AI 提示的艺术 - 如何编写驱动更好结果的提示

从一个具体目标开始：以文本形式定义任务、受众和期望输出。在提示设计过程中，意图与输出的沟通得到改善，从而导致获得可靠的结果。指定语气和格式的约束，并要求来源来自网站并与数据一致。这保持了互动的专注，并准备好立即测试。

将提示结构化为清晰的部分：上下文、任务和输出格式。使用现成的提示模板来跨场景扩展，并为设计师受众定制提示。设置细节水平约束：更高用于摘要，较低用于微指令。定义语气和风格以匹配受众，这样模型知道要产生什么。保持指令循环紧密，以便输出与目标以及来自网站和数据的数据保持一致。此外，如果任务需要，考虑较低的创造力阈值，并在您的设计师检查列表中记录一切。

要评估进度，请测量输出准确性、相关性和清晰度。重要的是在代表性数据集上测试提示，并将结果与评分标准比较。使用 2–3 个提示进行快速试验，审查 5–7 个输出，并迭代。避免广泛的结果景观；保持提示精确。然后在较低级别应用更改并重新运行，以查看什么调整移动了指针。

为每个提示设置具体目标、可交付成果和评估标准

为每个提示设置一个单一、可衡量的目标，并声明确切的交付成果。例如：目标是清晰解释一个功能；交付成果是：260–320 字（文本）、5 个项目符号和 3 张 1024x768 分辨率（分辨率）的图像。这种清晰度使整体进度可跟踪，并帮助团队知道要测量什么。

定义与目标和交付成果一致的评估标准。包括 0–5 相关性评分标准、针对可信参考的准确性检查，以及涵盖结构和标题的格式分数。跟踪意图与输出之间的差距，并评估输出在多大程度上满足语气、风格和长度等约束。涉及用户反馈来衡量实用性，然后再进行更广泛的部署。

设置成功的具体阈值。例如：相关性 ≥ 4.2、事实准确性 ≥ 95%、可读性等级 8–12，以及输出长度在目标 ±10% 以内。如果有图像，要求它们满足分辨率和格式规格；文本必须保留请求的结构，并在适当位置包含指定的关键词。使用 gpt-35 来试点标准，并将结果与较新模型比较以识别收益。

构建一个可重用的简单评分标准。您可以根据以下内容为每个提示评分：1) 目标清晰度，2) 对交付成果的忠实度，3) 论点或叙述的连贯性，4) 格式合规性，5) 用户满意度。为每个分数附上具体证据，例如样本输出、长度计数和记录任何偏离指定约束的简要笔记部分。清晰的评分标准使迭代变得容易。

记录每个提示的预期输出和您将应用的评估方法。指定提示是否应产生文本、指令或图像，并列出所需的精确字段、标题或数据点。包括验证计划：与目标受众的代表进行 2–3 人试点，收集结构化反馈，并总结每个标准的达成程度。

在博客中保持提示、结果和调整的活日志。跟踪什么使输出成为杰作，哪些工具削弱了，以及改变输入如何影响结果。当您引入更新时，注意细化并重新验证需要多少时间，尤其是对于使用机器学习工作流程和 gpt-35 等模型的团队。这种严谨的方法确保每个提示设计都推动一致、可信的结果。

设计提示结构：角色、任务、上下文、输入和期望输出

采用一个可重用的提示框架，该框架分配角色、定义具体任务、设置清晰上下文、指定输入，并要求精确的期望输出。这种方法保持提示的一致性、高效性和易于适应不同服务和页面。

角色和任务

1. 角色：声明 AI 的角色、权威和边界。例如：“您是一位专业的提示架构师，帮助他人为聊天机器人和其他 AI 伴侣设计语言提示。”
2. 任务：以可操作术语陈述目标，并带有可衡量的结果。例如：“产生一个紧凑的提示模板，包含五个字段，可以复制到另一个项目中并产生结构化响应。”

上下文、输入和输出

1. 上下文：设置领域、受众和约束（语气、安全、语言、可访问性）。包括任何塑造输出的参考或风格指南。
2. 输入：指定用户提供的内容（文本简报、URL、数据片段、图像）以及如何结构化它（部分、长度限制、格式）。
3. 期望输出：定义格式（项目符号、JSON、步骤）、细节水平和评估标准（清晰度、相关性、可操作性）。

示例提示框架：

1. 角色：多语言指南的提示架构师。
2. 任务：生成一个可重用的五字段提示模板和一个简短的评估评分标准。
3. 上下文：针对职业服务网页，针对非母语者，友好语气。
4. 输入：简要项目描述、目标受众和一个样本用户查询。
5. 期望输出：一个结构化的提示，包含角色、任务、上下文、输入、输出部分，加上评估检查列表。

• 语言
• 杰作
• 其他
• 语言
• 图像
• 聊天机器人
• 页面
• 用户
• 深绿色
• 职业
• 免费
• 计算机
• 职业
• 机会
• 查询
• 服务
• 多么
• 创建
• 任务
• 服务
• 橡树
• 做
• 帮助
• 提示
• 选择
• 网站

提供丰富的上下文和数据：何时、何地以及为什么重要

推荐：在提示顶部放置一个丰富的上下文块，包括受众、目标、约束和数据快照。使用快速课程设置学习目标，避免模糊语言，并在任务扩展时切换范围。确保数据来源的存在并存储关键数字以供参考，加上指定 gpt-35 模型期望和任何 sber 特定要求。

收集数据的位置很重要：从内部存储、可靠文章、产品文档和用户反馈中提取，然后附加使用指标和时间戳。如果提示将指导界面，包括动画或视觉效果，让读者看到上下文在行动中。提示应拼写出缩写（如果有）并提供术语表，以便读者在生成结果之前理解模块和术语。

为什么这种方法值得：丰富的上下文缩小了查询与响应之间的解释，增加准确性，并减少重复校正。它使模型只接受相关约束、数据格式和分辨率规则，同时将输出链接到来源和基准的存在。这种透明度帮助审阅者根据现实期望评估结果。

如何实施：制作一个具有清晰功能和明确查询字段的提示。指示用户输入基本输入，然后将数据部分（指标、日期、来源）与任务描述分开。包括一个提示标签以对齐工具和模型行为，并在部分之间使用以保持清晰。为了兼容性，引用 gpt-35 和模型的能力，概述存储应交付的内容以及它可能不的内容，同时为迭代细化和处理任何异常留出空间。

控制风格、语气和格式：为 Shedevrum 的用例定制输出

推荐：以单行指令开始提示，为 Shedevrum 的用例设置输出格式和目标。例如：“以 5 个项目符号和一句总结交付一个独特、可操作的计划。”这使 gpt-44o 和 chatgpt4 与 Shedevrum 的用户一致，并建立一个稳定的格式以供重用。

定义范围：任务的细节应被枚举，并带有清晰的通过/失败标准。标记什么是重要，什么可选，以便输出保持专注和可衡量每个任务。

格式和结构：在项目符号、短段落或紧凑表格之间选择。指定格式，包括标题级别、项目符号风格，以及输出是否应使用表格或叙述部分，以便读者快速理解信息。

语气和声音：为输出设置角色，例如简洁、实用和支持性。这保持语气对 Shedevrum 用户友好，并减少认知负荷，使复杂指令更容易遵循。这种方法还支持 gpt-44o 和 chatgpt4 部署的一致交付。

角色和领域：对于与角色或品牌相关的提示，描述角色和领域约束。如果输出包括 midjourney 提示，以清晰度描述视觉提示。模板知道使用哪些语言，并可以基于此切换以适应目标受众和平台要求。

混乱控制：定义一个可控的混乱水平，以平衡新奇与可靠性。较低的混乱产生可预测、可重复的结果；较高水平邀请创造性变体，同时保留核心约束和您从用户任务期望的关键结果。

记忆和指导：维护一个 cookie 风格的偏好配置文件，以在提示中保留格式、语气和语言。在执行新任务之前，阅读配置文件并不忽略用户约束，以便输出符合期望和用户要求。

示例模板：使用一个紧凑的提示框架，从目标开始，然后列出细节（细节）、任务（任务）和预期输出（格式）。包括关于 gpt-44o、chatgpt4 和基于 cookie 的记忆的笔记，然后呈现一个简短的样本输出来说明独特结果以及此提示如何控制对话过程。这确保用户知道提示如何工作，并知道如何利用所有元素来实现具体目标。

实施快速迭代：创建变体、比较结果、细化提示

从为任务生成三个提示变体开始，并在相同输入上运行它们。使用简单评分标准：清晰度、指令遵守、相关性和答案的有用性。为每个变体评分两次以确认稳定性，然后选择顶级表演者进行第二个快速周期。

创建并排比较日志：捕获确切的提示和每个对应的输出。根据它们多么好地遵循目标、语言多么精确以及答案如何处理边缘情况来评级结果。在共享博客中保持笔记，以便队友在会话之间审查。

在紧密循环中细化：一次改变一个杠杆——提示长度、示例放置或约束——并重新运行。在工件中使用明确定义的目标，并包括描述以确保提示要求正确的交付成果。从小群体获取快速反馈并相应调整。

将最有效的提示保存为未来使用的模板。标记迭代（A/B/C），并跟踪响应质量的改进，以便团队可以重用经过验证的措辞和结构。讨论此类调整如何影响输出并记录结果。

比较模型变体：gpt-35 与付费服务，注意语气、深度或事实连贯性的任何变化。如果付费选项提供有意义的跳跃，注册并为您的团队锁定配置。维护一个简短的变更日志来解释为什么此变体赢得了这一轮。

实际加速：使用视频指南或简短屏幕录制来捕获洞见，保持简洁的提示检查列表，并构建一个小型提示模式库。使用生成器和模板，允许您在不同主题中重用成功的提示，节省时间并减少漂移。

注意：保持运行检查列表，包括此类人工抑制这样的高于注册 gpt-35 之间博客生活地图服务期望安装描述清晰文章机会改进生成器允许提示视频自己的付费。

发现并修复常见提示陷阱：歧义、假设和幻觉

从这个查询的单一、明确目标开始，并提供一个定义输出语言和结构的指示。这提供清晰的方向，帮助神经网络朝着相同目标工作，并避免漂移到模糊的方向。如果您在 UI 中测试，按下运行按钮只有在您已将指示添加到本文中之后，以查看即时结果。在提示中包括相关词来指导模型生成什么，并概述您是否想要一篇文章、指令或在这个上下文中的简短响应。

当像“总结”、“分析”或“比较”这样的术语缺乏范围时，歧义仍然存在。定义您关注什么，指定受众，并锁定输出格式（纯文本、项目符号或表格）。例如：“用英语以 200 字总结 GPT-4o 的三个最具影响力的提示，使用编号列表，并在结尾提供简要要点。”这种指示最小化模糊性并提高神经网络的使用效率。

如果您依赖隐式知识或未说出口的规则，假设就会潜入。不要假设数据来源、日期范围或数字阈值。清晰陈述每个基线（例如，“仅使用 2020 年后发布的开放数据来源”）。包括易于比较的参数检查，例如日期、数字和名称，以免浪费时间猜测。这保持方向、语言和语气的路线图在查询和指令中一致。

当模型用虚构事实填充空白时，幻觉就会激增。通过要求来源、引用和可验证数据点来缓解这一点。如果声明需要数字，要求来源列表和置信标签（例如，“来源：报告 X，第 Y 页”）。对于图像提示，坚持与描绘图像一致的标题准确性，否则您有风险生成误导性内容。主动构建例程，使用可信数据库或公共谷歌重新检查关键事实，然后再最终交付。

要操作化，在一致结构中制作提示：目标、约束、输入数据、输出格式和验证步骤。使用简单语言，避免嵌套指令，并在可能时分离任务。对于使用 gpt-4o 或 gpt-35 的社区，运行并行提示来比较行为并捕捉模型特定怪癖。始终包括生成简洁总结和较长详细版本的指示，当适当时候，这样您可以为进一步使用选择最合适的文本。

陷阱	症状	如何修复	示例
歧义	模糊动词、广泛主题、缺失受众、不清晰格式	指定角色、受众、范围和输出结构；要求固定格式（项目符号、表格或代码块）；定义语言和长度	提示：“解释如何为图像标题提示神经网络。” 修复：“用英语为初学者解释，以 8 个项目符号，每个带一个示例图像标题。”
假设	未陈述数据来源、日期、阈值	陈述每个基线，要求来源，并明确界定范围；添加验证步骤	提示：“分析市场趋势。” 修复：“使用公共来源分析 2020–2024 年金融科技市场趋势，引用每个事实，并提供 1 段要点。”
幻觉	虚构事实、虚构名称、错位日期	要求引用，将声明限制为可验证数据，并包括事实检查通过	提示：“列出五个 AI 突破。” 修复：“列出五个 AI 突破，带有来源和出版年份，并标记任何推测项目。”
过度泛化	没有边缘情况的广泛声明	添加反例和边缘条件；指定受众约束	提示：“解释提示工程。” 修复：“为企业团队解释核心提示，带有 3 个实际边缘情况。”

减少风险的实践指导：编写一个包含精确任务的指示，而不仅仅是大纲。包括像“指令”、“设置”和“查询”这样的词来训练清晰度。如果您需要免费资源，搜索最免费的模板来适应，但确保您自定义到自己的上下文。当处理图像时，附加标题指南和验证提示来比较标题内容与视觉数据。这种方法保持内容新鲜并防止跨方向、语言和像 gpt-4o 和 gpt-35 这样的模型的重复错误。