如何为神经网络正确构建提示 - 掌握提示工程

推荐：在编写任何提示之前，用一句话简洁地定义目标和成功标准。这将使您的提示保持专注，并帮助您快速评估模型的响应。

构建清晰的提示框架：目标、上下文、约束和示例。现在，估算任务和您将提供的数据；使用 平凡语言，并在每个步骤中保持任务清晰，使用简短子句以防止偏离。此结构有助于在不同模型中扩展提示。

运行简短迭代并进行自我评估，通过询问：输出是否匹配目标？如果不匹配，则调整并重新运行。此过程构建智能，并明确哪些信号影响响应。保留提示和结果的日志；重要的是，指南是可重复的，并且应该在每个周期中使用。

领域适应提升可靠性：对于midjourney视觉，要求风格、照明和构图；对于广告文案，指定受众、语气和行动号召；对于此邮件上下文，包括发件人声音和行动。呈现与预期渠道和目的一致的输出；此方法帮助团队和工作，通过提供可预测的结果并减少修订。

实用提示：保持提示简短，针对明确结果，并使用锚定短语，如“生成描述”或“仅输出关键事实”。维护更改和版本的邮件；测试3–5个变体并使用自我评估分数进行比较。目标是提高响应质量、速度和一致性。

最后，维护紧凑的工作流程：提示是与模型的合同；如果合同不明确，结果就会偏离。通过输出与目标的对齐来衡量成功，而不是啰嗦。现在您可以在每个每个项目中应用这些步骤，并自信地向midjourney或其他模型提升进度。

明确定义任务和所需输出格式

明确定义任务和输出格式。说明模型将输出什么、目标受众（所有人）和预期确切格式（哪一个，哪个）。用可观察、可操作的术语描述目标，以便神经网络无需猜测即可操作。使用科学普及的语气，并将提示框架为我的项目团队的实践课程。包括约束、成功标准和允许内容的边界。通过精确的要求，您减少歧义并提高可重复性。

将任务分解为具体交付物：大纲、简洁摘要、数据结构或可运行片段。定义单独组件和不同用例的变体。指定允许哪些输出以及哪些不可以。对于每个交付物，描述其目的、应包含的数据和所需格式。在继续之前提供简短检查列表以验证对齐。此分离提示和结果之间的清晰度，并保持所有人一致。

详细说明确切输出格式并带有清晰约束。选择机器可读布局（JSON、YAML）或带有标题和项目符号的叙述。如果使用JSON模式，指定键、数据类型、必填字段和允许值；如果是文本，指定长度、部分和语气。将响应的体积设置为最大字数或段落数。澄清必须存在的元素、可以省略的元素以及如何处理可选字段。如果需要可重用模板，请编写它，以便未来的提示可以依赖它，这使过程可扩展且可预测。包括关于行话的指导——除非受众期望，否则避免它；对于广泛受众，使用科学普及的语域。记录提示和输出结构之间的映射，模型填充它，以确保迭代中一致的结果。

包括一个实用示例来说明方法。提供样本提示及其预期输出，展示如何强制执行所需结构和语气。此概述帮助所有读者理解如何使用神经网络在现实世界任务中实施指导。示例应演示如何规定模板、指定长度并强制执行确切格式。

验证和迭代形成闭环。创建一个快速检查列表：格式遵守、内容完整性、字段准确性和与约束的对齐。运行几个变体（变体）以比较结果并选择最佳路径。使用模型的机会迭代测试提示、收集反馈并精炼。帮助清晰要求和结构化提示，并避免模糊规范留下的解释空间。此方法使项目交付物可再现且可扩展，适用于所有参与者。

选择提示结构：指令、上下文和示例

用一句话定义任务并将您的计划锁定到简洁的工作流程中；因此，您可以衡量进度并在几个月和项目中保持团队一致。构建连接到您的配置文件并利用模板库的提示，以便响应保持一致且易于在培训期间重用。此分离责任：提供清晰指令、供应相关上下文，并显示演示预期输出的示例，帮助理解意图并减少偏离。在处理图像时，指定如何处理视觉并将它们链接到文本；对于首次任务，从紧凑提示开始并迭代，随着精炼添加单词和约束。

指令和上下文

指令应说明确切行动、所需输出格式、长度和语气。使用主动动词，避免模糊术语，并指定不能省略基本字段。上下文添加数据源、受众和数据类型（图像和文本）；描述任务的目的和与您的配置文件相关的任何约束，以便团队可以遵循相同方法。包括对带有现成响应和模板的库的引用，以便可以快速利用它们。如果目标是理解用户动机，添加关于预期结果和模型应如何响应的简短说明。对于带有项目的工作任务，概述利益相关者、成功指标和任何逐月（月份）里程碑。使用计划指导流程并确保结论在末尾总结关键结果。这些步骤帮助您应对任务并创建易于向模型提出任务并达到所需质量水平的提示。

示例

示例1 – 指令：“从一组图像中总结主要点，并返回5个项目符号的简洁列表：什么、为什么和下一步。” 上下文：“旨在改善入职的项目；从提示库中提取数据并与团队配置文件对齐。” 输出：“项目符号列表，英语，总共4–6句，使用||cite||格式的简短引用。” 实践：任务（任务）澄清，示例显示要填充哪些字段以及如何格式化响应。示例2 – 指令：“生成一个扩展每月报告的工作流程的计划。” 上下文：“几个月（月份）的数据，包括示例、视觉和文本摘要；使用培训精炼提示并更新库。” 输出：“带有里程碑、角色和截止日期的计划；不要忘记末尾的结论。” 示例3 – 指令：“创建关于提示工程基础的简短文章大纲。” 上下文：“目标受众 – 新手；包括术语单词（单词）和实用提示；链接到文章草稿并提供随时可发布的部分。” 输出：“带有标题、三个部分和简短结论的大纲；使用清晰的俄语术语在英语文本内部。”

利用系统和角色提示指导行为

设置单个系统提示定义任务、范围和护栏，然后使用角色提示管理子任务。以便设置清晰边界并指定输出格式、允许行动和故障处理。此方法保持神经网络的输出一致，并使审计与目标对齐变得容易。

系统和角色提示设计

在系统提示中，指定模型扮演的角色、必须交付的内容以及如何处理歧义。使用紧凑结构：目标、角色、约束和评估。根据提示工程文献，此设置通过提供稳定基线支持目标。对于哪个任务，定义哪些约束将保持输出在图像工作流程中可靠。包括编辑器角色笔记，以在体积内制作图像提示，并在规范边缘停止创造力。此框架最小化偏离并在会话期间提供可预测行为。

角色提示应独立且任务导向。三个不同的角色保持工作清晰：编辑器（编辑器）使用明确属性（分辨率、纵横比、风格）编写图像提示，分析师检查与目标的对齐并引用文献，审计员强制执行约束并标记偏差。每个角色接收紧凑指令块；如果需要多个输出，指定一个或多个变体并在单次通过中交付它们。使用体积限制细节：分析师观察1–3句，审计员5–8个项目符号，编辑器1页提示。如果出现歧义，要求在继续之前澄清。您知道，此方法帮助保持指令在一个流中并随着时间减少偏差。

创建可重用模板和检查列表

从一个基本模板开始并为常见提示创建几个变体。此（此）方法加速着陆页和请求，同时保持一致性。（因此）团队重用相同的语言模式，减少偏离。（现在）您有一个坚实的基础，服务于所有神经网络工作流程和发布者需求。

结构蓝图：构建基本提示框架，然后添加五个修饰符：指令、数据提取、风格指导、约束和评估。对于每个，包括占位符如{{topic}}、{{data}}和{{tone}}以及简短示例。此布局最小化猜测并支持新队友的快速（概述）。

元数据和版本控制：用目的、受众和版本标记模板。保持单一真相来源，以便（发布者）和其他利益相关者可以快速定位正确的模板。使用命名约定突出问题空间和目标神经网络。（发生）测试反馈应回流到库中，以便从结果过程中学习。（月份）实际使用强化什么有效以及什么需要修剪。

维护节奏：建立适合您团队的轻量级节奏。安排定期审查、捕获成功提示的示例，并跟踪每个模板的结果。（当然）保持库精简：丢弃不再提供价值的模板并用更好的变体替换它们。应用评估提案的（算法）：在准确性、速度和用户影响上比较变体，然后相应更新集合。（自我评估）自我检查量表帮助每个人与目标对齐。（其他）团队可以与其他（所有）利益相关者分享改进以提高整体质量。

检查列表：模板发布

1) 验证占位符使用真实数据渲染。（一个）基本模板应演示预期行为。

2) 确认与目标人物和着陆页目标的对齐。（此）对齐减少后续修订。

3) 在神经网络和边缘案例中测试；记录任何令人惊讶的输出。（事实）来自测试指导未来的调整。

4) 附加简洁示例输出和简短审阅者笔记以帮助未来迭代。（有时）这有助于新和经验丰富的团队。

5) 存档已弃用的变体并在概述（概述）中记录理由。（重要性）清晰历史防止重复错误。

迭代测试：运行小型实验并精炼提示

使用结果指导快速精炼循环：调整措辞、约束和示例，然后使用相同基线运行新的快速测试。此方法保持您的项目快速前进并构建可靠的提示链。

实用迭代步骤

为每个提示定义紧凑目标（输出长度、风格和约束）。针对小型样本集运行2–4个提示。使用1–5量表在相关性、清晰度和事实性上评分输出。捕获更改并使用更新提示重新运行。引入事实检查步骤以验证声明并捕获拼写错误（打字错误）。重复直到达到速度和质量的理想平衡。

实验	提示摘要	输出质量 (1-5)	关键更改	下一步
基线1	使用中性语气生成简洁产品描述	3	添加明确长度约束和停止词以避免冗余	使用2种更多语气测试：正式、友好
基线2	生成带有指定风格氛围的简短标题：活力	4	指定最大12词，至少包括一个主动动词	使用其他氛围重复（平静、机智）
质量验证	要求模型为每个声明提供理由	4.5	要求简短理由并在事实时引用来源	运行更广泛数据集以增强鲁棒性

维护提示、输出和编辑的活日志，以保持所有人一致并加速未来周期。随着迭代，提示应趋向于清晰指令，并在图像和文本中产生稳定结果。

评估提示：指标、一致性和安全检查

定义清晰、自动化的评估循环带有具体目标。使用三个核心指标：准确性代理、事实对齐、有用性代理和安全发生率。对于每个提示设计，运行五个独立试验并为每个指标计算均值和标准差。通过在交错间隔重新评估相同提示来跟踪模型更新后的偏离，并比较迭代结果。维护共享量表，以便结果在团队和模型中保持可比。

重要的指标

采用简单、可计算的指标。准确性代理衡量输出与标记数据匹配的频率。使用相关性分数评估用户任务的有用性。从自动化检测器添加安全标志率；记录假阳性和假阴性以评估检测器可靠性。包括每个提示的延迟和令牌使用以估计成本和用户体验。构建显示每个指标均值、标准差和95%置信区间的仪表板。这使趋势清晰并告知提示创建和模型调整。

安全检查和一致性

实施三重检查：内容安全、提示鲁棒性和输出稳定性。筛选不允许主题，使用改述和细微编辑测试以查看模型是否与约束保持对齐，并验证使用相同种子重复运行是否产生类似结果。在多样化提示集上运行基线并比较模型变体以识别差异出现的位置。将自动化检查与人类审查配对用于边缘案例；记录审查笔记并相应调整护栏。确保工作流程轻量、可重复，并为用户和利益相关者提供信息视图。

避免常见陷阱：歧义、偏见和数据泄漏

定义单一、可验证的结果并锁定格式以立即消除歧义。对于此提示，返回带有字段的JSON：类型、内容和置信度，且无额外散文。这创建确定性目标并使评估直截了当。在此上下文中，清晰表述指导模型朝向结果，防止文本偏离到无关想法。此方法背后的思想很简单：首先指定约束，然后评估输出在其中停留得多好。

歧义：精确提示和确定性评估

• 指定确切输出类型和约束。例如：返回带有字段“type”、“content”和“confidence”的JSON对象，其中内容限于120词且不出现额外文本。
• 将预期输出的具体示例附加到提示以固定表述并产生清晰文本样本，演示接受。这保持文本与目标对齐。
• 提供固定的上下文和受众，以便解释深度保持浅薄；这在为chat01ai或midjourney任务创建提示时减少风险。
• 避免代词和模糊术语；有疑问时，用明确名词和数字替换。有时这些检查防止错误解释的指令扭曲模型输出。
• 避免指示输出模仿特定美学（好像midjourney的风格）。相反，要求中性、可验证输出并为单独、受控实验保留风格变体。

偏见和数据泄漏

• 偏见检查：跨组测试提示、衡量差异，并调整提示以减少系统性偏见。记录任何调整背后的思想并将迭代视为学习循环。
• 数据泄漏预防：确保训练数据和评估提示不重叠。在训练材料和最终测试之间进行严格分离，并记录每个元素的来源；对于图像，在测试中监控使用的图像体积以避免记忆。
• 外部评估：通过依赖独立指标和人类审查避免自我评估偏见。如果模型自我评估，则与独立审计配对以验证结果。
• 文本和视觉提示：净化提示以不重现训练内容。定期检查示例是否存在借用和泄漏；保持chat01ai和midjourney提示与训练数据分离。
• 工作流程纪律：记录每个提示、其来源和确切结果。这帮助您追踪来源并检测何时提示包含内容，其创建引发了不想要的相关性。
• 上下文深度控制：限制上下文深度以防止从训练集泄漏上下文线索；使用简洁提示和明确边界以保持一致性。
• 实用提示：在使用chat01ai或midjourney测试时，进行按书本的提示以隔离测试变量；避免要求可能偏倚结果的风格模仿。