如何为 ChatGPT 和其他 AI 模型编写提示词 - 实用指南

用一句话定义目标并立即测试它。要编写能够可靠产生有用结果的提示，请以精确的上下文和清晰的输出格式来锚定任务。通过指定受众、所需长度以及您允许的确切数据来源，使其尽可能精确。在您的写作中，尽可能具体地描述任务，并验证模型的响应是否会解决预期的结果。这种专注有助于神经网络与您的意图保持一致，并减少来回现在。

像场景描述一样构建提示。对于视觉任务，使用场景的冬天上下文和现实语气定义它：“描述一个场景，其中一只小狗在雪地公园追逐一个球。”如果您想要特定的外观，请请求坎丁斯基风格或其他与您的品牌匹配的风格。添加关于相机角度和运动的细节：“仿佛由相机在视频序列中捕捉。”例如，包括一个简短提示和一个较长的提示来比较结果，然后调整不同模型的上下文。

生成输出后进行评估。使用简单评分标准：与提示的相关性、完整性和与请求的上下文和风格的一致性。在模型或版本之间运行提示，每次只改变一个变量来观察影响。保持简洁日志：提示文本、模型、日期和观察到的差异。这种纪律使实现可预测结果变得更容易，并在描述任务和约束的过程中高效迭代。

您可以重用的实用模板：一个定义角色、任务和约束的基本提示，加上上下文部分和样本输入。然后为每个模型定制上下文和风格。测试时，尝试语气、细节水平和输出格式的变化；比较结果并注意哪些变化提高了准确性。使用具体示例，如总结报告的简短程序或概述项目工作流程。现在（现在），实施一小套应用于真实任务的提示，并观察输出如何与您的目标一致，包括当您引用像坎丁斯基这样的风格来探索创意提示时。

定义清晰的目标和交付物

为每个提示会话设置一个主要目标和三个具体交付物。定义目标输出格式、受众和成功标准——如字数、语气和结构。通过规定上下文深度和清晰的长度上限，在细节和简洁之间保持比例。如果任务涉及一个人物，请指定特征、弧线和合理行动；请求现实描绘，并确保提示引导模型朝向该结果。使用多视角提示来比较观察者、叙述者和人物视角的结果。如果输出必须是俄语，请明确说明语言，然后应用参数以确保正确处理。对于涉及小狗的示例，要求感官细节和可信互动。将输出组织成部分：例如，主要文本、一个上下文说明和一个验证评分标准。避免过长的块，并保持流畅的过渡以便阅读。这种方法支持开发更好的提示，并有助于在网络和平台中创建可靠的结果。然后，当您修订时，重新检查一致性并根据需要调整范围。

实用交付物模板

交付物1：以请求语言的主要文本；交付物2：从三个视角展示同一场景的多视角大纲；交付物3：用于验证的紧凑提示检查表。每项包括目标、语言、语气、长度和上下文。例如，对于关于小狗遇见孩子的俄语输出，确保现实互动和氛围。多视角部分应展示场景如何在观察者、叙述者和人物视角中变化，同时保持人物行为一致。然后将输出与细节和简洁之间的所需比例对齐。输出应组织成适合网络和多平台共享的部分。

验证和细化

运行快速验证：确认主要文本遵守长度上限，验证上下文与目标一致，并检查提示在请求时产生预期的俄语输出。查找过长的块并修剪它们；确认在各个视角中正确使用人物特征；确保氛围保持氛围并与目标一致。使用紧凑笔记指导未来的迭代，并支持开发创建提示的技能，特别是处理多视角场景和真实世界上下文时。

提供相关上下文而不超载模型

提供2-3句简洁的上下文，定义任务、受众和期望结果。附加一个模型可以引用的准备好的数据片段，避免完整转储。

拆分输入：保持上下文紧凑，并将任何辅助数据放在单独块中。使用负面示例展示不该做什么，以及正面示例来说明预期的语气（语气）和风格，以便chatgpt可以调整而无需猜测。

在提示中用简要描述描述对象，然后列出您希望模型回答的问题。这保持模型专注于可操作输出，而不是在无关细节中徘徊。

如果受众在莫斯科，则定制引用本地惯例、时区和格式。提及不能超载——保持核心上下文小，并将其余部分保留给数据块或后续提示。

使用紧凑模板构建提示：上下文、数据、任务、语气和输出示例。包括简短负面提示以引导远离不想要的方向，并提供绿灯以包含什么（例如，如果视觉在输出中重要，则为蓝色摘要标题）。对于关于如小狗或平凡物体的描述等主题的提示，保持语言易懂，并在初始上下文中避免过于技术性的行话。

在将提示集成到工作流程中时，保持数据耦合紧密：避免下载大日志；仅引用模型应考虑的必要字段。如果您准备信件或入职视频（视频）的指令，请指定目标语言（语言）和要覆盖的确切部分。这种清晰度有助于准备好的提示在部署场景中可靠执行，并减少与模型的来回。

样本提示片段：上下文：您描述一个物体及其特征的简单描述；数据：关键参数：大小、颜色（蓝色）和使用案例；任务：产生简洁描述和三个验证理解的问题；语气：友好、实用；输出：准备好的文本和问题列表。这种方法保持近期目标的焦点，并支持与chatgpt在任务中的顺畅集成，特别是在您想要生成简洁答案或短信，以及培训视频时。

选择提示结构和角色指导

从角色优先提示开始：声明ai-化身为领导者，分配一个具体的人物，概述任务，并锁定输出格式。包括涉及的人物，指定受众，并要求简洁、可操作的结果。这种设置与生成器合作，以加速内容，并使生成一致输出变得容易。一个小调整——例如，为迭代定义快速节奏——保持过程灵活。

基于您的目标选择清晰结构：角色优先、上下文优先或混合提示。对于每个，预定义语气（语气）、长度和交付物（项目符号、步骤或代码）。计划3-5次迭代来比较结果并识别最强模式。使用google验证事实，并保持对您的团队或受众的可用性。涉及其他声音来压力测试假设，并揭示不同上下文和受众之间的差距。

角色指导具体内容：定义ai-化身人物——姓名、背景、技能集和沟通风格。例如，一个女孩人物可以用于入职的亲和力，而受hailuo启发的化身适合技术解释。建立如何切换角色、如何处理歧义以及何时升级到人类审查者。设置边界以保护隐私并引导对话朝向建设性结果。

迭代和验证：每次迭代后，评估准确性、相关性和语气一致性。记录结果并比较版本以选择最强方法。确保输出对具有不同专业水平的使用者可用，包括如俄罗斯等地区。保持提示紧凑（零基线）并快速测试，以在扩展到更大受众之前细化提示框架。

示例提示提供快速胜利。提示1使用角色优先模板，为一个友好的ai-化身名为Nova的快速教程，融入人物和清晰输出格式。提示2使用上下文优先来为跨学科团队制作简洁简报，带有明确交付物和检查。提示3混合角色和上下文来头脑风暴想法，同时在迭代中保持稳定、快速节奏。

融入具体示例和边缘案例

推荐：使用具体输入和定义的输出结构来奠定提示基础。例如，请求一个场景描述（场景）和5点概述，设置在莫斯科，带有女孩，并展示预期输出以验证准确性。

实用示例

1. 提示：创建一个关于虚构产品genmo的5点概述，重点关注用户价值、风险和数据来源。包括一个简短场景（场景）描述，特征一个在莫斯科（莫斯科）的女孩。

   输出格式：带有五个项目的项目符号列表；每个项目包括标题和一句要点；引用创建数据集和数据来源，并提及风格（风格）和高品质笔记（高质量）。

   为什么有效：提供可测试结构；帮助您看到提示哪里出错并收紧指南。

2. 提示：为产品描述产生两个语气变体：一个高风格（高质量）和一个随意。包括2种不同风格（风格）和关于受众心情的笔记。

   输出：两个简短段落，标记为“正式”和“随意”，带有鲜明声音，加上1句比较。时间预算：快速周转（时间）注明。

   为什么有帮助：揭示提示如何在不同风格中扩展，并帮助您调整语气而无需重写核心内容。

3. 提示：描述一个关于为电影下载资产的场景（场景），包括负面提示参数如easynegative来抑制不想要的元素。提及品牌genmo和一个现实情节点。

   输出：带有设置、视觉和陷阱的结构化大纲；明确注明哪些元素被easynegative限制。

   为什么有帮助：捕捉如何控制输出当资产被创建时，以及如何记录限制。

4. 提示：为订阅上下文列出4个不同提示，用于社交帖子，提出开放问题（问题）以提升参与度，加上行动号召。

   输出：4个变体带有变化的声音，每个包括问题提示和后续建议。包括中文？（忽略）——专注于俄语上下文和更多参与度。

   为什么有帮助：测试提示如何在不同受众和媒体格式中表现。

5. 提示：提供一个逐步模板来为新用户编写提示，部分：目标、约束、输入示例、预期输出和伴随（伴随）。

   输出：准备粘贴的检查表式模板；包括创建提示的示例和时间及复杂性管理提示。

   为什么有帮助：提供新用户可以在订阅上下文中重用的可重复工作流程。

边缘案例场景

1. 歧义：提示说“描述一个场景。”在结尾添加澄清问题并提供修订提示，例如，“描述一个女孩在莫斯科雨中行走的场景，以正式语气。”

   为什么重要：减少模糊输出并加速迭代。

2. 冲突要求：提示请求高风格复杂性和超简短输出。通过拆分为两个步骤解决：首先交付结构化本质，然后是风格丰富的变体。

   检查：确保长度和范围与目标受众保持一致；避免超载模型。

3. 安全和边界：如果提示涉及敏感主题，添加安全护栏并重构为带有许可数据的 neutral 场景。

   结果：输出保持有用，同时保留负责任的使用。

4. 非常小的数据集（小样本）

   方法：用合成但合理的示例补充；记录不确定性和提供置信笔记。

5. 语言混合：提示混合英语和俄语。使用清晰语言标志，并在需要时为每种语言提供单独输出。

   结果：可预测的双语结果或干净的语言分离以避免混乱。

6. 长度控制：用户要求长形式输出。使用明确的maxword或maxline约束和摘要标题来保持控制。

   检查：根据受众需求验证长度和可读性（例如，以朴素语言的概述）。

7. 下载资产（下载）和资源权限

   策略：指定许可检查、来源可信度和离线访问笔记；如果资产不可下载，包括后备。

基于反馈测试、分析和迭代提示

一个具体实践：测试一小批提示——最多3个变体——并将输出与清晰目标比较。记录基线，然后运行快速检查以查看响应是否匹配意图、语气和细节水平。跟踪输出返回的速度（快速）以及它们是否保持在目标上，带有结果的流畅进展。

定义成功指标：准确性、相关性、一致性和速度。用您的眼睛审查结果质量并与目标结果（结果）比较。注意漂移以及输出是否与提示保持一致。使用简洁检查表加速审查并减少过长的回复。

使用简洁问题（问题）和简短评分标准收集反馈。用意图（任务）标记每个输入，并使用工具捕获定量信号（分数、回答时间）和定性笔记。将反馈存储在云端，便于其他团队成员访问，并按模型和任务组织。

分析结果以识别故障模式：缺失上下文、模糊约束或在复杂任务上的漂移。注意输出是否变得过长或过短，以及它们是否应对请求。将输出与目标模板比较并量化扩散漂移以指导修复。

使用具体变化迭代：调整指令长度、添加示例、收紧约束。例如，提供期望结构和预期输出的简短插图来指导模型。当结果改善时，记录变化并运行另一个测试以验证向更好查询的流畅进展。

构建稳定、可重复的工作流程：自动化测试运行、收集输出，并在云仪表板中存储结果。使用扩散或稳定变体来比较其他模型中的提示，以隔离最佳效果。创建集中式写清晰笔记说明什么改变了以及为什么。使用问题探测边缘案例并确保覆盖。依赖工具和日志进行可审计性。