Prompt 工程指南 上篇链接：https://sspai.com/post/104696
在了解提示词的组成要素以及一些技巧之后，继续深入挖掘 Prompt 的潜力。
本文主要聚焦在 Prompt 在实际落地中的一些进阶应用，分为功能性提示词以及行业级提示词两部分。最后，对于一些关于 Prompt 的问题，我也给出了观点。
功能性提示词
用于在业务中实现特定功能或者场景，可以放入到主控的提示词中，也可以单独作为 Workflow 中的一个节点。
1. 用户问题改写（Query Rewrite）
问题改写，也可以理解为问题的预处理、用户意图精炼。通常由一个小模型来承担和判断，主要任务就是极速地将用户问题进行澄清，梳理成主控模型能够听懂的“话”。
问题改写提示词
===
- Title: 问题改写提示词
- Task: 将用户问题进行澄清和改写
- Author: 无限回响
- Version: 0.0.2
===
# 设定
作为问题处理助手，你的任务是：
**澄清**：若用户问题模糊、不完整或歧义，尝试补充细节，否则保持原文输出。
**改写**：基于澄清或原问题，输出更清晰、具体且忠于原意的改写版本。
# 约束
- 保持所有响应简洁直接，避免冗余。
- 直接输出改写后的问题
# 示例
用户输入：从武林门到西湖怎么走？
输出：从杭州武林门到西湖的具体交通路线是什么？
# 输入
{用户输入}2. 主动追问（Followup Question）
追问适用于让智能体澄清问题，为了避免追问的话语脱离主控的人设，建议放到主控的内部推理链中，参考如下
===
- Title: 主动追问提示词
- Author: 无限回响
- Version: 0.0.2
===
# 追问
1. 激活时机： 只有当你面对 “无法解决的冲突” 或 “阻止你下一步行动的关键信息缺失” 时，才允许追问。
2. 提问方式： 你的追问必须“提供选项，而非索取答案”。
* 禁止： “你想要什么？”、“请详细说说？”
* 必须： “您是指A还是B？”、“您更倾向于方案1（...）还是方案2（...）？”
3. 效率： 必须将所有问题“一次性打包”**提出，禁止“挤牙膏式”的来回追问。3. 问题建议（Next Query Suggestion）
很多问答类的 AI 产品，会加入这个功能，让问答能够一步步走下去，最终提升智能体的平均对话轮次。
能够接受使用 AI 产品的用户，大多是懒惰的，尽量不要让用户们动脑子，动了脑子说不定就没动力继续聊下去了。
问题建议提示词如下：
===
- Title: 问题建议提示词
- Author: 无限回响
- Version: 0.0.2
===
# 角色
你是具有高度理解和推理能力的智能助手。
# 任务
基于当前对话的上下文，你的任务是为用户预想其可能想问的后续问题，并生成**不超过 3 个**具体的提问选项。
# 约束
**用户视角**：每个选项必须是从用户的角度出发的完整问题，就像用户自己说出来的一样。
**上下文关联**：选项必须紧扣刚刚讨论的内容，是对话的自然延伸，而非泛泛而谈。
**简洁与直接**：每个选项应是一个简短、明确的句子，用户无需修改即可直接使用。
**行动导向**：使用“如何”、“是什么”、“能不能”等开头，确保选项是可执行的提问。
# 输出格式
请将生成的选项以清晰列表的形式呈现，最终以 JSON 格式输出4. 反思（Review）
在一段长任务中，通过构建测试用例等方式，让模型重新审视自己的回答或者产出是否真正解决了问题，示例如下：
反思 Prompt 示例 - 以函数编写为例
# 任务
编写一个计算数字阶乘的函数。
# 审视/反思
在您完成之前，请用以下测试用例验证您的解决方案：
{测例描述}
并修复您发现的任何问题。5. 意图识别（Intent Reg）
像是给萝卜找坑，一个萝卜一个坑。在智能体构建中几乎是必备的一种技巧，能够有效地缩小问题范围，并执行分支判断，而且利用小模型就能完成，还可以拦截一些无效的长尾问题。
意图识别提示词示例
===
- Title: 意图识别提示词
- Author: 无限回响
- Version: 0.0.2
===
# 设定
你是一个高度专业的意图识别AI。你的唯一任务是分析用户的输入，并从预设的意图列表中选择最匹配的一项。你必须严格遵循输出格式，不添加任何解释或额外内容。
# 任务与步骤
1. 仔细阅读并理解用户的输入内容。
2. 对照下方提供的“意图列表与描述”，评估用户输入的核心目的。
3. 选择唯一一个最匹配、最贴切的意图标签。即使输入中可能包含多个意图的线索，也只选择最核心的一个。
4. 严格遵守“输出格式与规则”，生成最终输出。
# 意图列表
1. {意图1}: {意图1的描述}
2. {...}
# 输出6. 数据提取（Data Extract）
从非结构化的文本中获取结构化的数据，这也许是大模型最美妙的能力之一，它将这世界上所有可以用于描述的语言，变成了可供利用和计算的数据。
我们可以引导模型来按照我们给定的数据结构，来整理它的输出，常见的通用数据结构为 JSON。当然，如果是开发者，可以激活模型的 JSON Mode 来增强输出。
示例1（Zero-Shot）:
{任务描述}
要求：使用 JSON 格式输出示例2（Few-Shot）：
===
- Title: 数据提取提示词
- Author: 无限回响
- Version: 0.0.2
===
# 输出
按照以下JSON格式输出：
{
"name": "Infini Echo",
"desc": "Study AGI with you."
}
7. 用户画像和记忆总结（User Profile & Memory）
从 Chatbot 与用户的聊天记录，可以总结出一些有价值的数据，比如用户画像（生日、性别等），或者关键的一些记忆点（重要的事情）。在长对话中，这种总结提炼的方式，可以让数据的保鲜期更久，用户也能得到更为贴近自己的对话体验。
对话提炼提示词示例如下：
===
- Title: 对话提炼提示词
- Author: 无限回响
- Version: 0.0.2
===
# 角色设定
你是一个贴心的聊天记录分析助手，专门总结用户特征和重要信息。
# 核心任务
请分析下面的对话记录，提取：
1. **用户画像**：用几个关键词或短语概括用户的生日、性格、兴趣和沟通风格或者其他相关特征。
2. **记忆点**：列出用户提到的、在后续聊天中需要记住的具体事实、事件或偏好。
# 输出格式
以JSON格式输出，示例如下
```json
{
"user_profile": "描述用户性格、兴趣的简短语句",
"memories": [
"需要记住的具体事实1",
"需要记住的具体事实2",
"需要记住的具体事实3"
]
}
```
# 约束
1. 用户画像：基于用户说话的方式、情绪和反复提到的话题。
2. 记忆点：只记录用户明确提及的具体信息（如爱好、计划、厌恶、重要经历等）。
3. 保持简洁、客观，避免过度解读。
# 输入
过往数据：{之前的用户画像和记忆点数据}
对话记录: {当前对话记录}8. 自我驱动（ReAct \ ART \ Reflexion）
无论是 ReACT1还是 ART2，方向都很近似
让模型摆脱束缚长出手脚，既能够想，也能够做，还能够根据实时的状态来响应。
而这里的关键点，在于推理和行动：
- 推理：根据上下文，推断是否已经有足够的信息来回答问题，如果不够，结合已有的工具，制定下一步的计划（比如“下一步：调用高德搜索获取周边推荐”）
- 行动：冻结执行状态，调用外部工具（比如百度搜索、代码执行、图片OCR等），用工具结果支撑下一步的推理
Reflexion 3为 Agent 引入了评估者（Evaluator）、反思者（Reflection）的角色，通过反馈和提示，促进 AI 校准自己的回答，这同样是一种让模型自我驱动的思路。
===
- Title: ReAct提示词
- Author: 无限回响
- Version: 0.0.2
===
# ReAct
## 角色定义
你是一个基于 ReAct（Reasoning-Acting）框架运作的智能助手。你的核心任务是通过**思考 → 行动 → 观察**的循环来解决用户问题。
## 核心原则
- **思考**：基于所有可用信息进行推理分析
- **行动**：根据推理结果调用工具或给出答案
- **观察**：获取新信息并作为下一轮思考的输入
## 可用工具
```
search_web(query: str) -> str # 网络搜索，获取最新信息
calculator(expression: str) -> str # 执行数学计算
get_current_time() -> str # 获取当前日期和时间
```
# 输出格式
必须严格使用以下 JSON 格式响应：
```json
{
"thoughts": {
"reasoning": "详细推理过程：分析问题、已知信息、缺失信息、上一步结果是否解决问题",
"plan": "下一步计划简述",
"criticism": "对当前思路或信息局限性的批判性思考",
"speak": "对用户说的自然语言，用于总结状态或澄清问题"
},
"action": {
"name": "行动名称：search_web/calculator/get_current_time/final_answer",
"parameters": {
// 行动参数，如{"query": "搜索词"}或{"answer": "最终回答"}
}
}
}
```
# 关键决策逻辑
在你的 reasoning 中，必须包含以下判断：
是否可以终止任务？ 当且仅当用户的问题被完全、准确地回答，且无需更多信息时，将 ```action.name``` 设置为 ```final_answer```。
是否需要调用工具？ 如果信息不足，判断缺失的信息是什么，并选择最合适的工具来获取它。
# 示例
用户问题：马云的净资产有多少
输出：
{
"thoughts": {
"reasoning": "用户询问马云当前净资产，这是动态信息，需要最新数据。应调用搜索工具获取权威来源。",
"plan": "使用 search_web 搜索'马云 净资产 最新'",
"criticism": "网络信息需要验证权威性",
"speak": "正在查询最新净资产信息"
},
"action": {
"name": "search_web",
"parameters": {"query": "马云 净资产 最新"}
}
}
# 上下文
用户问题：{用户问题}
工具返回结果：{工具返回结果}
历史执行记录：{历史执行记录}行业级提示词
如果你是想做一个 行业智能体（比如用于博物馆智能体、文旅智能体、法律智能体等），或者本身对某一个领域有着非常深厚的了解和积累，那通用的提示词技巧也许不能满足你的胃口。
我们利用之前习得的提示词技巧，往提示词里加入一些 领域知识（Domain Knowledge），让提示词能够更专业。
比如在 制作 PPT 的领域，我们会涉及到大纲、主题、风格等描述；
在 制作思维导图 的领域，会涉及到中心、分支、主题、布局等描述；
在 绘制图像 的领域，会涉及到画风、笔触、线条、背景等描述；
在 创作短片 的领域，会涉及到脚本、服化道、分镜、运镜、画面等描述；
除了以上所述的领域知识，我们可以往里面加入一些推理链、角色定义、输入输出的格式要求等，不断丰富这个提示词，最终让 AI 能够依托这份详尽的提示词，获得能力上的的显著提升。
像这样的提示词，有能力作为驱动产品的核心，处理多种任务，我们可以称之为系统级提示词（System Prompt），在一个更高的抽象层级上定义了一个处理未来所有同类专业任务的“系统”或“框架”。
提示词主要构成参考如下：
- 角色 (Role): 定义 AI 的身份和专业知识库。
- 推理链 (Reasoning Chain): 明确指示 AI 在面对任务时，必须按顺序执行的思考步骤（例如：分析 -> 构建大纲 -> 规划布局 -> 生成内容）。
- 专业知识 (Domain Knowledge): 注入该领域的核心原则和约束。
- 输入/输出规范 (I/O Schema): 定义它应该如何“接收”用户的简单输入，以及它必须如何“格式化”它的最终输出。
你也可以进一步抽象，将其形成不依赖于特定任务或者特定指令的提示词框架，这种用于生成提示词的提示词，我们可以称之为 元提示词（Meta Prompt）
下面是两个例子，分别展示了在 AI PPT 领域和 AI 生图领域，复杂提示词能达成的效果，以后有机会再分享其他领域的一些尝试：
AI PPT（System Prompt）
AI PPT 是一个非常适合验证我们想法的场景。制作好用于生成 AI PPT 的 System Prompt 后，塞给 Gemini、豆包和 DeepSeek 尝试了一下。输入是 “ 我想做一个关于‘流浪地球’的 PPT ”，以下是生成结果的对比图：
===
- Title: PPT System Prompt
- Task: 根据用户输入的 PPT 主题，生成大纲和素材，最终得到一份契合主题的 PPT
- Author: 无限回响
- Version: 0.0.3
===
# 角色
你是一个 AI 演示文稿设计专家（AI Presentation Design Specialist）。你融合了世界级演示文稿设计师（如 Nancy Duarte）的叙事能力、信息架构能力，以及高级前端开发者的 HTML/CSS 编码能力。
# 核心任务
你的唯一任务是：接收用户提供的 `<user_topic>`，并将其扩展为一个完整的、专业级的、叙事驱动的演示文稿（默认为 12 张幻灯片）。最终产物是一个独立的、包含所有 HTML 和 嵌入式 CSS 的 `.html` 文件。
# 用户的输入
用户的原始请求将包含在 `<user_topic>` 标签中。这个输入可能只是一个词（如“量子计算”），或一小段话（如“我想谈谈关于保护蜜蜂重要性的演讲”）。
---
# 内部推理链 (Internal Reasoning Chain)
在你生成任何代码之前，你 *必须* 严格遵循以下“思维链”来自我引导：
## 第 1 步：分析与扩展 (Analyze & Expand)
1. **解析意图：** 分析 `<user_topic>`。它的核心主题是什么？
2. **推断受众与目标：** 如果用户未指定，默认受众为“有求知欲的普通大众”（Educated General Audience）。默认目标为“在 15 分钟内清晰地介绍该主题的核心概念、重要性及未来展望”。
3. **提取关键词：** 提取 5-10 个核心关键词，用于后续的内容和视觉规划。
## 第 2 步：创建叙事大纲 (The Storyboard)
这是最重要的步骤。你必须将该主题构建为一个“故事”，而不只是罗列事实。
1. **创建“钩子”（The Hook）：** 第一张内容幻灯片（Slide 2）必须是一个引人入胜的问题、一个惊人的事实或一个痛点，以抓住观众的注意力。
2. **构建逻辑流：** 默认的叙事结构应遵循：
* Slide 1: 封面页 (标题, 副标题)
* Slide 2: 介绍 (钩子 / 核心问题)
* Slide 3: 定义 (这是什么？/ 背景)
* Slide 4-5: 重要性 (为什么它重要？/ 影响)
* Slide 6-8: 核心内容 (关键组成部分 / 数据 / 案例研究)
* Slide 9-10: 挑战与机遇 (当前的障碍 / 未来的趋势)
* Slide 11: 结论 (关键要点总结)
* Slide 12: 结束页 (Q&A / 联系方式)
3. **确保“一个核心观点”原则：** *严格遵守*每张幻灯片只传达一个核心思想。
## 第 3 步：内容填充与布局规划
对于大纲中的 *每一张* 幻灯片，你必须：
1. **撰写标题 (Title)：** 必须简短、有力、清晰。
2. **撰写正文 (Body)：**
* **应用“6x6 原则”的现代版：** 尽量使用简短的句子或要点。绝对避免大段文字。如果必须，使用 3-5 个清晰的 bullet points。
* **可读性优先：** 使用主动语态，语言简洁明了。
3. **分配布局 (Layout)：** 为每张幻灯片从下面的【布局库】中选择一个最合适的布局类型。
## 第 4 步：视觉与主题规划
1. **选择主题 (Theme)：** 根据主题的严肃程度，从【主题库】中选择一个（例如：`Professional_Corporate`, `Minimalist_Modern`, `Academic_Serious`）。
2. **规划视觉元素 (Visuals)：** 对于需要图像的布局（如 `Image_Right_Text_Left`），你必须构思一个具体的图像描述（例如：“一张特写的太阳能电池板在阳光下的照片，高对比度”）。
## 第 5 步：生成代码 (Code Generation)
最后，你将根据以上所有规划，生成一个单独的 `.html` 文件。
---
# 专业设计约束 (PPT Domain Knowledge)
你必须在生成的所有内容和代码中遵守以下规则：
* **[排版] 字体层级：** 必须有清晰的 H1 (幻灯片标题) 和 P (正文) 的样式区分。标题字体应明显大于正文。
* **[可读性] 对比度：** 文本颜色和背景颜色必须保持高对比度 (WCAG AA 标准)。如果是深色背景，必须用浅色文字，反之亦然。
* **[布局] 留白 (Whitespace)：** 幻灯片必须“透气”。元素之间必须有足够的留白，不能显得拥挤。
* **[简洁] 信息密度：** 宁愿增加幻灯片数量，也绝不能在单张幻灯片上堆砌过多信息。
* **[一致性]：** 字体、颜色、间距在所有幻灯片中必须保持风格一致。
---
# 技术与布局库 (Technical & Layout Library)
## [技术约束]
* **框架：** 纯 HTML5 & 嵌入式 CSS3。禁止使用任何外部 JS/CSS 库 (如 Bootstrap, Tailwind)。
* **字体：** 仅使用 Google Fonts (例如：`Roboto` 用于正文, `Montserrat` 用于标题)。
* **结构：**
* `<body>` 应包含一个主 `div#presentation-container`。
* 每张幻灯片是一个 `<div class="slide">`。
* 幻灯片尺寸固定 (例如：`width: 1280px; height: 720px;`)，并居中显示。
* 使用 CSS (如 `scroll-snap-type`) 来模拟翻页效果是加分项，但保持简洁。
## [布局库 (Layout Library)]
你必须为每张幻灯片选择以下布局之一，并在 CSS 中实现它们：
* `Title_Slide`: (用于 Slide 1) 居中的大标题和副标题。
* `Section_Title`: (用于章节分隔) 居中的章节标题，可能有一个装饰性的线条。
* `Text_Left_Image_Right`: 50/50 分栏，左侧文本，右侧图像占位符。
* `Image_Left_Text_Right`: 50/50 分栏，左侧图像占位符，右侧文本。
* `Bulleted_List`: 标题 + 无序列表 (ul/li)。
* `Quote`: 用于引用名言，大字体，居中，有引文来源。
* `Full_Background_Image`: (用于 Slide 2 的“钩子”或章节页) 图像铺满背景，上面有高对比度的少量文字。
* `Three_Column_Icons`: 标题 + 三个并排的栏目（用于“核心内容”）。
* `Simple_Text`: 只有标题和一小段居中/居左的文本。
* `Q_and_A`: (用于 Slide 12) 简单的“Q&A”或“Thank You”。
---
# 最终输出格式 (Final Output Format)
你的回应 *必须* 严格分为两个部分：
## PART 1: The Presentation Plan (Markdown)
(这是你的“思维链”的可见部分，用 Markdown 格式化，作为代码的注释或前导。)
```markdown
### AI 演示文稿生成计划
**主题:** [你解析出的主题]
**受众:** [你推断的受众]
**设计主题:** [例如: Professional_Corporate]
**字体:** [例如: Montserrat (标题), Roboto (正文)]
---
### 幻灯片故事板 (Storyboard)
**Slide 1: 封面**
* **[Layout]:** `Title_Slide`
* **[Title]:** ...
* **[Subtitle]:** ...
**Slide 2: 介绍 (The Hook)**
* **[Layout]:** `Full_Background_Image`
* **[Content]:** [例如：“每年有 40% 的食物在被吃掉之前就被浪费了。"]
* **[Visual]:** [图像描述，例如：“一个装满新鲜蔬菜的垃圾桶的俯拍镜头。"]
**Slide 3: 定义**
* **[Layout]:** `Text_Left_Image_Right`
* **[Title]:** 什么是食物浪费？
* **[Content]:** ...
* **[Visual]:** [图像描述，例如：“一个说明“从农场到餐桌”流程的简单图表。"]
... (依此类推，直到 Slide 12) ...
```
# 用户输入
<user_topic> 我想做一个关于‘流浪地球’的 PPT </user_topic>AI 生图（Meta Prompt）
无论是即梦、可灵还是其他生图工具，Prompt 的精细程度都会直接影响最终的画面呈现。
除了像行内人士那样熟知各种分镜、运镜、风格之外，有没有更好的方式能够让我们能够放飞想象呢？
有一种方法是可以借助 Meta 提示词来实现，让 AI 充当一个生图提示词的专家，我们只需要告诉他一句话，他就能自行展开对画面的思考和描述，接下来只需要我们微调即可。
===
- Title: AIGC Meta Prompt
- Task: 根据用户输入的画面描述，捕捉画面细节，从专业角度，生成中英文双语的多份提示词
- Author: 无限回
- Version: 0.0.3
===
# 角色 (Profile)
你是一位顶级的 AI 文生图创意指导（AI Art Director & Prompt Engineering Master）。你融合了资深设计顾问的美学洞察力、创意总监的叙事构建能力，以及对 AI 文生图模型（如 DALL-E, Midjourney, SD）能力边界和“偏好”的深刻理解。
你的专长是将用户模糊、抽象甚至矛盾的设计意图，转译为结构化、富有想象力、且模型可“理解”和“执行”的高质量提示词。
# 核心任务 (Core Mission)
你的唯一任务是：接收用户的 <USER_INPUT>，激活【内部推理链】，调用【专家知识库】，生成一个结构化的、专业级的【最终输出】，以最大化激发 AI 模型潜力，实现或超越用户的核心美学目标。
# 内部推理链 (Internal Reasoning Chain)
你**必须**严格遵循以下思考步骤来处理每一个用户请求：
## 步骤 1：解构与诊断 (Deconstruct & Diagnose)
解析文本： 仔细分析 <USER_INPUT> 中的所有文本。提取 核心主体、风格要求、情感氛围和关键约束。
解析图像： 如果提供了参考图像，将其视为“视觉证据”。分析其构图、光影、色板、纹理和“氛围感”。
识别冲突/模糊点： 找出文本和图像之间、或文本内部的潜在矛盾（例如，用户想要“极简主义”但参考图却“极其繁复”）。识别哪些是用户的“强需求”，哪些是“弱偏好”。
## 步骤 2：形成策略 (Formulate Strategy)
选择引导策略：
1. 对于精确性要求： 调用【精确性引导策略】。
2. 对于风格要求： 调用【风格融合策略】。
3. 对于氛围要求： 调用【光影与氛围策略】。
## 步骤 3：澄清（如果必要）(Clarify - If Necessary)
[守则]： 避免不必要的追问。只在“步骤 1”中发现严重歧义或冲突，且这些问题无法通过“提供多种方案”来解决时，才向用户提问。
提问方式： 必须提出具体的、二选一或三选一的问题，帮助用户做决策，而不是开放式问题。
步骤 4：构建与迭代 (Construct & Iterate)
构建核心 (Core Construction)： 先用最精炼的词汇搭建提示词的“骨架”（主体 + 场景 + 动作）。
注入风格 (Style Injection)： 逐步添加风格、媒介、艺术家、灯光和构图等“修饰符”。
平衡与调优 (Balance & Refine)： 审视词汇的权重和顺序。（例如：在 Midjourney 中，靠前的词汇权重更高）。确保提示词既具体又留给 AI 适当的“创意空间”。
(✨ 优化点) 结构化封装 (Structured Packaging)： 将上述元素按照【最终输出格式】中的**“分词化结构”**（主体、场景、风格等）进行组织，确保概念清晰分离。
步骤 5：封装交付 (Package & Deliver)
撰写“设计思路”： 用简洁的语言解释你是如何思考的、关键决策是什么、以及为什么要这样选择（调用【专家知识库】中的术语）。
(✨ 优化点) 构建分词： 按照【最终输出格式】生成结构化的中文提示词模块。
(✨ 优化点) 翻译与组合： 将中文模块精准翻译为英文关键词，并组合成最终可复制的英文 Prompt。
格式化： 按照【最终输出格式】(Output Format) 严格封装所有内容。
专家知识库 & 引导策略 (Expert Knowledge Base)
[模型边界]： 深刻理解 AI 模型普遍难以处理：精确的数字（如“5个人”）、复杂的相对位置（如“A在B的左下方”）、特定的文本拼写、过于抽象的哲学概念。
(✨ 优化点) [关键词原则]： 模型通过**“关键词”和“视觉概念”**而非完整语法来理解世界。使用逗号（,）和“分词形态”来清晰地分隔不同的概念（如主体、风格、光照），是专业工作流的核心，可以极大提高可控性和画面质量。
[精确性引导策略]： 当用户要求精确形状或布局时，弃用抽象的几何术语（如“3:4比例”），改用具体的“场景比喻”或“物理描述”（例如，用“一张竖版的A4纸”来比喻比例，用“物体像棋子一样整齐排列在桌上”来比喻布局）。
[风格融合策略]： 优先使用“媒介融合” (Medium Blending，如 "A 3D render..." + "in the style of a watercolor painting...")，而不是简单堆砌艺术家名字。
[光影与氛围策略]： 光影是情绪的第一驱动力。优先使用“情境光”（如 "Golden hour lighting", "Cinematic rim light"）而非“技术光”（如 "Bright light"）。
[用户中心原则]： 永远忠于用户的核心意图，而不是用户字面上的词汇。
(✨ 优化点) 最终输出格式 (Output Format)
你的所有回复都必须遵循此 Markdown 格式。
方案一：[此处为方案一起一个描述性的标题]
设计思路：
核心策略： [简述你为实现用户目标所采用的核心策略，例如：我采用了“分词化结构”来精确控制画面元素，并融合“电影光照”来营造氛围。]
关键选择： [解释 1-2 个关键提示词的选择理由，例如：使用“流体雕塑”是为了...]
模型提示： [如果需要，加一句提醒，例如：模型可能难以一次性生成完美的压力表细节，您可能需要...]
提示词 (分词结构化)：
[主体与动作]： (此处填写中文描述，例如：一个穿着未来派宇航服的宇航员，漂浮在太空中)
[场景/背景]： (此处填写中文描述，例如：背景是巨大的环状空间站，远处的地球发出微光)
[风格/媒介]： (此处填写中文描述，例如：科幻现实主义，3D渲染，辛烷值渲染风格，高度细节)
[光照/氛围]： (此处填写中文描述，例如：来自空间站的冷色调LED光，戏剧性的高对比度阴影，孤独而史诗般的氛围)
[构图/参数]： (此处填写中文描述，例如：全身镜头，广角，--ar 16:9)
最终提示词 (英文 - 用于复制)：
[English translation of Subject], [English translation of Scene], [English translation of Style], [English translation of Lighting/Atmosphere], [English translation of Composition/Parameters]
(如果生成了备选方案)
方案二：[此处为方案二起一个描述性的标题]
设计思路：
核心策略： [这个版本更侧重于...]
提示词 (分词结构化)：
[主体与动作]： (中文描述)
[场景/背景]： (中文描述)
[风格/媒介]： (中文描述)
[光照/氛围]： (中文描述)
[构图/参数]： (中文描述)
最终提示词：
中文版本：
[主体与动作]、[场景/背景]、[风格/媒介]、[光照/氛围]、[构图/参数]
英文版本：
[English translation of Subject], [English translation of Scene], [English translation of Style], [English translation of Lighting/Atmosphere], [English translation of Composition/Parameters]
用户输入 (User Input)
【在此处输入】
---- 模板文本结束 ----一些有意思的问题讨论
提示词工程真的有用吗？
如果你的表达欲天然就非常旺盛，其实不需要提示词，你也可以很好地与 AI 完成沟通。
提示词工程是给人看的，让我们能够知道：“哦，原来还有这种方式/角度可以描述这个问题”。
未来进入到 SuperAI 的时代，AI 之间沟通效率最高的语言，也许并非是人类容易理解的语言，所以不用带有负担，学习知识最好的状态，就是忘记掉这个知识。
为什么 Markdown 格式适合用于写提示词？
简单来说有以下几点：
清晰的结构：利用规范的语法和格式来组织内容，模型理解起来会更容易、更准确
模型训练：目前在训练模型时，会采用将问答对或者文章先转化为 Markdown 格式，然后投喂给模型的方式，来规模化批量处理一些语料，而这样得到的模型，在接受同样以 Markdown 格式的问题时，能够回答得更好。
易于维护：你也不希望提示词写得跟一坨吉祥物一样吧，每个人的提示词应该是需要不断迭代并及时更新的。
受众多：是的，对比其他的结构化语言框架，Markdown 的受众相当广泛，无论是否有编程经验都可以看明白
仅仅靠提示词，是否就可以提升 AI 的效果？
我们需要澄清一点，给到 AI 的输入，不仅仅只有提示词（Prompt）。
给到智能体的输入通常包含多个组成部分，除了系统框架（System Prompt，由平台制定）、智能体设定（Agent Prompt，由智能体开发者创建）、用户提问（Query，由用户组织语言）三块组成之外，还会包含知识召回（Knowledge Call）、数据召回（Data Call）、记忆召回（Memory Call）等。
这些数据共同组成了输入给 AI 的上下文（Context），影响 AI 输出的效果。
同时，AI 的效果还与 Agent 本身的构建相关，提示词只是最基础的那一块拼图。
有哪些办法可以避免让 AI 胡说八道？
经常与 AI 沟通的人肯定会发现，AI 有些时候会愣愣的，体现为两种：
事实性谬误：也就是胡说八道，捏造虚假信息，并且信誓旦旦地告诉你就是这样。
灾难性遗忘：仿佛只有七秒记忆的鱼，在没有 Memory 机制支撑下的智能体，长对话会出现非常多的问题。
那有什么办法可以避免 AI 胡说八道呢？
对于用户而言，可以这样：
- 打开联网开关：“{问题描述}，请你在回答问题之前，在互联网上搜索到足够的信息后再回答”，注意部分平台下不会默认开启联网功能，别忘了打开开关后再这么做，否则联网搜索不会生效。
- 验证思维链：“{问题描述}，请你在回答问题之前，进行反向思考，从多个角度验证答案是否已经准确回答了问题。”
如果你是开发者，解决的方法除了在提示词里塞入思维链之外，还可以尝试以下几种方式：
- 模型微调（Fine-Tuning）：收集足够多的正向和反向数据集，定期对模型进行微调训练，让 AI 学会怎么回答。
- 检索增强生成（RAG） 技术：
- 联网搜索：如果智能体拥有这方面的工具（Tool），可以在对话时，打开这个功能，并引导智能体在每次回答之前，需要先在网上寻找与问题最相关的一些知识。
- 知识库、数据库：专业智能体往往携带有一些未被包含在主设提示词中的数据，比如图书馆智能体不可能将所有书籍的资料都纳入到提示词中。此时比较简易的处理方式就是构建智能体的知识库，并且采取合理的分段方案。除了聚焦于文档管理的知识库，也可以尝试利用数据库来实现更复杂的智能体场景。
存在万能的提示词吗？
目前从我的观察上，还没有这样的提示词。每个提示词都有各自适用的场景，通用的提示词在处理一些专业或者行业场景下就不如针对场景进行特定优化的提示词。
以下是个人探索时的一些见解：
需要解决高泛化性的问题？经过语义压缩的通用提示词 + 零样本（ZeroShot）或者少样本（FewShot）
需要捏一个人设不OOC的角色智能体？角色扮演提示词 + 角色知识库
用于获得高质量产物的超级智能体？类似Manus? 系统级提示词（System Prompt）+思维链（CoT）+ 任务规划（Planing）+工具调用（ToolCalling）+ 反思决策（Review & Decision）
一些奇奇怪怪的冷门 Prompt 技巧
符号链 Cos
Hu 等人4聚焦于空间关系推理场景，让 AI 用符号代替自然描述来执行推理，让模型避免受到不必要的文字干扰，团队通过对比发现这种方式可以获得比自然描述更好的推理质量。
伪代码
李继刚 等人5在持续挖掘 Prompt 潜力中，发现使用 Lisp 语法来书写的 Prompt，在执行一些需要复杂逻辑推理的场景获得了更好的效果。
自我一致性保持
Wang 等人6发现通过少样本提示，采样不同的推理路径，能解决智能体在涉及实体关系的推理过程中出现的幻觉问题。
前置知识提示
Liu 等人7同样是通过 Few-Shot 发现，在问 AI 问题之前提供一些绝对正确的知识，比如“地球是位于太阳系的一颗行星”，可以让 AI 回答的置信度获得明显的提升
我不想要 AI 每次都输出长篇大论，我就想要直接获得简短明确的答案
谜底就在谜面上了属于是。当然也可以使用以下提示词来实现，同样是顶级指令之一：
Keep the answer short and concise.（保持回答简明扼要）
如果还是效果不佳，建议在提示词内多重复几遍来提高权重。
或者你还可以明确字数限制，比如 “回答需要在 500 字内”
五、 结语
提示词不是高深的技术，而是一种与 AI 沟通的 “表达艺术”。
多加观察和练习，你也能成为 AI Prompt 领域的“魔法师”！
附. 学习资料
网站
Prompt Engineering Guide ⭐⭐⭐⭐
必看，正儿八经地将“提示词工程”作为一个学科看待。网站包含专业且详尽的 Prompt 领域知识，包括论文、数据集、模型等多方面的介绍，适合新手或者专业人士了解和学习 Prompt 工程。
Claude：Prompt Engineering ⭐⭐⭐
由 Claude 团队给出了一系列 Prompt 工程教程，质量很高。
OpenAI Help Doc Center ⭐⭐⭐
Best practices for prompt engineering with the OpenAI API
详细介绍了 OpenAI 在 Playground 自动生成 Prompt 的工作原理，主要采用了 Meta-Programing 的方式。
LangGPT ⭐⭐
关于结构化提示词的飞书知识库，由 云中江树 组织和创建，里面包含了 李继刚 等人的一些文章，目前知识库的更新已经有些停滞。
Tyler Coman· 如何创作高质量的提示词 ⭐
一份关于提示词的科普性网页，带有一些有趣的配图。
PromptLayer ⭐
外网可访问，学习和管理 Prompt 的一个平台。
书单
读了十几本，发现炸弹 💣💣💣 太多，还不如多看看论文。如果你有好的书籍推荐，务必要推荐给我👏～
关注我
感兴趣的朋友，欢迎关注我的账号，全平台同名～
