轻松掌握大模型提示词优化

说明：由于提示词工程有很多高阶用法，本篇主要针对普通上班族用于让大模型更好的听自己指挥，从而解放双手，提高生产力。

故，简单介绍3种我们能用到的方法。

1. 通过特殊符号进行提醒

使用清晰的提示语法（包括标点符号、标题和节标记）有助于传达意图，并且通常使输出更易于解析。

分隔符就是用来划分文字的标记，如： ///    —    ###  """等等。

其作用是告知大模型，分隔符内外的内容是独立的。

例子1：用--- 来区分提示内容和例子内容

例子2：用"""直接锁定了目标区域

2.通过示例引导进行规范输出

在与GPT的互动中，存在着一个“信息差”区域，当你想让大模型按照你想要的格式进行输出时，有时候用了很多辞藻来润色需求，but大模型并不了解你真正想要的效果。

#使用方法

这种语言描述是苍白无力的时候，举个例子就可以让大模型轻松明白你的意思。

#原理

以下解释来自 Claude 官方文档Use examples (multishot prompting) to guide Claude's behavior - Anthropic

Why use examples? 为什么要使用示例？

• Accuracy: Examples reduce misinterpretation of instructions.
  准确性：示例减少了对说明的误解。
• Consistency: Examples enforce uniform structure and style.
  一致性：示例强制实施统一的结构和样式。
• Performance: Well-chosen examples boost Claude’s ability to handle complex tasks.
  性能：精心挑选的示例可以提高 Claude 处理复杂任务的能力

例子：这里包含了特殊符号及示例引导

写一个工作周报，要求：

-包含XXX内容，

-按照下面提供的样例格式进行输出。

"""

这里放一个规范格式的样例即可

"""

3.通过思维链加强逻辑推理过程

思维链是一种专门针对大语言模型的 Prompt 优化方法，可以看做是分步和举例方法的结合。它的核心目标是鼓励 GPT 对问题使用分步回答，并且解释自己每一步的过程。

这个方法最简单直接，无需额外操作。

#使用方法

中文问题在最后加上一句：

让我们一步一步地解决这个问题，以确保我们有正确的答案。

英文问题在最后加上一句：

Let's work this out in a step-by-step way to be sure we have the right answer.

#原理

以下解释来自 Claude 官方文档

Chain complex prompts for stronger performance - Anthropic

Why chain prompts? 为什么是 chain 提示符？

1. Accuracy: Each subtask gets Claude’s full attention, reducing errors.
   准确性：每个子任务都得到 Claude 的充分关注，从而减少错误。
2. Clarity: Simpler subtasks mean clearer instructions and outputs.
   清晰：更简单的子任务意味着更清晰的指令和输出。
3. Traceability: Easily pinpoint and fix issues in your prompt chain.
   可追溯性：轻松查明并修复提示链中的问题。

这个简单，就不举例子了。