AI大模型Prompt秘籍：从入门到精通，解锁高效内容审核新技能！

导语随着智能化转型浪潮席卷各行各业AI 大模型凭借出色的自然语言理解能力与人机交互优势已在众多垂直场景中确立了不可替代的地位。以内容审核领域为例相较于传统人工审核方式AI 大模型展现出了显著的效率优势——借助精准构建的 Prompt可在内容合规检测、自动化审核流程等多类项目与业务场景中充分释放潜力大幅缩短处理周期提升产出质量。 笔者系统学习了业内多位先行者关于 Prompt 的课程体系后汇整成这份参考资料供各位研习交流。本笔记将系统梳理 Prompt 的概念界定与撰写框架深入剖析构建高质量 Prompt 的核心准则与实操方法并从底层技术视角解读 Prompt 的运作机制帮助读者更高效地驾驭大模型创造真实的业务价值。第一节提示词 Prompt 定义及基本框架一、什么是提示词 Prompt大模型 Prompt 指在大语言模型应用中用于提示模型唤起特定能力以解决实际问题的提问方式。早期它被称作输入形式或输入模板后来prompt提示这一叫法因契合大语言模型语境能准确体现其在调用模型能力方面的关键作用成为公认术语。大模型的绝大多数核心能力都在预训练阶段奠定Prompt 犹如一把开关引导模型从预训练阶段积累的庞大知识体系中有针对性地激活诸如深度文本理解、信息摘要、内容创作、逻辑演绎等能力从而响应用户的实际诉求。它并不是将模型视为静态的知识仓库而是以高效的方式调度模型能力实现与人类运用智识应对复杂问题相似的效果是 Prompt 工程的核心所在对于充分发挥大语言模型价值具有重要意义。二、撰写 Prompt 的基本框架1. Prompt 包含的要素要素说明指令想要模型执行的特定任务或指令上下文包含外部信息或额外的上下文信息引导语言模型更好地响应输入数据用户输入的内容或问题输出指示指定输出的类型或格式2. Prompt 五大框架2.1 RTF 框架RTFRole-Task-Format框架是一套极为简洁且普适的 Prompt 提示框架可广泛应用于各类大模型对话场景。字母含义说明RRole角色指定大模型担当固定角色专家、分析师、研究员、记者等TTask任务告诉大模型需要为我们做的事情FFormat格式大模型最终结果的返回格式表格、json、英文等主要优点简单、方便指定 Role 角色可以让大模型在当前角色范围内回答知识在特定领域中非常有效指定 Role 角色也能让工程上检索知识确定边界范围配合元数据威力更强如果结合 RAG 知识内容检索上下文回答的内容会让用户感觉更加顺畅2.2 思考链模式借助这一模式可以循序渐进地强化大模型的推理表现尤其适合处理以下类型的复杂任务分析型或者逻辑推理型的任务决策解决问题比如程序员根据错误日志找 Bug使用方式只需要在提示末尾添加“让我们逐步思考”即可。# 数据源与指令区分user_datasource XXX……prompt1 分析一下在在线教育平台场景下{user_datasource}中用户有哪些诉求。用一句话概括。prompt2 分析一下在在线教育平台场景下{user_datasource}中用户有哪些诉求。用一句话概括。让我们逐步思考。# 模型输出结果output1在在线教育平台场景下用户主要诉求为课程视频无法播放、账号登录异常、课程内容与描述不符、请求退款等寻求客服协助解决问题。output2在在线教育平台场景下用户主要诉求为课程视频无法正常播放导致学习中断以及因账号异常无法继续学习用户希望平台能够尽快响应并解决上述问题。# 分析结果# output1 中的课程内容与描述不符并非用户的核心诉求而 output2 显然更加精准2.3 RISEN 框架字母含义说明RRole大模型扮演的角色IInstructions指示命令和 Task 差不多SSteps步骤EEnd Goal最终目标NNarrowing (Constraints)缩小范围约束条件可以是内容限定、字数限制等任意方面适合场景撰写具有特定约束的任务例如博客文章有明确指导方针的任务例如商业计划2.4 RODES 框架字母含义RRole角色OObjective目标DDetails详细的细节EExamples示例SSense Check感官检查2.5 密度链模式密度链模式是 Salesforce、麻省理工学院和哥伦比亚大学的研究人员推出的一种新提示它使用递归来创建越来越好的输出与普通提示生成的 GPT-4 摘要相比生成的摘要更加密集且更适合人们理解。适合场景总结改进您最喜欢的提示通过递归生成可用的长格式内容第二节打造高效 Prompt 的两大核心原则一、原则一编写明确和具体的指令策略 1使用分隔符清晰界定输入部分合理运用分隔符将待处理的特定文本与提示的其余内容明确区隔开来可以有效规避提示词之间的干扰与冲突。常见分隔符包括章节标题通过不同层级的标题区分不同内容模块三重双引号在代码编写中常用于包裹较长的文本字符串三重单引号功能与三重双引号类似三重破折号---在文本中起到明显的分隔作用角括号常被用于标记特定元素XML 标签tag/tag利用结构化的标签形式区分不同内容示例 1对产品描述进行总结product_description f这是一款全新的无线降噪耳机支持主动降噪、通透模式切换配备高保真音频驱动单元单次充电可续航达30小时并兼容多设备快速切换连接。prompt f请总结以下产品描述{product_description}示例 2对用户评论进行情感分析user_comment f这款笔记本电脑的散热设计相当出色长时间运行也几乎感觉不到明显发热键盘手感舒适唯独屏幕亮度在强光环境下稍显不足。prompt f分析以下用户评论的情感倾向{user_comment}策略 2要求结构化输出指定模型按照特定的结构化格式如 HTML 或 JSON进行输出能够显著提升后续数据处理的效率与便捷性。示例 1要求模型以 JSON 格式输出prompt 请以json格式列出每个nodeType所体现的用户诉求、客服方案。每一个json-value不超过20个字# 模型输出{IVR: { 用户诉求: 游戏账号相关问题求助, 客服方案: 引导自助查询或转人工 },ASYNC: { 用户诉求: 虚拟道具误购申诉, 客服方案: 按规则审核或引导自助 },AI: { 用户诉求: 充值未到账问题咨询, 客服方案: 要求用户提供订单截图 }}示例 2以 HTML 格式输出书籍列表prompt 请以HTML格式列出三本你推荐的科幻小说及其作者。# 模型输出ul li《三体》 - 刘慈欣/li li《基地》 - 艾萨克·阿西莫夫/li li《银河帝国机器人五部曲》 - 艾萨克·阿西莫夫/li/ul策略 3要求模型检查条件是否满足在处理含有前置条件的复杂任务时应指引模型优先验证假设条件是否成立若不满足则给出明确提示并终止后续操作。expression 5 3 - (-2)prompt f首先检查表达式 {expression} 中的所有数字是否都为正数。如果是请计算该表达式的值如果不是请输出表达式中存在非正数无法计算。# 模型输出# 表达式中存在非正数无法计算策略 4Few-shot Prompting少样本提示向模型提供若干已完成任务的典型示例辅助模型更准确地把握任务要求和预期的输出样式。prompt 示例1中文词汇苹果翻译apple造句I like to eat apples.示例2中文词汇学校翻译school造句I go to school every day.中文词汇图书馆翻译造句# 模型输出# 翻译library# 造句I often read books in the library.二、原则二给予模型充足的思考时间策略 1明确完成任务所需的步骤向模型清晰传达执行任务时需要遵循的具体步骤使模型能够有序地展开推理与运算。poem 横看成岭侧成峰远近高低各不同。不识庐山真面目只缘身在此山中。prompt f请按照诗歌主题 - 主要意象 - 表达情感的格式分析这首诗{poem}# 模型输出# 哲理感悟 - 庐山 - 对客观认知局限的深刻反思策略 2引导模型在得出结论前充分思考方案在要求模型作出最终判断之前明确指示其先进行多角度的深入推演与权衡分析。prompt 在回答如何提升团队项目交付质量之前请先思考至少三个方面的关键因素然后综合这些因素给出全面的改进建议。# 模型输出# 首先从流程规范方面可建立标准化的代码审查机制、完善测试覆盖率要求确保每个环节有据可查# 其次从人员协作角度加强跨职能团队沟通定期开展技术分享与复盘会议# 再者从工具赋能来看引入自动化 CI/CD 流水线降低人工操作失误率提升发布效率。# 综合以上三方面提升项目交付质量可以从规范研发流程、强化团队协作以及优化工程工具链等维度协同推进。三、模型的局限性与应对策略模型幻觉尽管模型在训练阶段已消化了海量数据但它依然无法对所有信息做到完整记忆也很难精确感知自身知识的边界所在。正因如此当遇到较为生僻或小众的议题时模型有可能输出表面上逻辑自洽、实则有悖事实的内容这一现象即通常所说的**“幻觉”**。解决幻觉的策略可要求模型在作出回答之前先行从所提供的参考文本中检索出相关依据再以这些依据为基础构建回答内容。这一做法能保证输出结果有据可查同时具备良好的可追溯性。text 1969年美国阿波罗11号完成了人类首次载人登月任务这是航天史上的里程碑事件标志着美国在太空竞赛中取得决定性胜利。宇航员尼尔·阿姆斯特朗率先踏上月球表面留下了那句举世闻名的话成为人类探索宇宙精神的永恒注脚。prompt f请从上述文本中找出相关信息回答阿波罗11号任务的历史意义是什么# 模型输出# 阿波罗11号完成了人类首次载人登月任务是航天史上的里程碑事件标志着美国在太空竞赛中取得决定性胜利。第三节Prompt 技术剖析与应用一、零样本提示Zero-Shot Prompting模型在没有特定任务示例的情况下直接处理任务。其核心原理在于模型经过大规模语料预训练与指令微调后已内化了跨领域的通用知识和对各类任务的基本理解能力。prompt 判断此文本的情感倾向为积极、消极或中性这部电影情节紧凑特效惊人。情感# 模型输出积极局限对于复杂任务由于缺乏具体示例引导效果可能受限。二、少样本提示Few-Shot Prompting当零样本提示的表现未能达到预期时可通过向模型注入少量具有代表性的任务示例帮助模型从中归纳任务的规律与输出模式。prompt whatpu是坦桑尼亚的一种小型毛茸茸的动物。一个使用 whatpu 这个词的句子的例子是我们在非洲旅行时看到了这些非常可爱的whatpus。farduddle是指快速跳上跳下。一个使用 farduddle 这个词的句子的例子是# 模型会根据前面的示例学习并生成新的句子三、思维链提示Chain-of-Thought Prompting在 Prompt 中呈现完整的逐步推导过程引导模型学会拆解问题、逐层分析直至得出结论。该方法可与少样本提示配合使用在算术运算、常识推理等需要多步推导的任务中效果尤为显著。prompt Roger 有 5 个网球他又买了 2 罐网球每罐有 3 个球他现在共有多少球Roger 一开始有 5 个球。2 罐网球每罐 3 个共 6 个球。5 6 11。答案是 11。四、自我一致性Self-Consistency向模型提供多组少样本推理示例使模型通过对多条不同推理路径所得结果进行比对最终选取最高频一致的答案从而提升算术推理与常识问答任务的可靠程度。prompt Q林中有 15 棵树。林业工人今天将在林中种树。完成后将有 21 棵树。林业工人今天种了多少棵树A我们从 15 棵树开始。后来我们有 21 棵树。差异必须是他们种树的数量。因此他们必须种了 21 - 15 6 棵树。答案是 6。...更多示例Q当我 6 岁时我的妹妹是我的一半年龄。现在我 70 岁了我的妹妹多大A五、生成知识提示Generated Knowledge Prompting先驱动模型输出与任务密切相关的背景知识再将这些知识融入后续推理过程以得出精准结论能够切实提升常识类推理任务的答题质量。prompt 输入高尔夫球的一部分是试图获得比其他人更高的得分。知识高尔夫球的目标是以最少的杆数打完一组洞。一轮高尔夫球比赛通常包括 18 个洞。每个杆计为一分总杆数用于确定比赛的获胜者。解释和答案# 模型输出不是高尔夫球的目标是以最少杆数完成比赛而非追求更高得分。六、链式提示Prompt Chaining把一个复杂的综合性任务分解为若干相互衔接的子任务依次为每个子任务构建 Prompt 并将前一步的输出作为后一步的输入实现对复杂任务的结构化、有序处理。# 第一个提示提取相关引文prompt1 你是一个很有帮助的助手。你的任务是根据文档回答问题。第一步是从文档中提取与问题相关的引文由####分隔。请使用quotes/quotes输出引文列表。如果没有找到相关引文请回应未找到相关引文。#### {{文档}} ##### 第二个提示根据引文和文档生成回答prompt2 根据从文档中提取的相关引文由quotes/quotes分隔和原始文档由####分隔请构建对问题的回答。请确保答案准确、语气友好且有帮助。#### {{文档}} #### quotes{quotes_list}/quotes七、思维树Tree of Thoughts, ToT通过维护一棵思维树让模型在解决问题时能够生成和评估中间思维步骤并结合搜索算法进行系统性探索帮助模型应对复杂的探索性任务。prompt 输入: 4 9 10 134 9 13 (left 10 13 13)10 - 4 6 (left 6 9 13)13 - 6 7 13 - 9 44 6 10 (left 7 9) 4 * 6 24 (left 4 6)评估是否能得到 24: sure八、检索增强生成RAG将信息检索与文本生成相结合通过检索相关文档为模型提供额外的知识支持有效缓解模型的幻觉问题。在自然问题、事实验证等基准测试中表现卓越。question 谁是首次登上月球的人documents retrieve_documents(question)prompt 根据以下文档回答问题 str(documents) 问题是 questionanswer generate_answer(prompt)九、自动推理并使用工具ART使模型能够自动生成包含推理步骤的程序并在需要时调用外部工具。在 BigBench 和 MMLU 基准测试中ART 在多种任务上表现突出显著超越少样本提示和自动 CoT 等方法。prompt 计算将 48 份报告平均分配给 6 个小组每组几份再加上 5 是多少请生成解决这个问题的程序步骤。# 模型生成程序步骤result (48 / 6) 5十、自动提示工程师APE利用大型语言模型自动生成指令候选项再依据评估分数选择最佳指令提升提示生成的效率与效果。article 这里是一篇技术博客文章的内容candidates generate_candidates(article)prompt select_best_instruction(candidates) article# 模型根据最终的 prompt 生成文章总结十一、Active-Prompt先查询模型生成多个答案计算不确定度后挑选最不确定的问题由人类注释示例再用新示例推断其他问题从而优化模型对不同任务的适应性。prompt 对以下文本进行分类这是一篇关于量子计算研究进展的学术报告。answers query_model(prompt, num_answers5) # 生成 5 个答案uncertainty calculate_uncertainty(answers)if uncertainty threshold: # 不确定度超过阈值 new_prompt update_prompt_with_annotated_example(prompt) final_answer query_model(new_prompt)else: final_answer select_most_consistent_answer(answers)十二、方向性刺激提示Directional Stimulus Prompting通过训练策略 LM 生成引导提示增强对模型生成结果的掌控力提升文本摘要等任务的质量。article 这里是一份产品需求文档的内容prompt 请根据文档内容生成一个引导提示重点关注文档中的核心功能需求和验收标准。# 策略 LM 生成引导提示例如重点提取文档中的功能模块、用户故事以及关键交付物# 然后将引导提示用于后续的文本摘要任务十三、PAL程序辅助语言模型让模型生成程序来解决问题借助编程运行时提升解决复杂问题的能力尤其适用于数学计算等精确推理任务。question 今天是 2024 年 6 月 15 日项目启动于 180 天前项目启动日期是多少prompt import datetimefrom dateutil.relativedelta import relativedelta# Q: 2015 年在 36 小时后到来。从今天起一周后的日期是多少格式为 MM/DD/YYYYtoday datetime(2015, 1, 1) - relativedelta(hours36)one_week_from_today today relativedelta(weeks1)one_week_from_today.strftime(%m/%d/%Y)# Q: 今天是 2024 年 6 月 15 日项目启动于 180 天前项目启动日期是多少# 模型生成# today datetime(2024, 6, 15)# born today - relativedelta(days180)# born.strftime(%m/%d/%Y)十四、ReAct 框架使模型交错生成推理轨迹和操作提升答案的可靠性与可解释性。在知识密集型和决策任务中表现良好通过与外部环境交互获取信息来辅助推理。question 除苹果遥控器外哪些设备可控制其设计交互的程序prompt 问题除苹果遥控器外哪些设备可控制其设计交互的程序思考 1我需要搜索苹果遥控器相关程序及可替代控制设备。操作 1搜索 [苹果遥控器 可替代控制设备]观察 1搜索结果为……思考 2根据搜索结果分析哪些设备符合要求。操作 2筛选 [符合要求的设备]观察 2筛选结果为……思考 3整理最终答案。操作 3整理 [最终答案]十五、自我反思Reflexion包含参与者、评估者和自我反思三个模型旨在帮助模型从错误中学习并提升性能。如代码出现语法错误自我反思模型会提示可能的错误原因及修正方向。code 这里是一段初始代码result actor(code) # 参与者模型生成代码和动作score evaluator(result) # 评估者模型评价输出reflection reflexion(score, result) # 自我反思模型生成改进建议# 将改进建议应用到下一次的代码生成中实现自我学习和提升附录一、术语表术语说明Prompt在大语言模型应用中用于提示模型唤起特定能力的提问方式是 Prompt 工程的核心RTF 框架Role-Task-Format 框架通过指定角色、任务和格式规范大模型输出简单通用思考链模式在提示末尾添加让我们逐步思考引导大模型逐步分析复杂任务改善推理能力RISEN 框架包含角色、指示命令、步骤、最终目标和约束条件适合特定约束或明确指导方针的任务RODES 框架涵盖角色、目标、详细细节、示例和感官检查的提示框架密度链模式利用递归创建更好输出的提示生成的摘要更密集且适合理解适用于总结等任务少样本提示为模型提供少量任务示例帮助其学习任务模式和规律零样本提示模型在无特定任务示例下依靠自身预训练知识直接处理任务思维链提示为模型展示详细推理过程提升其在复杂推理任务中的表现自我一致性通过多个推理示例让模型筛选最一致答案增强推理可靠性生成知识提示先让模型生成相关知识再整合知识得出准确答案链式提示将复杂任务拆分为多个子任务逐步生成提示并传递结果思维树ToT通过维护思维树让模型生成和评估中间思维步骤应对复杂探索性任务RAG将信息检索与文本生成结合检索相关文档为模型提供知识支持缓解幻觉问题ART使模型自动生成包含推理步骤的程序并在需要时调用外部工具APE利用大型语言模型生成指令候选项依据评估分数选择最佳指令Active-Prompt查询模型生成多个答案计算不确定度后挑选最不确定问题由人类注释优化模型适应性方向性刺激提示训练策略 LM 生成引导提示增强对模型生成结果的掌控力PAL让模型生成程序来解决问题借助编程运行时提升解决复杂问题的能力ReAct 框架使模型交错生成推理轨迹和操作提升答案的可靠性与可解释性自我反思Reflexion包含参与者、评估者和自我反思三个模型帮助模型从错误中学习并提升性能二、常见问题解答Q1如何选择合适的 Prompt 框架根据任务类型和需求选择简单对话场景 →RTF 框架复杂分析任务 →思考链模式或RISEN 框架对输出格式有严格要求 → 关注 RTF/RISEN 框架中的格式或约束条件设定进行总结类任务 →密度链模式Q2为什么模型会出现幻觉现象模型虽经大量数据训练但无法完美记住所有知识也难以精准把握知识边界面对复杂或生疏主题时就可能编造看似合理但错误的内容。Q3如何利用少样本提示提升模型性能提供与任务相关、格式规范的成功示例示例要涵盖任务的关键要素和模式让模型学习示例中的规律和逻辑尤其适用于复杂任务或对输出格式有特定要求的情况。Q4链式提示在实际应用中有哪些优势将复杂任务拆解为子任务使模型处理过程更清晰、有序逐步深入解决问题提高了任务处理的准确性与可靠性避免模型在处理复杂问题时因任务过于复杂而出现混乱或错误。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用