Prompt老跑偏？教你写出模型真正听得懂的提示词

如何写好结构化提示词

结构化提示词格式

使用格式来区分提示词的各个部分是编写提示词的常用技巧，那么，为什么选择结构化提示词而不是格式化提示词呢？格式化只是结构化提示词的一部分。

对于格式化提示词而言，格式是目的，只表明了提示词的内容组织格式，而提示词更关键的思维和语义结构却被忽略了。对于结构化提示词而言，格式只是组织思维和语义结构的手段，而不是目的。

结构化提示词的设计重在思维和语义结构的组织，强调将诸多提示词技术（例如面向角色的提示词设计）有机融入提示词，而非格式设计。

日常文章的结构通常通过字号大小、颜色、字体等样式来标识。 ChatGPT 接收的输入不包含样式，因此可以借鉴 Markdown 、YAML 等标记语言的方法或者 JSON 等数据结构，实现提示词的结构表达。JSON 、YAML 等格式对软件开发者更友好，而 Markdown 等格式对大众更友好。

理论上，可以使用任意格式来编写结构化提示词，甚至可以自定义一套格式规则来描述提示词。实践中，ChatGPT 等大模型对 Markdown、JSON 格式的识别度较好，而 Claude 由于官方针对 XML 格式进行了专门优化，在 XML 格式下表现会更好。以下是一个使用 Claude 进行法律合同分析的 XML 提示词示例。没有 XML 标签时，Claude 的分析缺乏条理，容易遗漏关键点；而使用标签后，它能提供结构化的、全面的分析，便于法务团队采取行动。

本书推荐使用 Markdown 格式编写提示词，原因如下：

• 便于模型理解：大模型的训练语料数据中，常见格式的数据较多，因此模 型对常见格式的理解较为顺畅。

• 便于人的阅读理解：人们对常见格式的了解和掌握更多，因而不必单独学习语法结构。
  

目前国内常用的大模型大部分支持 Markdown 格式，而且这种格式对程序员和非程序员都非常友好。为方便广大读者，本书采用轻量化的 Markdown 语法，仅涉及一些简单的符号。对 Markdown 格式感兴趣的读者可自行搜索相关知识， 学习约半小时即可上手。

构建全局思维链

一个好的结构化提示词模板，在某种意义上就构建了一个好的全局思维链。 如 LangGPT 中展示的模板设计时就考虑了如下思维链：

Role（角色）→ Profile（角色简介）→ Profile 下的 Skills（角色技能）→ Rules（角 色要遵守的规则）→ Workflow（满足上述条件的角色的工作流）→ Initialization（进行正 式开始工作的初始化准备）→开始实际使用

一个好的提示词在内容结构上应当逻辑清晰连贯。结构化提示词方法将久经考验的思维链融入结构中，大大降低了思维链的构建难度。

构建提示词时，可以参考优质模板的全局思维链。熟练掌握后，可对其进行增删改调整，以得到一个适合自己使用的模板。例如，当需要控制输出格式，特别是需要格式化输出时，可以增加 Output（输出）或者 OutputFormat（输出格式） 这样的模块。

保持上下文语义一致性

创作高质量提示词时，需要注意保持上下文语义的一致性。这包括两个方面：格式语义一致性和内容语义一致性。

格式语义一致性是指标识符的标识功能前后一致，最好不要混用。例如，如果将# 既用于标识标题，又用于标识变量，会造成前后一致性的破坏，从而对模型识别提示词的层级结构造成干扰。

内容语义一致性是指思维链上的属性词语义合适。例如，LangGPT 中的 Profile（简介）属性词， 原来用的是 Features（特征），但实践与思考后， 笔者将其更换为 Profile，使其功能更加明确，即表示角色的简介。结构化提示词思想被诸多朋友广泛使用后，衍生出了许多模板，但基本保留了 Profile 的诸多设计，说 明其设计是成功且有效的。

为什么 LangGPT 前期会用 Features 呢？因为 LangGPT 的结构化思想受到 AI-Tutor（ AI 导师）项目的启发，而 AI-Tutor 项目中并无 Profile 一说，与之功能 近似的是 Features。但 AI-Tutor 项目中的提示词过于复杂，并不通用。为形成一套简单有效且通用的提示词构建方法，笔者结合自己的提示词工程经验和大模型 的特性，提出了本书中的结构化提示词思想，设计并构建了结构化提示词模板。

内容语义一致性还包括属性词和相应模块内容的语义一致。例如，在 Rules （规则）部分，角色需要遵守规则，因此不宜在此处堆砌大量的角色技能描述。

其他提示词方法

结构化提示词思想是一种方法，与CoT 、ToT 、Think step by step 等其他技巧和 方法并不冲突。在构建高质量提示词时，这些方法可以结合使用，结构化方式更便 于各个技巧间的协同组织。例如，将CoT 方法融合到结构化提示词中编写提示词。

此外，所有提示词方法完全可以用于结构化提示词。建议读者灵活结合多种提  示词方法，以在复杂任务中实现使用不可靠工具（如LLM）构建可靠系统的目标。

提示词编写的自动化

日常简单使用时，直接询问大模型即可达到目的。而若希望构建一套功能复 杂且性能稳定的提示词，则通常需要以下几个环节：

1 ）提示词编写；

2 ）提示词效果验证；

3 ）提示词修改和调整。

若提示词较长，例如有几百甚至上千字，则编写环节会耗费不少时间。同 时，若提示词所面向的领域是你不熟悉的，你往往会面临无从下笔的困境。

在提示词初版完成后，就进入后两个环节，你需要使用提示词验证效果，然 后依据效果不断修改和调整提示词。因此，第2 和第3 两个环节往往是交替进行 的，需要耗费大量时间，依赖丰富的提示词经验和技巧。

一个好的提示词往往要经过大量的修改、迭代和调试，因此编写和优化提示 词是一项非常耗时的工作。在 1.10 节中，我们已经专门说明了如何进行提示词迭 代。本节主要论述如何使用提示词工具实现提示词的自动优化工作流，以大大加 速提示词的编写过程。

手工编写工作流

在结构化提示词的基础上，由于模板的存在，提示词编写这一“作文题”变 成了“填空题”，大大降低了提示词编写的难度。结构化提示词的手工编写工作 流如下：

手工套用现有模板→手工迭代调优→符合需求的提示词

编写提示词时，学习者可以通过手工编写工作流来加深对提示词编写的理解。

自动化编写工作流

对于刚入门的提示词学习者而言，如需快速上手，建议使用自动化创建提示 词的方法。构建复杂、高性能的结构化提示词可采用以下自动化编写工作流：

自动化生成初版结构化提示词→手工迭代调优→符合需求的提示词（推荐）

自动化生成的初版结构化提示词，可以通过提示词专家智能体完成。大模  型Kimi 的智能体板块Kimi+ 上有这本书提到的结构化提示词驱动的提示词专家， 读者可以使用该提示词专家智能体创建自己的结构化提示词，如图2-2 所示。

图2-2    Kimi×LangGPT 提示词专家

上述提示词专家核心也是通过提示词实现的。若读者感兴趣，可以参考下面  的提示词。这是一个在LangGPT 提示词社区广受好评的用于提示词自动生成的  提示词。你可以将这个提示词复制到大模型的对话框中，然后描述自己的需求， 大模型将会为你自动生成初版提示词。

自动化工作流能够大大减少工作量。在能够熟练编写提示词后，可以灵活搭 配使用自动和手工的各种工作流。更进一步，读者可以尝试自动化分析与评估提示词，使用提示词分析与评估类提示词实现。

经典模板

有的读者可能会好奇：是否存在一些通用的经典模板可以套用？这里提供一 些结构化模板供大家参考。

LangGPT 中的 Role 模板

这是本书作者之一云中江树在提出结构化提示词时为GPT-4 创建的提示词模  板，也是首个明确提出结构化提示词概念的结构化模板，其中包括Profile（简介）、 Skill（技能）。

LangGPT 中的 Expert 模板

这是LangGPT 针对ChatGPT 3.5 这类能力较弱的小模型开发的简化结构化提示词模板，更加契合小模型特性，并且在小模型上的表现更加出色。

公文笔杆子模板

这是本书作者之一李继刚常用的结构化提示词模板，基于这套模板开发的公 文笔杆子智能体在国内外获得了数万提示词爱好者的喜爱和应用。

AutoGPT 提示词模板

这是著名的智能体项目AutoGPT 中使用的提示词模板，不仅启发了许多提 示词方法的应用，还启发了许多智能体应用。

CO-STAR 提示词模板

这是新加坡政府科技局（GovTech）组织的首届 GPT-4 提示工程大赛中冠军 Sheila Teo 使用的提示词框架，这个框架在国内外具有广泛的影响力。

局限性

结构化提示词在不同模型中的适用性

对于一些简单的任务，使用简单的提示词即可。不同模型的能力维度不同，从最大化模型性能的角度出发，有必要针对性地开发相应的提示词。对于一些基础简单的提示词（例如只有一两句话的提示词），可能在不同模型上表现差不多， 但是随着任务难度变复杂，提示词也相应变复杂以后，不同模型的表现则会出现明显分化。结构化提示词方法也是如此。

结构化提示词的编写对模型的基础能力有一定要求，要求模型具有较好的指令遵循和结构识别分析能力。从实践来看， GPT-4 是最佳选择，Claude 模型次之。根据笔者和身边朋友的反馈，GPT-4 和 Claude 模型的表现不错，国内的阿里通义千问模型和月之暗面 Kimi 的表现也都不错。

当你发现结构化提示词在小模型上表现不佳时，可以考虑降低结构复杂度、调整属性词、迭代修改提示词。例如， LangGPT 助手的 Expert（专家）模板，将原本的多级结构降维为二级结构（“1. ”“2. ”“3. ”为一级，“ - ”为二级），同时参考AutoGPT 中的提示词，使用了 4.Goals 、5.Constraints 等属性词。依据提示词的表现，不断修改和调优提示词。

总之，在模型能力允许的情况下，结构化确实能提高提示词性能，但在不符合实际需要时，仍然需要使用各种方法进行调试和修改。

其他局限

结构化提示词依赖基座模型的能力，无法解决模型自身的问题，也不能突破大模型提示词方法的局限性。目前已知的无法解决的问题如下：

• 大模型自身的幻觉问题。

• 大模型自身知识陈旧问题。

• 大模型在数学推理能力上的不足（解决数学问题）。

• 大模型视觉能力弱的问题（如构建 SVG 矢量图等场景）。

• 大模型字数统计问题（无论是字符数还是 token 数，大模型都无法准确统计。当需要输出指定字数时，建议将数值设定得高一些，后期自己调整， 比如希望输出 100 字文案，可以告诉它输出 150 字）。

• 同一提示词在不同模型间的性能差异问题。

• 其他已知问题。

常见误区

1. 结构化等同于 Markdown 格式化

首先需要明确，提示词的格式不等同于提示词的结构。结构化提示词不是一种格式，也不绑定于某一具体格式。

前文有格式化技巧的说明。使用格式来区分提示词的各个部分是提示词编写的常用技巧，但格式化只是结构化提示词的一部分。重要的是提示词内容，格式只是内容的呈现形式。好比你写了一篇文章，重要的是文章中的精彩内容，至于文件格式，用 .docx 还是 .pdf 分享文章都可以。

作者考虑到 Markdown 语法简洁明了、使用广泛，选择了 Markdown 格式来编写提示词。网络上也流传着大量使用 Markdown 语法的结构化提示词。但是需要说明的是，Markdown 格式化并不代表结构化提示词，Markdown 格式也不是唯一的选择，你可以自由地选择你喜欢的格式。

2. 结构化提示词的各个模块都不可调整

法无常法，势无定势；兵无常势，水无常形。提示词编写也是这样，在实践 中，不能机械、死板地套用结构化提示词方法论。

结构化提示词中的各个模块都很灵活，可以调整、删改。例如，“简介”中 的“版本”是为了方便提示词迭代记录使用，与模型表现无关，在实际使用时可以删除。同样，提示词中许多与任务无关的内容在实际使用时都可以删除。也可以依据实际需要增加、删减、修改、调整各个模块。

正确的做法应该是理解结构化提示词背后的思想，掌握其体现的提示词技巧，明白其增强了模型哪方面的表现和缓解了模型哪方面的缺陷。在能够熟练编写提示词后，完全可以跳出原来的模板，按照自己的心意编写提示词，只要编写的提示词能够满足现实需求即可。

3. 结构化提示词必然很长

流行的结构化提示词往往篇幅较长，给许多人留下了结构化提示词冗长的印象。同时，有人反馈说，结构化提示词比一般提示词内容多，在使用 API 时花费更多。 然而，提示词冗长的根本原因并不在于结构化的编写方式。

提示词的长度主要由任务的复杂程度以及模型在该类任务上的能力强弱决定。

任务越复杂，所需的提示词必然越长。模型在该任务上的能力越弱，就需要越长的提示词来引导输入。

如图 2-3 和图 2-4 所示，我们进行了文心一言和 ChatGPT 在创作五言绝句上的对比。在此任务上，文心大模型的能力优于 ChatGPT，一句话即可达到预期效果。相比之下，ChatGPT 在创作五言绝句上的表现不理想，常输出七言绝句或五言律诗。感兴趣的读者可以尝试对比这个任务。

图2-3  文心大模型 3.5 创作五言绝句示例

图2-4    ChatGPT 4o 创作五言绝句示例

为了防止提示词内容的冗余，在使用结构化提示词时，不能简单机械地套用 模板。实际运用中，应灵活应用结构化思想，根据具体情况对提示词中的各部分 内容进行增减和调整。

若希望缩减提示词长度，尤其是API 使用者为了节省费用而减少token 的消 耗，可以考虑从以下几点着手优化：

• 去除提示词中与任务无关的内容，比如结构化提示词中的版本、语言等。

• 避免对模型已知事实过多描述。比如某一专业术语，若询问模型时，模型能够正确回答，则无须在提示词中过多描述。

• 将中文提示词改写为英文。使用英文描述相比中文能够节省 token 数量。

• 采用概括性描述，使用如七言律诗、莎士比亚风格等模型能理解的概括性描述，以节省大模型使用费用。

本篇文章来源于微信公众号: CSDN