摘要 大模型提示工程是大模型应用与用户交互的最后一公里，在选择好大模型后，如何用好提示是获得大模型输出的效果和质量的关键。提示框架（Prompt Framework）是一种有效方法论。本文给出五种方法论及具体任务提示示例。针对具体模型的语言和图像生成，以GLM和Cogview为例，其它通义千问Qwen家族，Kimi,，豆包、文心、零一、百川、GPT-4、Claude、Llama3等等都类似。

目录

1 提示工程五种基础框架

2 GLM语言模型 PROMPT 工程

3.COGVIEW图像生成模型 PROMPT 工程

3.1.策略：图像生成使用结构化的7要素提示语

4..BATCH API PROMPT 工程

4.1.任务一：文本分类:

4.2.任务二：情感分析：

4.3.任务三：文档处理：

4.4任务四：信息抽取：

4.5.任务五：机器翻译：

4.6.任务六：生成任务：

4.7任务七：文本纠错：

4.8.任务八：图像分类：

4.9任务九：图像标注：

4.1任务十：文本提取：

4.11.任务十一：图像内容分析：

4.12.任务十二：图像到文本生成（小红书模版）：

1 提示工程五种基础框架

给出适合各种大模型的提示工程框架，共有5类，属于通用类似。‍‍‍‍

1. R-T-F (Role-Task-Format):

• 角色 (Role): 指定大模型扮演的角色。

• 任务 (Task): 定义大模型需要完成的任务。

• 格式 (Format): 指定输出内容的格式。

• 任务 (Task): 明确需要完成的任务。

• 行动 (Action): 描述为了完成任务所需采取的行动。

• 目标 (Goal): 确定任务的目标或期望的结果。

• 之前 (Before): 描述问题或情况发生之前的状态。

• 之后 (After): 说明问题解决或行动后的期望结果。

• 桥接 (Bridge): 提出问题或请求，以连接“之前”和“之后”的状态。

• 背景 (Context): 提供问题的背景信息。

• 行动 (Action): 描述需要采取的行动。

• 结果 (Result): 说明行动后的预期结果。

• 例子 (Example): 提供一个示例来进一步说明。

• 角色 (Role): 指定大模型的角色。

• 输入 (Input): 描述提供给大模型的输入信息。

• 步骤 (Steps): 请求大模型描述完成任务的步骤。

• 期望 (Expectation): 明确对大模型输出的期望。

五种提示框架方法的提示具体举例

A：R-T-F框架的例子：

1. 角色 (Role): 作为一名营养师。 任务 (Task): 创建一份适合孕妇的日常饮食计划。 格式 (Format): 请以表格形式展示，包括早餐、午餐、晚餐和两份零食。

2. 角色 (Role): 作为一名历史老师。 任务 (Task): 设计一个关于古埃及文明的教学单元。 格式 (Format): 请以PPT形式呈现，包括关键历史事件、文化特点和著名人物。

3. 角色 (Role): 作为一名健身教练。 任务 (Task): 制定一个针对初学者的家庭健身计划。 格式 (Format): 请以视频教程的形式展示，包括每个动作的步骤和注意事项。

B：T-A-G框架的例子：

1. 任务 (Task): 提高产品销量。 行动 (Action): 优化营销策略，包括社交媒体广告和电子邮件营销。 目标(Goal): 在接下来的一季度内实现至少20%的销售增长。

2. 任务 (Task): 减少办公室的能源消耗。 行动 (Action): 安装节能灯泡，定期检查和维护供暖和空调系统。目标 (Goal): 在未来六个月内将能源消耗降低至少15%。

3. 任务 (Task): 提高学生的数学成绩。 行动 (Action): 实施每周一次的辅导班和在线学习资源。 目标(Goal): 在下一个学期的期末考试中，使学生的平均成绩提高至少10分。

C:B-A-B框架的例子：

1. 之前 (Before): 客户服务响应时间长，客户满意度低。 之后 (After): 提高客户服务效率，提升客户满意度。 桥接 (Bridge): 请问有哪些策略可以缩短客户服务响应时间并提高服务质量？

2. 之前 (Before): 员工经常迟到，影响工作效率。 之后 (After): 减少员工迟到情况，提高整体工作效率。 桥接 (Bridge): 请问如何制定有效的考勤政策来减少员工迟到？

3. 之前 (Before): 产品设计缺乏创新，市场竞争力弱。 之后 (After): 推出具有创新性的产品设计，增强市场竞争力。 桥接 (Bridge): 请问有哪些方法可以激发产品设计的创新思维？

D:C-A-R-E框架的例子：

1. 背景 (Context): 公司即将推出新产品，需要进行市场推广。 行动 (Action): 制定一个全面的市场推广计划。 结果 (Result): 成功提升产品知名度和市场份额。 例子 (Example): 类似于苹果公司发布新款iPhone时的推广活动。

2. 背景 (Context): 学校的图书馆使用率低，需要提高学生的参与度。 行动 (Action): 举办一系列图书馆活动，如读书俱乐部和作者讲座。 结果 (Result): 增加图书馆的访问量和学生的阅读兴趣。 例子(Example): 类似于某大学图书馆举办的“每月一书”活动。

3. 背景 (Context): 城市的公共交通系统需要优化，以提高效率和乘客满意度。 行动 (Action): 实施智能交通管理系统，包括实时交通信息和移动支付。 结果 (Result): 减少交通拥堵，提高乘客的出行体验。 例子 (Example): 类似于伦敦的公共交通系统，使用Oyster卡进行无现金支付。

E：R-I-S-E框架的例子：

1. 角色 (Role): 作为一名个人健康顾问。 输入 (Input): 提供一位40岁男性，体重70公斤，每周进行两次中等强度运动的信息。 步骤 (Steps): 描述如何制定一个适合他的健康饮食计划。 期望 (Expectation): 期望获得一份详细的饮食计划，包括每日所需营养素的摄入量和食物选择建议。

2. 角色 (Role): 作为一名英语老师。 输入 (Input): 提供一个初中生的英语阅读理解练习。 步骤 (Steps): 解释如何提高阅读理解能力。 期望 (Expectation): 期望得到一系列实用的策略和练习方法，帮助学生提高阅读理解能力。

3. 角色 (Role): 作为一名旅游规划师。 输入 (Input): 提供一个家庭的旅游需求，包括目的地、预算和旅行时间。 步骤 (Steps): 描述如何制定一个满足他们需求的旅游计划。 期望 (Expectation): 期望得到一份详细的旅游计划，包括行程安排、住宿推荐和预算分配。

4. 
   

2 GLM语言模型 Prompt 工程

示例GLM 和及CogView 图像生成模型获得更好生成结果策略,组合使用提示词技巧以获得更好的生成效果。

2.1 策略：编写清晰、具体的指令

为了获得最佳的回答，用户需要向GLM 提供清晰、具体的指令。GLM 越能明确您的需求，提供的回答质量越高。

·技巧：定义 System Prompt

用于设定AI助手行为模式的工具，包括角色设定、语言风格、任务模式和针对特定问题的具体行为指导。

推荐示例

复制代码

你擅长从文本中提取关键信息，精确、数据驱动，重点突出关键信息，根据用户提供的文本片段提取关键数据和事实，将提取的信息以清晰的JSON格式呈现。

·技巧：提供具体的细节要求

在Prompt 中添加要求模型输出内容的细节和背景信息。

推荐示例

复制代码

我对太阳系的行星非常感兴趣，特别是土星。请提供关于土星的基本信息，包括其大小、组成、环系统和任何独特的天文现象。

·技巧：让 GLM 进行角色扮演

让GLM 扮演角色、可以更准确地模仿该角色的行为和对话方式。

推荐示例

复制代码

作为一个量子物理学家，解释量子物理学的基本原理，并简要介绍其在现代科技中的应用。

·技巧：使用分隔符标示不同的输入部分

推荐示例

复制代码

·技巧：思维链提示

要求模型分步骤解答问题，还要求其展示其推理过程的每个步骤。通过这种方式，可以减少不准确结果的可能性，并使用户更容易评估模型的响应。

推荐示例

复制代码

作为一个AI 助手，你的任务是帮助用户解决复杂的数学问题。对于每个问题，你需要首先独立解决它，然后比较和评估用户的答案，并最终提供反馈。在这个过程中，请展示你的每一步推理过程。我有一个数学问题需要帮助:"""问题是：一个农场有鸡和牛共 35 头，脚总共有 94 只。鸡和牛各有多少头？我的答案是鸡有 23 头，牛有 12 头"""。

·技巧：少样本学习

可以作为进行少样本学习的示例。这些样本可以用来引导模型模仿特定的行为和语言风格。

推荐示例

复制代码

·指定输出长度的示例

指定按照具体的长度的输出内容，但是让模型精确的生成一个特定的字数难以实现。

推荐示例

复制代码

请用不超过100 个词的长度来总结这篇文章。

2.2 策略：提供参考资料

引用外部资料能有效提升模型回答的准确性。这种做法特别适用于基于文档的问答系统，因为它有助于减少错误或虚构信息的生成，同时确保回答的时效性和准确性。当模型受到上下文长度限制，无法引用超长文本时，可以通过Retrieval 工具来获取文档中的语义切片来实现。

推荐示例

复制代码

2.3  策略:将复杂任务分解为简单的子任务

在处理需求复杂的任务时，错误率通常较高。为了提高效率和准确性，最佳做法是将这些复杂任务重构为一系列简单、连贯的子任务。这种方法中，每个子任务的完成成果依次成为下一任务的起点，形成一个高效的工作流。这样的任务流程简化有助于提升模型整体的处理质量和可靠性，特别是在面对需要综合大量数据和深入分析的复杂问题时。通过将复杂任务拆解，可以更加有效地利用模型的强大处理能力。

·技巧：意图理解和实体提取

要求大模型输出的内容要直接给到后端服务接口使用，所以大模型一定要按照固定格式输出格式，以便于接口解析模型输出内容，防止报错。

推荐示例

复制代码

当你理解用户的预约会议室的意图时，提取相关的实体，并且以Json 格式输出。

·技巧：总结上文关键信息

在长对话中，为了确保对话的连贯性和有效性，对之前的交流内容进行精炼和总结，可以保持对话的焦点、减少重复和混乱、加快模型处理速度。

·技巧：分段归纳长文档并逐步构建完整摘要

由于模型处理文本的上下文长度有限，它无法一次性总结超出特定长度的文本。例如，在总结一本长书时，我们可以采用分步骤的方法，逐章节进行总结。各章节的摘要可以组合在一起，再进行进一步的概括，形成更为精炼的总摘要。这个过程可以重复进行，直到整本书的内容被完整总结。如果后续章节的理解需要依赖于前面章节的信息，那么在当前部分的总结中附加之前内容的连贯摘要，能够显著提升模型的生成质量。"

2.4策略：给于模型思考时间

·技巧：在模型给出最终结论之前，先引导它进行自我探索和推理。

在明确引导模型进行推理判断之前，让它先生成结果作为基准。例如，如果我们需要模型评估代码的质量，可以先让模型自行生成答案，随后再对其正确性进行评判。这样做不仅促使模型更加深入地理解任务，还可以提高最终结果的准确性和可靠性。

推荐示例

复制代码

分析并评估以下Python 代码片段"代码片段"的质量和功能。在生成你的回答之前，请先生成推荐示例代码，然后对代码的结构、清晰度以及其执行的功能进行评分。

·技巧：隐藏推理过程，只输出结果

在回答问题之前，模型有时需要进行深入的推理并将推理过程一并输出，可以引导模型只输出结果或者结构化信息以便于解析处理。

推荐示例

复制代码

请计算函数f(x) = x^2 在区间 [0, 1] 上的积分。仅提供最终的积分结果，无需展示推理过程。

2.5 策略：使用外部工具增强模型能力

通过让模型访问工具的获取信息来弥补模型的缺陷和拓展功能，如通过Function Call 访问外部的信息和执行操作，利用 Retrieval 工具访问知识库获取文档信息。

·技巧：通过 Function Call 访问外部 API

允许模型访问外部信息和执行操作，信息查询：如实时天气预报、股票市场动态，提供即时且准确的数据，执行操作：比如播放音乐、控制智能家居设备等。

推荐示例

复制代码

使用外部API 查询天气信息的功能。请根据用户的请求，调用相应的天气服务 API ，获取并展示最新的天气信息，包括温度、湿度、天气状况（如晴、雨等），风速和风向。例如，当用户询问‘北京今天的天气如何？’时，应调用API获取北京当前的天气数据，并以用户友好的方式展示结果。

·技巧：通过 Retrieval 访问智谱AI 开放平台的知识库

通过Retrieval方法访问智谱开放平台的知识库，用户可上传相关的知识到知识库，模型将基于用户的查询，，提取相关的语义切片，提供更加精准详细的信息。

推荐示例

复制代码

作为AI 助手，你的任务是帮助用户查找和理解特定公司的规章制度。用户询问关于公司的相关政策。你将通过搜索公司内部知识库或相关文档，找到最新的规定。根据搜索到的内容，提供关于相关的详细信息。请确保所提供信息的准确性和适用性，帮助用户完全理解公司的政策。

3 CogView图像生成模型 Prompt 工程

3.1策略：图像生成使用结构化的提示7要素

在使用图像生成工具时，应采用精确、具体的视觉描述而非抽象概念。明确、清晰的结构化提示词可以帮助CogView创造出更高质量的图像。

1)主体: 人、动物、建筑、物体等

2)媒介: 照片、绘画、插图、雕塑、涂鸦等

3)环境: 竹林、荷塘、沙漠、月球上、水下等

4)光线: 自然光、体积光、霓虹灯、工作室灯等

5)颜色: 单色、复色、彩虹色、柔和色等

6)情绪 : 开心、生气、悲伤、惊讶等

7)构图/角度: 肖像、特写、侧脸图、航拍图等

推荐示例:

4 Batch API Prompt 工程

Batch API适用于无需即时反馈但需要处理大量请求的场景。以下是一些典型的任务和最佳实践提示，更好地使用 Batch API。

4.1 任务一：文本分类

将大量文本数据分类到预定义类别中，如：新闻分类和垃圾邮件检测等。

推荐示例

复制代码

4.2  任务二：情感分析

识别和分析文本中的情感倾向，如：正面、负面或中性情感。

推荐示例

复制代码

4.3 任务三：文档处理

处理和分析大量文档，如：文档摘要生成、关键信息提取等。

推荐示例

复制代码

4.4  任务四：信息抽取

从大量文本中提取结构化信息，如：命名实体识别（NER）、关系抽取、事件抽取等。

推荐示例

复制代码

4.5 任务五：机器翻译

大规模的文本翻译任务，将文本从一种语言翻译成另一种语言。

推荐示例

复制代码

4.6  任务六：生成任务

利用语言模型大批量生成文本内容，如：撰写SEO文章、小说创作等。

推荐示例

复制代码

4.7 任务七：文本纠错

自动检测和纠正大批量文本中的拼写错误、语法错误等。

推荐示例glm-4v

复制代码

4.8 任务八：图像分类

对大量图像进行分类，如：识别图像中的物体、场景分类等。

推荐示例glm-4v

复制代码

4.9  任务九：图像标注

为图像提供准确的标注，如：标出图像内容的坐标点

推荐示例glm-4v

复制代码

4.10  任务十：文本提取

从图像中提取文本信息，如：处理扫描文档、票据等

推荐示例glm-4v

复制代码

4.11  任务十一：图像内容分析

对图像内容进行深度分析，例如情感分析、医学图像识别等。

推荐示例glm-4v

复制代码

4.12 任务十二：图像到文本生成（小红书模版）

根据图像内容生成相应的文本描述，如：新闻报道、社交媒体内容生成等场景。

推荐示例

复制代码