提示语框架可以辅助我们写出更好、更精准的提示语

提示语框架可以辅助我们写出更好、更精准的提示语，它在一定程度上，可以引领我们以结构化的形式来编写提示语，比如 CO-STAR 框架。

当然，除了提示框架之外，还有一个概念，叫做提示模式。

我在以前的文章中，用两篇文章来介绍过四种提示模式：

你真的会用 ChatGPT 吗？来看看这 4 个模式，让你的 AI 技能更上一层楼！（上）

你真的会用 ChatGPT 吗？来看看这 4 种模式，让你的 AI 技能更上一层楼！（下）

而这一次，我将为你介绍 6 种提示模式类型，以及 16 种提示模式，让你的提示语编写技能更上一层楼！

我将拆分为两篇文章为你介绍这 16 种提示模式，本文将会先介绍前 8 种提示模式。

目录

• • 什么是提示模式

• • 提示模式的类型

• • 输入语义类模式

• • 输出定制类模式

• • 错误识别类模式

• • 总结

什么是提示模式

提示模式是一种高级技巧，它通过提供可重复使用的结构化方法来解决 AI 输出中的常见问题。

如果你了解软件开发的话，那么可以这样理解：

对于软件开发者而言，提示模式在提示工程中的作用就类似于设计模式在软件开发中的地位，它们为特定且反复出现的问题提供了可复用的解决方案。

提示模式的类型

• • 输入语义（Input Semantics）

• • 输出定制（Output Customization）

• • 错误识别（Error Identification）

• • 提示改进（Prompt Improvement）

• • 交互（Interaction）

• • 上下文控制（Context control）

不同的类型是为了解决与 LLM 交互的不同方面的问题，它们都是为了帮助实现更准确、更有效和更有意义的输出。

我将在下文中结合具体的提示模式对这些类型进行更详细的介绍。

输入语义类模式（Input Semantics）

当我们给 AI 输入信息时，输入语义是指模型如何理解和处理这些信息。

简单来说，就是 AI 怎样“读懂”我们给它的内容，并根据这些内容做出回应。

提示模式 1：元语言创建（Meta language creation）

创建一种元语言，也就是创建一种领域特定语言，通过建议一种一致且结构化的方法来为 AI 设计提示语。

这种元语言充当一组指导原则或者规则，帮助我们有效的向 AI 传达意图。

目的与意图

定义 AI 需要执行的具体意图或任务。可以是生成文本、回答问题、翻译语言、总结内容或提供创意写作等。

背景信息

提供背景或为 AI 设置场景信息。这有助于 AI 理解任务的上下文。

比如，要让 AI 写一段关于历史人物的段落，可以从“写一段关于[历史人物]的段落...”开始。

明确指令

向 AI 提供明确的指令或指南。在指令中保持清晰简洁。例如，“用几句话总结以下文章的要点。”

提示语格式

定义一种结构化提示的统一格式，此格式可能包括特定输入或输出的占位符。

比如，可以使用 [Input] 表示输入数据的位置，使用 [Output] 表示预期回答的位置。

这样的格式有助于 AI 理解提示的哪些部分是指令，哪些部分是数据。

控制标记

利用控制标记或特殊关键词来引导 AI 的行为。

比如，可以使用 [Translate] 或 [Summarize] 等标记来指定希望 AI 执行的任务类型。

优缺点

这种模式提供了高度的个性化定制，但如果新语言引入了比较模糊的定义，可能会让 AI 产生混淆的回答。

输出定制类模式（Output Customization）

输出定制是指对 AI 的输出进行调整和优化，以符合特定的需求或格式。

简单来说，就是根据具体要求对 AI 生成的内容进行个性化处理，使其更加符合预期。

提示模式 2：模板模式（Template）

目的与意图

确保 AI 的输出严格遵循一个既定的模板或格式。

提供一个带有占位符的模板，让 AI 填充具体的内容。

比如：我将为你的输出提供一个模板。所有中括号中的文字均为占位符。在生成文本时，请尽量将其适配到我列出的占位符中。请保持我提供的格式和整体模板不变：'您好[姓名]，您的账户[账户ID]已于[日期]收到[金额]的存款'。

优缺点

这个模式的优势是可以将 AI 的回答限定在特定的格式范围内，而与之对应的缺点则是有可能会排除掉其他有用的回答内容。

提示模式 3：角色扮演（Persona）

角色扮演是一种在提示工程中经常使用的模式。

它允许我们为 AI 指定一个虚构的身份或者角色，让 AI 基于这个身份或者角色来回答。

这种模式对于 AI 生成一致且连贯的响应非常有用。

角色描述

描述 AI 应该采用的身份或者角色，包含角色背景、特征和角色的详细信息。

比如，你是一个专门研究古代文明的历史教授。你对考古学充满热情，并且喜欢讨论历史谜团。

语气和风格

指定 AI 回答的语气和风格，比如正式的、非正式的、学术性的、幽默的等等。

比如，保持正式且专业的语气。

兴趣和偏见

如果与上下文相关，还可以指定角色的兴趣或者偏见。

比如，我对埃及的历史非常感兴趣，我更偏向于讨论古埃及文化。

提示模式 4：可视化生成器（Visualization generator）

此模式可以用来生成可视化的文本描述。

也就是说，针对于一些生图式 AI，比如 Midjourney，Stable Diffusion，DALL-E 等，可以通过这种模式来生成适用于这些 AI 的提示语。

除此之外，这种模式还可以用来生成流程图的可视化文本，思维导图的可视化文本等。

比如，将以上文本转换为 Mermaid code。

Draw.io 支持直接使用 Mermaid code 来创建流程图。

更多具体案例可以参考：

1 分钟学会用 AI 做思维导图❗️

提示模式 5：步骤指南（Recipe）

目的与意图

让 AI 提供一系列的详细步骤来达成特定的结果。

这个模式非常适用于复杂任务，通过让 AI 提供详细的步骤，可以获得清晰且结构化的回答。

结构和关键思想

在使用此模式的时候，需要明确期望的结果以及任何已知的限制条件。

比如，提供一个分步骤的指南来设置一个安全的Web服务器：1. 安装Apache服务器，2. 配置防火墙，3. 申请SSL证书，4. 设置HTTPS，5. 监控服务器性能。

提示模式 6：输出自动化（Output automator）

输出自动化模式就像拥有一个个人 AI 助手来处理繁琐的工作。

这个模式需要充分的上下文信息来生成可操作的自动化工具，同时，针对于 AI 生成的回答，需要对其准确性进行校验。

比如，从现在起，每当你生成多个跨文件的代码时，你需要生成一个 Bash 脚本来自动创建指定的文件，或修改现有文件来自动插入生成的代码。

错误识别类模式（Error Identification）

错误识别类模式专注于识别和纠正 AI 回答中可能存在的错误。

这些模式有助于对抗 AI 幻觉（Hallucinations），确保内容的准确性、可靠性和安全性。

提示模式 7：事实核对清单（Fact check list）

目的与意图

在 AI 生成的内容中列出一些需要核实的关键事实。

这样做的目的是确保这些信息的准确性和可靠性。

结构和关键思想

具体来说就是，当 AI 给出一个答案时，它会在最后附上一份清单，列出其中的一些关键点，提醒用户去核实这些内容。

比如，AI 可能会在回答后附加一句：“请核实以下信息：1. 加拿大的人口是 3700 万。2. 中国的首都是北京”。

提示模式 8：反思（Reflection）

目的与意图

让 AI 在生成内容之后进行自我检查，找出可能的错误或者可以改进的地方。

通过这样的自我评估可以提高输出的质量和准确性。

结构和关键思想

当 AI 给出一个答案后，它会再看一遍自己的回答，列出可能存在的问题或者可以改进的地方。

比如，生成答案后，回顾你的答复并列出任何潜在的错误或改进建议。

示例回答：我提供了中国的人口数据，但更准确的表述应该是这些数据是基于2023年的统计。

总结

本文介绍了 8 种可用于提示工程中的模式。

这些模式不仅帮助我们明确地传达意图和指令，还确保生成的内容具有一致性、准确性和可用性，以及减少一些潜在的错误。

同时，这些模式为提升 AI 模型的响应质量和用户体验提供了强有力的工具，使我们能够更加高效、精准地利用大语言模型的强大功能。

我将在下一篇文章中介绍剩余的 8 种模式，敬请期待。 ❤️