通过以熟悉或权威的声音说话来生成与不同受众产生共鸣的内容非常有用。 角色模式在提示工程中的强大功能已得到充分证明，因为它们有助于定制 AI 响应以反映特定的专业知识、术语和分析视角。 例如，可以要求 AI“假设莱昂纳多·达·芬奇的角色……写一篇日记条目……”或者充当医疗保健数据分析师，专注于医疗数据解释和患者隐私。 此装饰器形式化了此类指令。 Coursera 上的高级提示工程课程甚至包括“写作角色模式”和“构建你的写作角色”作业，突出了它的教学和实践重要性。 它还允许进行富有想象力的场景，例如要求 AI 成为“时间旅行者”或特定的历史人物来批评现代现象。

+++Persona 装饰器提供的不仅仅是设置语气； 它的目的是使 LLM 具有特定的世界观、相关的知识库和特征行为倾向。 这允许比 +++Tone 装饰器本身可以实现的更深入、更全面的输出定制级别。 角色不仅包括语气，还包括典型的词汇、特定领域的知识、常见假设，甚至与该角色相关的潜在偏差或观点。 例如，指示 +++Persona(role=Doctor) 理想情况下应生成不仅在语气上“医疗”的响应，而且还应反映医疗知识、伦理考虑（例如患者数据隐私问题）和常见的诊断方法。 这使得 +++Persona 成为模拟专业知识和生成高度上下文相关内容的强大工具。

此外，背景和 styleemphasis 参数提供了关键的微调功能，允许用户从通用角色（例如，“科学家”）转变为高度特定的角色（例如，role=Biologist, background=specializing in deep-sea extremophiles, styleemphasis=). 这种粒度使装饰器能够适应更广泛的复杂任务，从细致的创意写作到精确的专家模拟。 它反映了“你的提示越详细和具体，你就越有可能收到有针对性和有用的响应”这一原则。

例如，如果我们需要LLM扮演一位“历史学家”的角色，写一篇关于“二战”的文章，可以使用+++Persona(role=Historian, background=WWIIExpert, styleemphasis=Analytical) 。 如果我们需要LLM扮演一位“科幻小说家”的角色，写一篇关于“太空旅行”的文章，可以使用+++Persona(role=SciFiAuthor, background=SpaceTravelExpert, styleemphasis=Imaginative) 。

创意内容促进

利用 LLM 进行创造性工作需要工具来指导其生成能力。 为此目的提出了以下装饰器。

• +++Brainstorm(mode=[MindMap|List|WhatIf], topic=TEXT, quantity=N)

  • 概念：此装饰器有助于各种形式的创意生成。
    • mode=MindMap：指示 LLM 生成围绕中心主题的相关子主题和分支，适合视觉组织。 例如，如果主题是“启动播客”，则 AI 可以列出设备、命名和内容创建等相关领域。
    • mode=List：提示 LLM 生成与该主题相关的 quantity 个想法、解决方案或策略的列表。 这是快速获得许多建议的简单方法，例如“生成 20 个乐队名称的列表……”。
    • mode=WhatIf：指导 LLM 探索基于该主题的假设场景及其潜在后果。 这非常适合培养开箱即用的思维方式和探索不同的结果。
  • 理由和好处：此装饰器利用 LLM 建立新颖连接和生成多样化想法的能力，帮助用户克服创意障碍、系统地探索可能性并组织想法。 微软的资源明确详细说明了使用 AI 进行这些头脑风暴技术。

• +++CreativeWrite(type=, theme=TEXT, length=, constraints=TEXT)

  • 概念：此装饰器指导 LLM 完成特定的创意写作任务。
    • type：指定创意输出的类型（例如，故事、对话、诗歌、标语、剧本）。
    • theme：提供创意作品的中心思想、主题或情感核心。
    • length：给出近似的期望大小（例如，短、中、长或特定的 WordCount_N）。
    • constraints：允许其他要求或风格限制（例如，“必须是押韵的对句”，“主角必须是动物”，“以未来主义的巴黎为背景”，“避免陈词滥调”）。
  • 理由和好处：提供了一种结构化的方式来请求创意输出，从而更容易控制 LLM 的创意过程并使其与特定的艺术目标保持一致。 这解决了写作资源中确定的对“Creative prompts”和“Dialogue prompts”的需求，例如创作一个标语或编写一个具有特定角色弧线的故事。 “Storyteller”角色就是一个可以通过此装饰器帮助构建的创意角色的例子。 它还支持提示想法，例如请求改进诗歌或故事开发建议。

这些创意促进装饰器 +++Brainstorm 和 +++CreativeWrite 承认 LLM 作为创意伙伴的潜力，而不仅仅是信息处理器。 它们为协同创作提供结构化的界面，挖掘 LLM 的生成能力以用于艺术和富有想象力的任务。 这些装饰器中的参数（如模式、类型、主题，尤其是约束）对于将 LLM 的创造力引导到期望的方向至关重要，从而使输出比通用的“写一些有创意的东西”指令更有用并且与用户意图保持一致。 +++CreativeWrite 中的 constraints 参数对于复杂的创意生成尤其重要。 创造力通常在定义的限制范围内蓬勃发展； 许多艺术形式都有内在的规则（例如，十四行诗的结构、俳句的韵律、特定的情节原型）。 此参数允许用户定义这些规则或引入自定义挑战，从而将 LLM 推向超出通用响应的范围，并产生更有针对性且通常更有趣的创意输出。

例如，如果我们需要LLM为我们的SEO文章生成一些关键词，可以使用+++Brainstorm(mode=List, topic=SEO, quantity=10)。 如果我们需要LLM为我们的网站写一些广告语，可以使用+++CreativeWrite(type=Jingle, theme=BrandIdentity, length=Short, constraints=Catchy)。

特定任务自动化

为了使 LLM 更适用于常见的、重复出现的任务，专门的装饰器可以自动执行复杂的指令集。

• +++Summarize(style=, length=, audience=TEXT, focus=TEXT)

  • 概念：提供对文本摘要的细微控制。
    • style：允许在 Extractive（直接引用源）、Abstractive（用 LLM 的话改述）、KeyPoints（主要思想的要点列表）或 QueryBased（摘要侧重于回答 focus 参数中提供的特定查询）之间进行选择。 提取式和抽象式摘要技术都很常见，抽象式摘要通常产生更自然的结果，但存在幻觉的风险。
    • length：指定所需的输出大小（例如，Short（TL;DR）、Medium、Detailed 或特定的 TargetWordCount_N）。
    • audience：有助于针对特定群体定制摘要中使用的语言、复杂性和示例（例如，“对于五年级学生”、“对于专业技术受众”）。 这与诸如“像我 16 岁一样总结一下”或为高中受众定制的内容保持一致。
    • focus：允许指定在摘要中要强调的特定方面、主题或问题，尤其适用于 style=QueryBased。 例如，“仅突出显示优点、缺点和数据点”。
  • 理由和好处：满足多样化的摘要需求，从快速概述到详细的执行摘要，针对特定的读者或信息提取目标量身定制。 此装饰器封装了许多为 AI 摘要确定的最佳实践和提示类型。

• +++Translate(targetlang=ISOCODE, sourcelang=ISOCODE, formality=[Formal|Informal|Neutral], domain=TEXT, preserve_terms=)

  • 概念：为翻译任务提供细粒度控制。
    • target_lang：目标语言的必需 ISO 代码（例如，de 表示德语，fr 表示法语）。
    • source_lang：源语言的可选 ISO 代码（LLM 可以推断）。
    • formality：调整礼貌程度和语域（例如，正式用于商业文档，非正式用于随意对话）。
    • domain：指定主题领域（例如，“法律”、“医疗”、“技术”、“营销”），以提高术语选择和上下文准确性。 示例：“将此文档翻译成法语，同时保留工程技术术语”。
    • preserve_terms：一个可选的逗号分隔的单词或短语列表，不应翻译（例如，品牌名称、专有技术术语、特定的文化术语）。
  • 理由和好处：通过允许为上下文、受众（通过 formality 和 domain 隐式地）和专业词汇进行定制，从而超越了基本的机器翻译，从而产生更准确、自然和适当的翻译。 有效的 AI 翻译提示需要清晰、详细，并考虑受众和语气。 此装饰器为这些考虑因素提供了结构化的参数。

• +++ExtractData(schema=JSONSCHEMADESCRIPTION, contextfields=, extractiondetails=TEXT)

  • 概念：促进从非结构化或半结构化文本中提取结构化数据。
    • schema：所需的 JSON 输出结构的必需文本描述。 这可以是简化的类 JSON 字符串或更正式的模式定义（例如，“{‘name’: ‘string’, ‘invoiceid’: ‘string’, ‘date’: ‘YYYY-MM-DD’, ‘items’: [{‘itemname’: ‘string’, ‘quantity’: ‘number’, ‘price’: ‘float’}]}”）。
    • context_fields：来自输入提示的可选字段名称或描述列表，这些字段名称或描述很可能包含要提取的数据，从而帮助 LLM 集中注意力。
    • extraction_details：可选的进一步指令，例如“提取所有提到的公司名称及其成立日期”或“专注于第四季度报告的财务数据”。

  此装饰器理想情况下应与 +++OutputFormat(format=json) 结合使用，以确保输出是有效的 JSON。

  • 理由和好处：自动执行通常繁琐且容易出错的从文档（如发票、简历、表格）中提取特定信息并将其转换为可用的结构化格式的过程。 这对于数据输入自动化、业务流程自动化、填充数据库和数据分析至关重要。 AI 驱动的数据提取工具通常使用基于模式或示例文档的模板或自动规则创建。 此装饰器允许用户直接定义此提取意图。

这些特定任务装饰器 – +++Summarize、+++Translate 和 +++ExtractData – 代表了朝着创建能够以高度的用户控制执行复杂的、多方面的任务的实用 AI 助手迈出的重要一步。 它们将 LLM 的角色从通用的对话者转变为特定作业的专门工具，从而提高了生产力并使用户能够更轻松地访问高级功能，而这些用户可能不是提示工程专家。 这些装饰器中的各种参数（例如 +++Summarize 中的 audience、+++Translate 中的 domain 和 +++ExtractData 中的 schema）对于实现高质量、上下文相关的结果至关重要。 它们为用户提供了一种结构化的方式来传达 AI 模型擅长的必要细节，反映了更多上下文导致更好 AI 性能的一致发现。

特别是对于 +++ExtractData，schema 参数直接且深刻地影响了提取输出的结构和最终可用性，尤其是在与 +++OutputFormat(format=json) 结合使用时。 一个定义良好的模式指导 LLM 正确地识别和组织信息，从而产生可预测且机器可读的数据。 相反，模糊或构建不良的模式可能会导致不太有用或不一致的提取。 因此，模式输入的质量是 +++ExtractData 装饰器输出的质量和效用的主要驱动因素。

例如，如果我们需要LLM将一篇英文的SEO文章翻译成中文，可以使用+++Translate(targetlang=zh, sourcelang=en, formality=Formal, domain=DigitalMarketing)。 如果我们需要LLM从一篇新闻报道中提取关键信息，可以使用+++ExtractData(schema={‘title’:’string’,’date’:’string’,’author’:’string’,’content’:’string’}) +++OutputFormat(format=json)。

高级认知模仿

为了进一步利用 LLM 的推理能力，可以引入装饰器来显式调用或控制更复杂的认知过程。

• +++ChainOfThought(active=Boolean, detail_level=[Low|Medium|High])（增强和显式控制）

  • 概念：此装饰器显式激活或停用 LLM 提供最终答案之前逐步推理的显示。
    • active=Boolean：如果为 true（默认值），LLM 将显示其思维链。 如果为 false，它将抑制此详细推理，并且仅提供答案。
    • detail_level=[Low|Medium|High]：一个可选参数，用于控制 CoT 解释的详细程度和粒度。 Low 可能会显示主要步骤，而 High 可能包括更细微的计算或逻辑推断。
  • 理由和好处：思维链 (CoT) 提示是一种已知的技术，通过鼓励模型分解问题并阐明中间步骤来提高 LLM 在复杂推理任务中的性能。 此装饰器使 CoT 成为一个显式、可控制的功能，而不是依赖于提示中的隐式措辞。 它增强了透明度，允许用户检查推理过程的准确性，并提供对解释详细程度的控制。

• +++GenerateKnowledge(topic=TEXT, depth_level=, aspects=)

  • 概念：提示 LLM 在处理用户提示的主要部分之前，首先生成并阐明给定主题的相关背景知识。
    • topic=TEXT：应为其生成背景知识的主题领域。
    • depth_level=：控制生成的知识的彻底性和复杂性。 Overview 提供基本概念，Detailed 提供更深入的解释，Expert 旨在实现全面、细致的理解。
    • aspects=：主主题中知识生成应集中的特定方面或子主题的可选逗号分隔列表。
  • 理由和好处：此技术称为“生成知识提示”，确保 LLM 在处理主要查询之前已使用高度相关的信息“启动”。 这可以导致更知情、更准确和上下文丰富的响应，尤其是在主要查询依赖于对 LLM 上下文窗口中可能不立即突出的复杂背景信息的理解的情况下。 提供的一个例子是：“在解释气候变化之前，首先列出与之相关的关键科学原理”。

用于高级认知模仿的装饰器（如 +++ChainOfThought 和 +++GenerateKnowledge）旨在使用户更清晰地控制 LLM 的内部“思考过程”。 它们模仿复杂的人类问题解决策略：人类经常将复杂问题分解为更小的步骤（类似于 CoT）或