Prompt 18个经典框架方法论

最新推荐文章于 2025-06-24 15:15:59 发布

yuxingwu9872

最新推荐文章于 2025-06-24 15:15:59 发布

阅读量4.2k

点赞数 17

CC 4.0 BY-SA版权

文章标签： prompt

本文链接：https://blog.youkuaiyun.com/yuxingwu9872/article/details/137355646

我们来讲解 18 个常见的提示词方法论（下称框架，含配图、示例），这些方法论有些是基于要件（即必须满足的条件或特征，如 CHAT 模型）或基于模板（提供特定的结构和格式，如 BROKE 模型，以及 LangGPT 模型）

1.提示词框架简介

1.1 APE (Action Purpose Expect)提示词框架

APE 框架提倡将用户的请求分解为三个主要部分：行动、目的和期望。这种分解方法使得与大模型的交互更加明确和高效。

行动 (Action)：定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。

目的 (Purpose)：讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。

期望 (Expectation)：陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。

例：假设你是一家产品销售公司的营销经理，你想通过社交媒体广告来提高产品的在线销售。按照 APE（行动，目的，期望）框架，你可以创建以下提示词：

1.行动 (Action):计并发布一系列的社交媒体广告，宣传我们的最新产品。

2.目的 (Purpose):通过吸引社交媒体用户的注意，提高产品的在线销售和品牌知名度。

3.期望 (Expectation):在接下来的一个月中，通过社交媒体广告，在线销售增加 30%，并且我们的品牌在社交媒体上的关注度提高 20%。

通过这个 APE 提示词，团队能够清晰地理解要执行的行动、达成的目的以及期望实现的具体结果，从而能够更有效地执行广告活动。

1.2 BROKE提示词框架

陈财猫老师的 BROKE 框架融合了 OKR（Objectives and Key Results）方法论，旨在通过 GPT 设计提示，提高工作效率和质量。这个框架分为五个部分，其中最后一个部分，有比较长远的视角。

背景 (Background): 提供足够的背景信息，使 GPT 能够理解问题的上下文。
角色 (Role): 设定特定的角色，让 GPT 能够根据该角色来生成响应。
目标 (Objectives): 明确任务目标，让 GPT 清楚知道需要实现什么。
关键结果 (Key Results): 定义关键的、可衡量的结果，以便让 GPT 知道如何衡量目标的完成情况。
演变 (Evolve): 通过试验和调整来测试结果，并根据需要进行优化。

这个框架的设计旨在通过结构化的方法来提升 GPT 的提示设计，从而达到更高的效率和质量。它不仅仅是一个静态的框架，而是一个动态的过程，通过不断的测试和调整，来优化提示的设计和输出。

以下是一个应用 BROKE 框架的提示实例，主题是 " 如何提高编程技能 ":

BROKE 框架实例:

**_Background:_** _编程是一种重要的技能，能帮助解决各种问题。随着技术的快速发展，不断地学习和提高编程技能变得至关重要。_
**_Role:_** _假设你是一名经验丰富的编程导师，能提供实用的建议和指导。_
**_Objectives:_**
_了解编程基础和核心概念。_
_通过实际项目实践和提高编程技能。_
_接受同行和导师的反馈，了解进步和需要改进的地方。_
**_Key Results:_**
_完成至少 5 个不同类型的编程项目。_
_每个项目后都能获得专业的反馈和建议。_
_至少阅读和总结 10 篇关于编程最佳实践和新技术的文章。_
**_Evolve:_**
_每个月评估一次学习进度，调整学习计划。_
_根据项目实践和反馈来调整学习资源和方法。_
_如果发现某个学习资源或方法不再有效，寻找新的替代方案。_

通过应用 BROKE 框架，可以创建结构化和明确的 GPT 提示，从而更有效地达成目标，提高工作效率和质量。同时，通过不断的评估和调整，可以确保持续的进步和优化，从而形成一个正向的循环，不断地推动自己向前。

1.3CHAT提示词框架

CHAT 框架集中于角色、背景、目标和任务四个核心部分，为用户与大模型的深度交互提供了全面的指导。

角色 (Character)

角色为大模型提供了关于用户身份和角色的信息，有助于大模型更好地定制其回应。例如，一个医生可能需要的信息与一个学生完全不同。

背景 (History)

背景部分提供了与当前问题相关的历史信息和背景知识。这使得大模型能够更好地了解用户所在的上下文环境。

目标 (Ambition)

目标描述了用户希望从与大模型的交互中实现的长期或短期目标。它可以帮助大模型提供更有针对性的建议和解决方案。

任务 (Task)

任务部分明确了用户希望大模型执行的具体任务或行动。这是最直接的指导，告诉大模型用户期望的具体操作或回答。

**_示例：_**

**_用户：_**_我是一名历史教师，想知道关于古罗马的教学资源。_

**_大模型提示词框架__：_**

**_角色：_**_历史教师_

**_背景：_**_需要教授古罗马历史_

**_目标：_**_寻找高质量的教学资源_

**_任务：_**_提供古罗马的教学资源或推荐_

这种交互策略使得大模型能够更准确、更有针对性地为用户提供所需的答案和资源。