动态电子商务网站建设报告浙江网站改版设计公司

动态电子商务网站建设报告,浙江网站改版设计公司,电脑培训班附近有吗,大连网站制作案例提示词工程#xff08;Prompt Engineering#xff09;作为大语言模型#xff08;Large Language Model#xff0c;LLM#xff09;应用构建的一种方式被简要提及#xff0c;本文将着重对该技术进行介绍。 提示词工程就是在和LLM聊天时#xff0c;用来让模型回答得更好的一…提示词工程Prompt Engineering作为大语言模型Large Language ModelLLM应用构建的一种方式被简要提及本文将着重对该技术进行介绍。提示词工程就是在和LLM聊天时用来让模型回答得更好的一种方法。LLM的工作原理是猜下一个字或词是什么而当你向它提供一段话即提示词prompt时这段话便成为模型的参考信息。随后根据这一提示模型会像续写故事一样生成回答。在这个过程中提示词的质量至关重要。就像给他人布置任务时表达越清晰对方完成得就越好。同样对prompt的描述越明确模型就越有可能给出高质量的答案。提示词工程正是专注于如何设计和优化这些prompt以引导模型生成更准确、更贴合需求的输出。它就像是在告诉模型“你需要重点关注这些信息”或“你需要从这个角度理解问题”。需要注意的是提示词工程并非万能。因为模型的回答只能基于其已有的知识储备无法超出这个范围。当前提示词工程的教程铺天盖地。然而其中不少方法对于普通开发者来说复杂度过高掌握起来颇具难度。与此同时许多教程中的技术已然落后且并非适用于所有的LLM。实际上普通人在日常与LLM互时也会运用到提示词工程只不过形式较为简单常见的如 “请润色这句话……” 或 “请回答这个问题……” 这类表述。提示词的核心价值并非体现于编写复杂提示词的能力而是在于精准界定自身期望达成的目标。相较之下具备恰当的评估标准以及明晰如何衡量人工智能输出成果的能力才是至关重要的。鉴于此本文将着重聚焦于一系列实用且常用的提示词工程方法详尽阐释如何将其灵活应用于实际场景。若想深入了解提示词工程的详细内容和使用方法可参考以下资源Prompt engineering[1]Prompt engineering techniques[2]modelscope-classroom[3] 。1 提示词工程介绍1.1 提示词工程发展历程2020年OpenAI推出的GPT-3以1750亿参数的庞大体量成为当时全球规模最大的语言模型。它广泛应用于文本生成、问答系统等自然语言处理任务展现出强大的语言处理能力。伴随应用场景的持续拓展精心设计的提示词在引导模型产出高质量、契合预期的输出成果上关键作用日益凸显进而直接促使提示词工程蓬勃兴起。 2022年ChatGPT的发布为LLM的发展带来了新的突破。它凭借简洁友好的界面和卓越的对话能力极大地提升了LLM的公众可及性让普通用户也能轻松上手。在实际使用过程中用户切实感受到了提示词设计对交互效果的重大影响这使得提示词工程不仅在专业领域受到重视更在大众层面迅速受到广泛关注并蓬勃发展。 2023年GPT-4发布成为自然语言处理领域的重要里程碑。作为能处理文本和图像输入的先进AI模型GPT-4极大拓展了应用场景的广度与深度。与此同时多模态提示词工程兴起成为推动AI发展的关键力量。多模态提示词工程整合文本、图像、音频乃至视频等多种输入模态来构建指令或查询。借助GPT-4、DALL-E等先进LLM模型这类提示可实现对不同格式内容的处理与生成。例如GPT-4能同时处理文本和图像输入输出高质量文本DALL-E则专注于依据文本描述生成图像。多模态提示的应用显著提升了AI系统的多功能性与智能性使其能更精准地解析和应对复杂现实场景中涉及多种数据形式的挑战。 但是无论各种任务的提示词形式如何多样它们的本质都是为LLM提供明确的指令或上下文信息引导其按照人类的意图进行思考并生成内容。https://synoptek.com/insights/it-blogs/data-insights/prompt-engineering-strategies-for-optimizing-ai-language-models/在这样的技术发展背景下提示词工程师这一新兴职业应运而生。提示词工程师扮演着人与大语言模型之间的 “翻译官” 角色他们不仅要对各类语言模型的性能、特点了如指掌还需精通如何设计和优化模型的prompt以帮助模型更好地理解人类意图并生成高质量的输出。然而提示词工程师的未来是一个充满争议且具有不确定性的话题。本人认为提示词工程师的未来并不乐观。随着人工智能的进步模型将更智能不再依赖复杂提示词。自动化工具的涌现使简单需求也能生成可用提示词且将愈发智能高效。更重要的是如今LLM的深度思考能力使其在语言理解和生成方面达到了较高水平而联网搜索功能的加持则进一步拓展了其知识来源和应用范围。这两者的结合能够为用户提供更强大、更智能的语言交互服务从而在很大程度上削弱了对专业提示词工程师的依赖。此外提示词工程师的工作成果高度依赖于模型本身的性能且需要针对不同模型进行单独优化这使得工作本身复杂且不稳定。一旦模型升级过往的经验可能瞬间变得无用职业发展的不确定性也随之大大提高。https://www.cut-the-saas.com/informative/what-are-the-career-and-future-prospects-of-prompt-engineering1.2 LLM中的角色在LLM的交互场景或应用中通常存在system系统、user用户和assistant助手这三种角色。虽然在特定应用场景下LLM可能会根据需求引入其他角色但在绝大多数情况下这三种角色构成了对话交互的基础框架。具体说明如下system在对话启动前明确设定模型在对话中的角色定位。例如设定为老师、科学家、医生等。不同的角色设定将使模型在特定领域表现出更强的专业性。user代表用户输入或生成的信息是与LLM进行交互的主体。Prompt通常指的是user输入的内容。assistant由LLM自动生成并回复的内容。注意通常在基于LLM搭建的对话应用中system角色的内容通常不会直接呈现给用户。System角色的设定一般在后端发起API调用时完成通过设置如“你是一个有帮助的助手”等指令引导模型生成高质量回答。这些底层设置对普通用户是隐藏的。用户使用网页应用时只能看到自己与模型的交互结果自己以user角色输入的问题以及模型以assistant角色给出的回答。然而在调用LLM应用的API过程中system角色的相关设置将会展现出来。以使用OpenAI各类LLM模型的API接口为例在构建API参数时通常会明确区分system、assistant和user三种角色的内容如下所示messages[ {role: system, content: You are a helpful assistant.}, {role: user, content: Knock knock.}, {role: assistant, content: Whos there?}, {role: user, content: Orange.},],  https://chrispogeek.medium.com/the-llm-wants-to-talk-e1514043ae9c ### 1.2.1 System角色 在本节内容中本文推荐的LLM使用环境为Qwen2-72B[4]。 System角色设置的指令决定了LLM的角色风格。用户可以通过System指令塑造其回答的独特个性。这些指令可以明确界定LLM应回答和不应回答的内容甚至还能规定回答的格式。在大多数LLM模型中system指令的权重高于用户手动输入的prompt并且其在多轮对话中始终保持稳定。默认的system角色通常为“你是一个有帮助的助手”或“You are a helpful assistant”。 针对同一个问题当LLM被赋予不同的系统角色时能生成截然不同的回答。比如在面对“请描述一下你最喜欢的季节”这一问题时不同系统角色的回答如下 | 系统角色 | 回答 | | --- | --- | | 默认设置 | 我作为一个语言模型没有个人喜好。但我可以提供关于不同季节的客观信息。例如春天万物复苏夏天阳光明媚秋天色彩斑斓冬天银装素裹。每个季节都有其独特的魅力。 | | 诗人 | 细雨湿流光落花人独立。最是人间四月天风光不与四时同。春那是一幅水墨画晕染着诗情画意。花开满枝燕子呢喃一切都是那么美好。 | | 时尚博主 | 我最爱夏天啦阳光、沙滩、海浪还有各种各样的时尚单品。想象一下穿着一条飘逸的吊带裙踩着精致的凉鞋在海边漫步简直太惬意了 | | 文言文大师 | 吾独爱秋。天高云淡桂子飘香正是登高望远之佳季。秋风拂面令人神清气爽心旷神怡。 | | 唐僧 | 贫僧四大皆空无喜无悲。然若论及四季则冬日最为清静可静心修行。 | | 吃货 | 我最喜欢秋天了这个季节的美食实在太多了螃蟹肥美柿子甜糯还有各种各样的水果真是让人垂涎三尺。 | System指令还能够限定LLM的回应范畴同时规范其行为表现。例如可设置这样一条系统指令 假定你是一位在计算机视觉领域拥有深厚经验的资深专家。你的核心职责在于精准解答各类与计算机视觉相关的问题能够全面、深入地阐述计算机视觉的概念、前沿技术以及最佳实践方案。在涉及实现计算机视觉算法、挑选适配的工具与框架以及搭建端到端的计算机视觉项目时你需要提供条理清晰的分步指导。请明确以下两点其一你的知识范畴被严格限定在计算机视觉领域其二若遇到无法确定答案的问题请回复‘我不知道’并同时建议用户浏览博客获取更多信息博客链接为https://blog.csdn.net/LuohenYJ。 基于此设定不同问题会得到如下不同形式的回答 | 能否回答 | 问题 | 回答 | | --- | --- | --- | | 能回答 | 在计算机视觉中目标检测和语义分割有什么区别 | 目标检测和语义分割都是计算机视觉领域的重要任务但它们存在明显区别... | | 不能回答 | 量子计算如何结合应用于金融领域 | 我不知道建议您浏览博客获取更多信息https://blog.csdn.net/LuohenYJ。 | 通过系统角色设定来定制LLM回答的方式极大地拓展了LLM的应用场景。需要明确的是LLM回答的质量在很大程度上取决于训练数据的质量和数量。若训练数据匮乏或质量欠佳可能会对角色扮演的效果产生负面影响。此外如果角色定义不够清晰模型可能会误解角色意图。 ### 1.2.2 提示词工程 User角色是使用LLM的主体prompt是用户向LLM传达提问意图、需求的工具。在LLM兴起的初期提示词工程曾是一项备受关注的技术其中包含了各种单个或一系列prompt技巧。这些技巧虽然形式各异但方法和目标是一致的本质上也都比较相似。然而随着LLM相关技术日新月异其智能程度实现了质的飞跃。到了当下曾经备受关注的prompt技术已不再是运用LLM的核心要素使用者仅需稍有了解即可满足基本需求。  https://www.humanfirst.ai/blog/12-prompt-engineering-techniques 以下是一些常用的提示词技巧及其简要介绍。请注意这里的介绍仅为入门概述更详细的说明请自行搜索相关文档 1. Least-To-Most从最少到最多 * 问题示例计算在1-200中能被5整除且各位数字之和大于8的数的个数。 * 使用原因问题较为复杂直接求解有难度通过分解为简单子问题可降低难度。 * 技术特点将复杂任务分解为一系列简单的、有序的子任务依次解决子任务来完成最终复杂任务类似于人类解决复杂问题时的分而治之策略。 * 第一个prompt1-200中能被5整除的数有哪些 * 回答可能5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,105,110,115,120,125,130,135,140,145,150,155,160,165,170,175,180,185,190,195,200。 * 第二个prompt在上述能被5整除的数中计算各位数字之和。 * 回答可能对于5数字和为5对于10数字和为101对于15数字和为156……依次计算并列出 * 第三个prompt在前面计算了各位数字之和的数中找出各位数字之和大于8的数并统计个数。 * 回答可能经过筛选符合条件的数有……共[X]个。 2. Self-Ask自我询问 * 问题示例如何提高在线课程的学生参与度 * 使用原因问题开放且宽泛通过模型自身不断生成相关问题来逐步聚焦关键因素和解决方案。 * 技术特点模型基于初始问题自我生成一系列相关问题模拟人类在思考复杂问题时不断提问和探索的过程。 * 第一个prompt如何提高在线课程的学生参与度 * 回答可能从课程内容、互动方式等方面考虑。 * 第二个prompt从课程内容角度有哪些具体方法可以提高学生参与度 * 回答可能可以使内容更有趣、实用结合实际案例等。 * 第三个prompt在互动方式上有哪些有效的做法 * 回答可能增加实时问答、小组讨论、在线测验等。 3. Meta-Prompt元提示 * 问题示例写一篇关于环保生活方式的短文。 * 使用原因希望模型生成特定要求的提示以便更好地引导写作。 * 技术特点利用提示来生成提示即先给出一个关于如何生成提示的元指令让模型基于此生成具体的、用于解决实际问题如创作的提示实现对模型输出的更精准引导。 * prompt生成一个关于写环保生活方式短文的提示要包含字数要求、内容侧重点如日常行为、环保意义等。 * 回答可能写一篇300-500字的短文重点阐述日常生活中常见的环保行为如垃圾分类、节约水电等并简要说明这些行为对环境保护的意义。 4. Chain-Of-Thought思维链 * 问题示例小红去商店买文具一支铅笔2元一个笔记本5元她买了3支铅笔和2个笔记本一共花了多少钱 * 使用原因帮助模型展示清晰的推理过程提高答案准确性和可解释性。 * 技术特点在问题中嵌入推理步骤引导模型按照特定的逻辑顺序进行思考和计算使模型不仅给出答案还展示得出答案的过程。 * prompt小红去商店买文具一支铅笔2元一个笔记本5元她买了3支铅笔和2个笔记本。我们先计算买铅笔花的钱即2×36元再计算买笔记本花的钱即5×210元最后求总共花的钱就是买铅笔的钱加上买笔记本的钱。请问一共花了多少钱 * 回答可能买铅笔花了6元买笔记本花了10元总共花了61016元。 5. ReAct推理与行动 * 问题示例查找一下2024年奥运会举办城市巴黎的著名旅游景点并推荐适合游客的游览路线。 * 使用原因需要先推理获取信息再基于信息行动规划路线。 * 技术特点将推理和行动相结合模型先进行推理分析确定所需采取的行动如调用工具、查询信息等然后执行行动获取信息最后基于信息进行回答增强了模型解决实际问题的能力。 * prompt查找一下2024年奥运会举办城市巴黎的著名旅游景点并推荐适合游客的游览路线。 * 推理过程模型意识到需要先查找巴黎著名景点信息可能调用网络搜索工具。 * 行动通过网络搜索获取诸如埃菲尔铁塔、卢浮宫、巴黎圣母院等景点信息。 * 回答可能巴黎著名旅游景点有埃菲尔铁塔、卢浮宫、巴黎圣母院等。推荐游览路线为第一天上午前往卢浮宫欣赏艺术珍品下午去埃菲尔铁塔俯瞰城市第二天参观巴黎圣母院…… 6. Symbolic Reasoning符号推理 * 问题示例已知A3B4CA\*B2求C的值。 * 使用原因问题基于符号和数学逻辑关系适合用符号推理解决。 * 技术特点按照相应的规则进行计算和推导以得出答案常用于数学、逻辑等领域的问题求解。 * prompt已知A3B4CA\*B2求C的值。 * 回答可能先计算A*B3*412再计算C12214。 7. PAL程序辅助语言模型 * 问题示例计算1-100中所有奇数的平方和。 * 使用原因通过程序代码能高效准确计算借助模型将问题转化为程序求解。 * 技术特点将自然语言问题转化为程序代码执行。 * 第一个prompt计算1-100中所有奇数的平方和使用Python代码实现并给出结果。 * 回答可能Python代码为...结果为166650。 8. Iterative Prompting迭代提示 * 问题示例描述一下人工智能在医疗领域的应用。 * 使用原因初始回答可能不够全面准确通过迭代逐步完善。 * 技术特点基于模型的初始回答进行分析和反馈生成新的提示来引导模型进一步思考和完善答案通过多次迭代不断优化模型的输出直到达到满意的效果。 * 第一个prompt描述一下人工智能在医疗领域的应用。 * 回答可能人工智能在医疗领域可用于疾病诊断。 * 第二个prompt在前面回答基础上详细说明人工智能在疾病诊断方面的具体应用以及其他医疗领域的应用。 * 回答可能在疾病诊断方面人工智能可通过分析医学影像辅助诊断疾病在药物研发上可预测药物活性…… * 第三个prompt若还不满意进一步阐述人工智能在药物研发中预测药物活性的具体原理和方法。 * 回答可能人工智能通过分析大量化合物结构和生物活性数据…… 9. Sequential Prompting顺序提示 * 问题示例写一首关于春天的现代诗。 * 使用原因将写诗过程分步引导使模型更好完成任务。 * 技术特点把一个复杂任务按照逻辑顺序分解为多个子任务依次提供每个子任务的提示类似于项目管理中的分步执行策略。 * 第一个prompt确定关于春天现代诗的主题方向比如春天的景色、春天的生机等。 * 回答可能主题方向为春天的景色。 * 第二个prompt根据‘春天的景色’这一主题列出诗中要描写的具体景物。 * 回答可能花朵、绿草、溪流、燕子。 * 第三个prompt结合上述景物写一首关于春天景色的现代诗。 * 回答可能在春天的田野花朵绽放笑颜绿草铺满大地……具体现代诗内容 10. Self-Consistency自一致性 * 问题示例分析小说《呐喊》中孔乙己这一人物形象。 * 使用原因从不同角度分析可使对人物形象的理解更全面准确通过自一致性判断得到更可靠结论。 * 技术特点模拟人类在面对复杂问题时综合多方观点的思维方式。 * 第一个prompt分析小说《呐喊》中孔乙己这一人物形象。 * 回答可能1孔乙己是一个深受封建科举制度毒害的落魄书生他自命清高却又穷困潦倒。 * 回答可能2孔乙己是旧社会的悲剧人物他善良但又有迂腐的一面在人们的嘲笑中生存。 * 经过自一致性判断后最终回答综合多个回答孔乙己是一个深受封建科举制度毒害自命清高、穷困潦倒善良又迂腐的旧社会悲剧人物。 11. Automatic Reasoning and Tool-use(ART)自动推理与工具使用 * 问题示例计算圆的面积已知半径为5厘米。 * 使用原因需要调用数学计算工具来准确计算面积。 * 技术特点模型具备自动推理能力能自动调用工具获取信息结合自身推理得出答案实现了知识获取和推理的自动化。 * prompt计算圆的面积已知半径为5厘米。 * 推理过程模型判断需要使用圆面积公式和计算工具。 * 行动调用数学计算功能根据公式Sπr²π取3.14计算。 * 回答可能圆的面积为3.14×5²78.5平方厘米。 12. Generated Knowledge生成知识 * prompt探讨虚拟现实技术在教育领域的潜在应用。 * 生成知识过程模型生成如虚拟现实技术特点沉浸式体验等、教育领域需求提高学习兴趣等相关知识。 * 回答可能虚拟现实技术具有沉浸式体验特点教育领域中可利用这一特点。历史课程中让学生身临其境地感受历史场景提高学习兴趣和理解深度在科学实验课程中模拟危险或难以操作的实验…… * 技术特点模型在处理问题时先自主生成与问题相关的知识如概念、特点、需求等基于这些生成的知识再进行深入分析和回答。 * 问题示例探讨虚拟现实技术在教育领域的潜在应用。 * 使用原因先生成相关知识有助于全面深入探讨应用。  https://medium.com/the-modern-scientist/prompt-engineering-classification-of-techniques-and-prompt-tuning-6d4247b9b64c ### 1.2.3 撰写优质提示词的原则 在LLM应用中优质prompt的编写是获取高质量输出的核心要素。优质prompt形式丰富多样、灵活多变编写技术也各具特色。不过遵循以下实用原则和框架可显著提高获得理想结果的概率。本质上编写prompt的过程类似于人与人之间的沟通其核心在于清晰表达意图使模型能够准确地理解并执行任务 1. 指令明确具体、清晰、结构化 * 原则解释向模型传达指令时避免模糊不清和歧义尽可能详细地说明任务内容、目标和要求并且按照一定的逻辑结构组织语言让模型能准确理解任务意图。 * 正面示例请列举出5种中国传统节日按照节日时间先后顺序排列并简要说明每个节日的主要习俗。 * 反面示例讲讲中国节日。过于简略没有明确的任务方向和要求模型不知道需要提供哪些具体信息以及以何种形式呈现。 2. 示例丰富少样本学习提供参考 * 原则解释通过给出少量与任务相关的具体示例让模型更好地理解任务的模式和要求从示例中学习如何生成合适的输出。 * 正面示例请根据给定的水果名称写出它们的颜色和口感。例如苹果-红色、脆甜香蕉-黄色、软糯。现在请描述草莓、葡萄和橙子。 * 反面示例请描述水果的颜色和口感。没有示例模型可能对任务的具体形式和期望输出不太明确可能导致回答不规范或不符合预期。 3. 分隔清晰逻辑分明易于理解 * 背景设定一个神秘的森林。 * 角色设定勇敢的探险家、智慧的老精灵。 * 任务要求编写一个500字左右的故事讲述探险家和老精灵在森林中的冒险经历。 * 原则解释在输入内容中将不同的信息部分、任务要求等进行明确的分隔使模型能清晰区分各个部分的作用从而更准确地处理和回应。 * 正面示例以下是一个故事创作任务。 * 反面示例在一个神秘森林里有勇敢的探险家和智慧的老精灵编写500字左右讲述他们冒险经历的故事 所有信息混在一起没有明确分隔模型较难快速梳理出关键信息和任务结构。 4. 思维链提示步步分解引导模型 * 原则解释将复杂的任务分解成一系列逐步推进的步骤向模型展示思考过程和逻辑链条引导模型按照这个思路进行推理和生成答案。 * 正面示例计算25乘以36再加上18除以6的结果。请按照以下步骤进行计算 * 反面示例计算25×3618÷6。没有给出思维步骤模型可能直接计算但对于一些需要详细推理过程的任务这种简单指令不利于模型展示完整的思考过程。 1. 第一步先计算25乘以36的积。 2. 第二步计算18除以6的商。 3. 第三步将第一步得到的积和第二步得到的商相加得出最终结果。 5. 格式规范输出要求明确注明来源 * 原则解释明确告知模型期望的输出格式如列表、段落、表格等并且如果需要引用外部信息要注明信息来源的要求以便模型生成符合格式要求且来源可追溯的内容。 * 正面示例请列出2025年春节期间票房排名前五的电影按照票房从高到低的顺序排列输出格式为表格包含电影名称、上映日期、票房数据单位亿元。数据来源请注明为权威电影票房统计平台。 * 反面示例说下2025年春节期间票房高的电影。没有规定输出格式也未提及数据来源要求模型输出的内容可能格式混乱且无法验证数据可靠性。 6. 激励探索鼓励反思提供容错 * 原则解释在指令中适当鼓励模型进行探索性思考对生成的内容进行自我反思和优化。同时对于模型可能出现的一些小错误或不完美的回答给予一定的容错空间引导其改进。 * 正面示例请为即将到来的蛇年春节创作一条祝福短信要富有创意和情感。如果觉得自己创作的内容不够好可以尝试从不同角度重新构思多思考一些独特的表达和意象。例如人类的优点和缺点、人类对你的影响、你对人类的期望等。 * 反面示例马上写一条蛇年春节祝福短信不准写得太差写不好重新写。这种指令过于强硬没有给模型积极的引导和探索空间可能导致模型生成内容时受到限制缺乏创新性。 7. 借助LLM利用其语言能力生成适配的提示词 * 原则解释LLM本身具备强大的自然语言处理能力可以先向其输入宽泛的主题或任务描述让模型基于已有知识和理解帮助生成或优化更加精准、有效的提示词。 * 正面示例你希望了解中国传统文化中关于蛇年的独特寓意。先向LLM询问 “如何设计一个询问中国传统文化中蛇年寓意的优质提问”模型可能回复 “请从民俗、神话、传统艺术等方面详细阐述中国传统文化中蛇年所蕴含的吉祥寓意和象征意义列举具体事例说明”。然后你使用这个生成的提示词向模型提问就能获取更全面深入的回答。 * 反面示例直接向模型询问 “蛇年有什么寓意”。这样简单的提问缺乏针对性和引导性模型给出的回答可能比较笼统无法满足对信息深度和广度的需求而没有借助模型自身能力来优化提示词是导致这种情况的原因之一。 8. 使用分隔符通过分隔符明确提示词的结构帮助模型精准处理。 * 原则解释分隔符可以帮助模型更好地理解和处理提示词的结构确保各部分内容的清晰和独立提高模型的响应质量。常见的分隔符包括“#”,“”,“-”,“”和“|”等可以根据需求选择合适的分隔符。 * 正面示例你希望模型帮助你撰写一篇关于人工智能在医疗领域应用的文章可以使用分隔符明确各部分的内容如“# 引言 # 人工智能在医疗领域的应用背景和意义。## 主要应用 ## 诊断、治疗、药物研发等方面的应用实例。## 未来展望 ## 人工智能在医疗领域的未来发展趋势和挑战。” 这样模型可以更好地理解每个部分的要求生成结构清晰的文章。 * 反面示例直接向模型询问 “人工智能在医疗领域的应用”。这样没有明确结构的提问模型可能会给出一个较为笼统的回答缺乏深度和条理性。 9. 风格设置通过设定文本风格、赋予模型特定角色让生成内容契合特定需求与场景。 * 原则解释风格设置可改变生成文本的语言风格、情感基调或让模型从特定角色角度依据其特点、认知和口吻创作提升内容针对性、独特性与吸引力。**风格设置类似补充system角色功能此时system角色通常较中性但若已设system个性角色风格设置可能失效、冲突或融合**。 * 正面示例当你想创作一篇鼓励职场新人勇敢迎接挑战的鸡汤文案时你可以这样要求“请以励志激昂的风格扮演一位经验丰富的职场前辈给刚踏入职场的新人写一段话讲讲如何克服初入职场的困难与压力激励他们积极进取 。”这样模型就会用充满力量的语言以过来人的视角为职场新人提供鼓励与建议。 * 反面示例简单地说“写一段鼓励职场新人的话”。模型生成的内容可能缺乏感染力无法精准针对职场新人的痛点和心态难以达到有效激励的效果。  https://blog.hubspot.com/marketing/write-ai-prompts ### 1.2.4 提示词框架 提示词技巧往往呈现零散状态缺乏系统性。而提示词框架的出现为其提供了系统的结构化方法。不同的框架适用于各异的场景与需求能够帮助用户在与LLM交互时高效地构造出有效的提示词。常见的提示词框架包括RACE、CARE、APE、ROSES、COAST、CREATE、TAG、PAIN、RISE、CREO。  https://medium.com/slakhyani20/10-chatgpt-prompt-engineering-frameworks-you-need-to-know-41d4b76ed384 以TAG框架的运用为例TAG是“任务Task、行动Action、目标Goal”的缩写。TAG通过结构化和逻辑化的方式拆解提问确保问题精准清晰进而引导AI给出更准确的回复。具体来说 * 任务Task作为提问的开端需明确自己想要解决的问题。含混不清的任务描述往往是导致AI输出无效回答的主因。 “针对公司下个季度的销售策略给我提供一些创新建议” 。 “就如何提升员工工作效率谈谈你们的看法”。 “给我提供点建议”错误在于任务模糊AI无法判断具体需求。 “说下你们的看法”没有指明看法针对的对象。 错误示例 正确示例 * 行动Action是提问的执行部分需要清晰阐述期望AI完成的具体工作。 “列举5种适合上班族的高效健身方法” 。 “制作一张宣传公司年会的海报风格喜庆活泼用于社交媒体宣传”。 “介绍下健身知识”问题太过宽泛AI难以确定重点。 “做个海报”没有说明海报的主题、风格和使用场景。 错误示例 正确示例 * 目标Goal是提问的落脚点需明确最终期望获得的成果以及对输出内容的预期。 “制定一份详细的项目推广方案包含预算和时间节点用于公司内部会议讨论” 。 “分析当前市场竞争对手的优劣势形成数据可视化报告为公司战略调整提供依据”。 “给我做个有价值的方案”没有界定“有价值”的标准AI难以把握。 “分析下当前情况”未说明分析的维度和程度。 错误示例 正确示例 基于TAG框架以个人健康管理计划制定为例最终提问的完整示例prompt如下 plaintext ## 任务改善睡眠质量。## 行动提供一份详细的睡眠改善计划。## 目标帮助我制定一个可行的睡眠计划包括入睡前的准备、睡眠环境的调整以及改善睡眠习惯的建议最终目标是每天能够深度睡眠7小时以上。类似于TAG框架其他提示词框架同样是一种结构化方式若需了解各种提示词框架的具体使用方法可自行搜索获取。提示词框架并非必须掌握的硬性技能部分LLM应用或许已内置基础的提示词框架。不过提示词框架能够显著提升与LLM交互的效率与效果。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”