在当今的信息时代，人工智能语言模型如 ChatGPT 为我们提供了一个强大的知识库和解决问题的工具。为了更好地使用 ChatGPT，非常有必要学习提示词工程。通过熟练地使用提示词，我们能够让AI更加准确地理解我们想要表达的意思，从而更高效地得到答案。

一、learnprompt.org 给出的一些建议

下面是https://www.learnprompt.org/ 提供的几个建议，我使用 ChatGPT 还提供了针对不同行业的提示词模板，大家可以去学习和参考。

为了充分发挥 ChatGPT 的潜能，并获取到准确的答案，我们需要遵循以下几点建议：

• 提问要明确具体：提出一个明确的、具体的问题，以便获得清晰而简洁的答案。
  示例一：不佳 - “地球的构造是什么？”；优化 - “地球的内部结构是如何分层的？”
  示例二：不佳 - “谁发明了电话？”；优化 - “电话的发明者是谁？”

• 使用正确的语法：尽量用完整的句子表达问题，并使用正确的语法。
  示例一：不佳 - “地球大气层哪几层？”；优化 - “地球的大气层分为哪几层？”
  示例二：不佳 - “最高山峰在哪？”；优化 - “世界上最高的山峰是哪座？”

• 问题简洁明了：避免在一个提示中提出多个问题，尽量让问题简短明了。
  示例一：不佳 - “请告诉我关于光合作用的原理和参与的主要生物？”；优化 - “光合作用的基本原理是什么？”
  示例二：不佳 - “太阳系的行星有哪些，它们的特点是什么？”；优化 - “太阳系共有哪些行星？”

• 提供相关背景信息：如果你的问题涉及特定主题，请提供一些相关背景信息。
  示例一：不佳 - “这部电影的评分是多少？”；优化 - “《肖申克的救赎》在豆瓣上的评分是多少？”
  示例二：不佳 - “这本书的作者是谁？”；优化 - “《红楼梦》的作者是谁？”

• 使用关键词：在提问时，使用相关的关键词可以帮助ChatGPT更快地理解你的问题。
  示例一：不佳 - “能源转换的公式？”；优化 - “质能方程是什么？”
  示例二：不佳 - “太阳的能量来源？”；优化 - “太阳的能量主要来源于哪种核反应？”

• 校对问题：在提交问题之前，请仔细校对，确保问题语法正确、表达清晰。
  示例一：不佳 - “为什么著名画家梵高切耳朵？”；优化 - “梵高为什么会割掉自己的耳朵？”
  示例二：不佳 - “怎样种多肉？”；优化 - “如何正确种植多肉植物？”

二、ChatGPT 给出的一些建议

• 确保明确性：在设计提示词时，务必确保提示词清晰明确，以便让AI更好地理解用户需求。避免使用模糊、不清晰的措辞，以免产生误导。

• 使用上下文信息：尽量包含与问题相关的上下文信息，这有助于AI更好地理解问题的背景，从而给出更准确的回答。

• 引导性问题：使用引导性问题可以帮助AI更好地聚焦于问题的核心。例如，使用“如何在冬季种植番茄？”而非简单地说“冬季种番茄”。

• 分步提问：有时，一个复杂问题需要分解成几个简单问题（这一步有时候也可以使用 AI 完成）进行回答。将问题分解成多个部分，逐一询问AI，有助于获得更详细、准确的答案。比如先让 ChatGPT 给出提纲，然后提出建议然它修改出满意的提纲，最后让它填充每一个部分。

• 限制答案长度：通过限制答案长度，可以让AI更专注于提供简洁明了的答案。例如，添加“请用一句话回答”或“请用20字以内回答”。

• 使用多个提示：尝试使用不同的提示词来询问同一个问题，以便从多个角度获取答案。这有助于获得更全面、深入的解答。

• 指定答案格式：通过指定答案格式，可以帮助AI生成更符合用户需求的答案。例如，要求AI以列表、概括或步骤等形式进行回答。

• 逐步优化：根据AI的回答效果，持续调整并优化提示词。对于不理想的回答，可以尝试修改提示词，以引导AI生成更好的答案。

三、ChatGPT Prompt Engineering for Developers

参考自：https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/

3.1 Guidelines 准则

（1）写指令要求清晰和具体，但不等于短。

• 1 用定界符如 “”"、```、—、<>、。它可以防止 prompt 注入，给 LLM 产生混乱的理解。

• 2 用结构化输出：如直接要求它以 HTML 或者 JSON 格式输出。

• 3 要求检查：要求 LLM 先检查是否满足某个条件后，再进行输出，如果条件不满足可以直接告知。

• 4 利用少样本学习，展示一个你期望的例子给 LLM。

（2）给模型一些思考的时间，你给它太简单的描述它回答的可能不是你要的，你给它太难的问题它可能也算不出来。

• 让模型按步骤来解答，第一步你应该怎么答，第二步你应该……最后……。可以设定一些分隔符，并且你在展示你想要的格式的时候，使用这些分隔符，比如你告诉LLM，文本在Text:<>里面……

• 让模型自己推导出过程，而不仅仅是结果，展示一个带有解题过程的例子给LLM，演示中，让LLM负责判断学生做题是否正确，这时候就需要告诉模型学生的解题思路。

避免模型产生幻觉：要告诉模型先查找相关资料，再根据相关资料来回答问题。（但模型产生幻觉很难避免，也是目前模型研究领域努力的方向）

3.2 Iterative 提示工程需要持续迭代（编写Prompt就是一个不断修正表达的过程）

编写Prompt的过程是不断迭代的。

基本步骤：编写Prompt、测试、分析为什么、再编写（澄清你的想法）、再测试……，直到满意为止。

示例中，测试了总结营销文案、用50个单词、3个句子、280个字符、增加目标用户、增加产品参数、增加输出格式要求、来表达等，LLM表现得都不错，不过值得注意的是，它们并不会严格按照这个字数限制来，可能会略长一点。

3.3 Summarizing 总结类的应用（总结、提取信息）

如果你有个电商网站，里面有大量的用户评论，你可以利用“总结”的能力来简化你的工作量。

LLM不仅支持“总结（summarize）”还可以“提取信息（extract）”。

示例中，测试了限制字数、限定主题、关注价格、用提取替换总结，并用一个for循环，以相同的prompt模板来套用不同的内容，以达到批量处理的目的。

3.4 Inferring 推理类应用（情绪判断、主题推断等）

同样是在用户评论中，你如果想看看有多少积极反馈有多少消极反馈，则需要用到“LLM推理”的能力。

示例中，LLM可以推理用户的情绪（sentiment）、识别情绪类型（如：happy, satisfied, grateful, impressed, content）、提取品牌和商品信息并按JSON格式输出、一次执行多个任务（提取用户评论的商品并推理用户的情绪） 、推断主题、基于推断的主题设计一个提醒程序等。

3.5 Transforming 转换类应用（翻译、格式转换、纠错等）

将一种语言转换为另一种语言这类应用可以叫做转换类应用。

示例中，翻译一段文字到另一种语言、识别一段文字是哪种语言、同时翻译成两种以上的语言、指定正式还是非正式的语气、指定语言使用的场合比如商务场合的邮件、除了自然语言翻译还可以是JSON 到 HTML 这样程序语言的翻译、要求 LLM 帮你纠正语法错误。

3.6 Expanding 扩展类应用（拓写）

LLM 擅长于将一个简短的文字写得更长，并补充一些修饰，融入一些特定的语言风格。

示例中，LLM 表现为一个邮件回复助理的角色。让 LLM 写一段回复客户的邮件、要求它使用客户来信中的详细信息（让客户感觉比较真实）、可以调整温度值来让回复不那么死板。

四、其他技巧

4.1 多个提示词要求有冲突怎么办？

• 使用顺序：在提示词中，将优先级较高的要求放在前面。AI通常会尽量遵循顺序，先满足较高优先级的要求。

• 明确指定优先级：在提示词中直接说明哪个要求具有更高的优先级。例如：“请确保回答简洁明了（优先级1），同时尽量详细（优先级2）”。

• 使用强烈词汇：对于优先级较高的要求，可以使用具有强制性的词汇，如“必须”、“务必”等。而对于优先级较低的要求，使用较柔和的词汇，如“尽量”、“可以考虑”等。

• 逐步引导：如果担心在一个提示词中包含多个要求会导致冲突，可以考虑将问题分解为多个子问题，逐个引导AI。首先提出具有较高优先级的要求，然后再根据AI的回答逐步引入其他要求。

更多全面和专业的提示词教程，参见：
《ChatGPT Prompt Engineering for Developers》

提示词建议来自： https://www.learnprompt.org/
对应示例，来自 ChatGPT。