即刻App年轻人的同好社区
下载
提示词工程
提示词工程是引导大模型输出的指令设计技术。来分享调试策略与实战技巧，一起探索如何高效驱动 AI。
20人正在讨论，609人浏览
相关圈子
AI探索站
9.3万名prompter正在创作
人工智能讨论组
47万名技术爱好者在研究人工智能or“智障”
JitHub程序员
38万名开发者在这里同性交友
动态
- 李继刚老师，对不住了，我复刻了一个你。
今天刷推，看到李继刚老师晒出3篇短文，皆是以小配角为第一视角描述的内心戏。文采斐然令我实在感叹。
于是乎自觉点开评论区，以为继刚老师会一如既往的在评论区放上提示词，方便我等“伸手党”拿来即用。失望，没有。
于是一个大胆的想法就产生了，如果我手搓一个赛博李继刚呢？别说小配角的内心戏，岂不是可以24小时让他教我（替我）写高质量prompt？
经过漫长的模仿与调试，最终生成一个3.0版本“李继刚”，本质上这是在形式上模仿了继刚老师的创作思路和精神内核，以后的prompt创作都可以请教赛博李继刚老师了。
关于效果，请看图2-5。
为了避免prompt滥用给继刚老师本人带来烦恼，prompt角色的名字我已改为：智识炼金术士
如图6所示。
#提示词工程
11 01 - 📅【每天学个提示词 第001期】
每天3分钟，学会一个AI提示词！🔥
🤖【今日提示词】Prompt药剂师
发现了个优化提示词的神器！让你的提示词效果瞬间翻倍！🚀
👤 作者：李继刚
完整提示词在P2
📍【适用场景】
✅ 帮你优化你的提示词
✅ 帮你写出结构化的提示词
🔥【提示词介绍】
这个提示词就像给你的AI配了个"私人教练"！
它会像专业老师一样，从9个角度帮你分析提示词：
- 你的意思表达清楚了吗？
- 内容够完整吗？
- 结构合理吗？
- 语言流畅吗？
- ...等等
然后给你打个分（1-10分），告诉你哪里需要改进，为什么要这样改，最后直接给你一个优化好的版本！
就像有个贴心的朋友在旁边说："嘿，你这样写AI会更懂你的意思哦！"
🎯【使用方法】
• 第一步：将这套提示词丢给AI
• 第二步：将你想优化的提示词继续丢给AI
• 第三步：等待AI帮你优化提示词
💡【使用示例】
见P3-P4
#提示词工程
2 01 - Google的这本prompt白皮书重点介绍了以下几种提示词，讲得更加深入一些：
• 零提示(Zero Shot)
• 少样本提示(Few Shot)
• 系统提示(System Prompt)
• 角色提示(Role Prompt)
• 上下文提示(Contextual Prompt)
• 回退提示(Step-back prompting)
• 思维链(CoT)
• 自洽性(Self Consistency)
• 思维树(ToT)
• ReAct
另外对模型的参数也做了较明确的说明，可以在学习提示词时做进一步参考！
#提示词工程 #LLM #思维链 #PromptEngineeringGoogle: Prompt Engineering白皮书
1 02 - 近期一直在写工作流的提示词工程，因为现在用的API多数是中转的，Claude sonnet和其他高级API都很不稳定，为了保障AI输出质量稳定，系统提示词经常就到了数百上千行，还好是用cursor，不然手动写不知道写到什么时候去😂
#cursor #提示词工程0 20 - 研究了一下v0.dev被逆向的 prompt，挺有意思：
这个prompt其中的一个特点是使用了挺多的 example作为 few shot learning，更为重要的是，这些example里面使用了CoT(Chain of Thought)。
举个例子：
<example>
<doc_string>This example shows how v0 handles a general question with a warning and a concise answer.</doc_string>
<user_query>What is life?</user_query>
<assistant_response>
<Thinking>
Given the general nature of this question, I will provide a concise answer.
</Thinking>
I'm mostly focused on tech, but life is the condition that distinguishes organisms from inorganic matter, marked by growth, reproduction, and continual change. Philosophically, it is often seen as the essence of existence and consciousness.
</assistant_response>
</example>
这个思考过程是不显示出来的，它会用一个<Thinking>的 XML 标签把思考内容包起来，最终用户看到其实是</Thinking>之后的回答。
我觉得有意思的点是，这个知识点其实在吴恩达老师的课程《Building Systems with the ChatGPT API》里面学过，当时用的是###这个delimiter.没想到那么牛逼的产品，也用吴恩达老师里面的技巧，突然觉得很实用。
《Building Systems with the ChatGPT API》另外我一个比较实用的内容是，对于答案的自动化打分，尤其是json格式化输出测试集自动化打分这一块，也非常使用。最近有用到，推荐给大家。下次有机会可以分享一下。
相关链接
The full prompt of v0.dev
baoyu.io
Process Inputs: Chain of Thought Reasoning
learn.deeplearning.ai
#提示词工程
28 533
