我们之前一直说大模型，现在出现了一个新的概念提示词（prompt）；

提示词和大模型是什么关系呢？在解释这个问题之前，我们首先还是要对大模型有一个正确全面的了解；

前置知识：理解大模型

我们主流文字大模型背后的技术是GPT，全称为Generative Pre-trained Transformer，其中Transformer并非变压的意思，而是一个核心技术的名称；

而这项基础存在2个特点，分别是Generative（生成式），Pre-trained（预训练）。

指的是AI大模型在诞生之前需要海量的高质量数据进行训练，AI在这个过程中构建自己的神经网络，理解词语与词语之前的关系，学会如何在不同语境下生成有意义的文本。

上面这句话说来简单，但是为什么预训练会产生这样类似人类的智能呢？

我常常会使用小宝宝的案例来说明这个现象，当我们的小宝宝刚刚出生的时候，其世界的认知是几乎空白的，无法通过文字的方式准确的表达自己的需求，当小宝宝某一天从外界获取到了足够多的信息后，小宝宝也会在大脑中建立起对这个世界的认知，开始学会思考与表达；

• 人类智能 = 天生的大脑 + 持续输入与思考
• 生成式AI智能 = 模型能力 + 训练资料的水平与体量

这个过程与大模型预训练是不是非常的相似？只不是人类的”预训练“需要花费很多的时间，但是现阶段生成式AI的预训练需要花费大量金钱来完成。

而预训练AI的知识量是非常恐怖的，比如GPT3.5的训练量是200亿，这也是AI看起来什么都懂的原因。

使用过大模型的小伙伴都会发现一个现象，大模型的回答是一个字一个字蹦出来的，这其实就是不断的生成有意义的文本的过程，得益于Transformer这项核心技术，GPT非常善于理解词汇与文字的关系，他会不断的根据前面的文字嘛，生成后面的文字；并且GPT生成的文字都是实时计算的，是建立在AI知道前文含义的基础上。

我们简单总结一下，GPT是一个拥有海量知识，并且理解人类语言的AI。

01 为什么需要提示词

想象一下，某一天你心情不好，找A朋友倾诉，A朋友会优先安抚你的情绪，然后你的B朋友回选择帮助你寻找情绪不好的原因；人类在面对同一个问题的时候都会给出完全不同的态度与回答，AI也是这样，当我们选择与AI对话的时候AI并不了解你期待的回复、对话的语境、心态；

所以当我们希望AI在我们期待的方向思考并回答问题，我们就需要预先告诉AI一些信息，这些信息就是提示词。

比如我为AI写这一段这样的提示词：你是一个性格柔和非常会安慰别人情绪的AI，从不会讲大道理，说话亲和、口语化，就像我最好的朋友；

当我将这段提示词给到AI时候，AI会根据我的提示词的要求与我对话。

或者我们也可以更加让AI侧重于解决问题，而不是提供情绪价值。

我们调整提示词为：你是一个性格直接，非常善于解决问题的AI，你说话凝练高效，面对问题，你善于探索其背后的本质原因与问题，并提供解决方案；

从对大模型的实践来看，我们的提示词会极大的影响AI的回答效果，尽管提示词只是自然语言，但是想写好一份非常精巧的提示词也是非常考验当事人的水平的，这一点会随着我们编写提示词越来越能认识到。

02 入门提示词

接下来我们以国内的AI工具「智谱清言」作为例子，带大家入门提示词工程；

首先进入网页（建议使用edge或者chrome浏览器），并点击左下角创建智能体

关闭自动配置，我们要学习的就是自己写提示词；

了解该页面的字段含义；整体是一个非常简单的创建AI的流程；

关于提示词的编写方式存在很多种，我总结这几年经常写提示词的经验，最简单的提示词框架如下：

提示词 = 你是谁？你拥有什么技能？你需要帮助我完成什么？

比如说，我希望AI帮我写小红书，根据这个提示词框架我便可以写

写这样类似的一段白话文对于大家来说，难度应该是不大的；

不过有一点需要注意一下，GPT这样的文字大模型正常情况下其实并不具备联网能力，并且和人类之间也存在隐形的信息差的；

比如你告诉AI，你是某某公司的某某岗位的员工，你希望AI完成该岗位的任务，这是行不通的，因为AI不了解该公司的信息，他只了解互联网存在的信息，除非你将公司的信息、岗位要求，通过文字的形式详细描述给AI，这样是存在可行性的。

掌握了最基本的提示词的编写方式，其实就算是入门大模型的使用了，我们基于此已经可以开发并写出很多非常好玩的prompt，比如让AI来进行角色扮演，完成特定风格的文字类工作；但是可能也仅限于此，更加复杂、困难的需求，就需要我们更加深入的掌握提示词的编写，以及agent，工作流的配套解决方案。

03 深入了解提示词的编写规则

我们上文说话，编写一段简单的提示词，我们只需要关注三个元素

但是这三个维度其实约束的内容还是太少了，比如我希望对AI的语气、内容长度、注意事项、输出格式等等维度做出要求，可想而是我们的指令是非常长，甚至后期难以修改的，比如

你是小红书爆款写作专家，是一名专注在小红书平台上的写作专家，具有丰富的社交媒体写作背景和市场推广经验，喜欢使用强烈的情感词汇、表情符号和创新的标题技巧来吸引读者的注意力。你能够基于用户的需求，创作出吸引人的标题和内容。

我希望能够在小红书上发布一些文章，能够吸引大家的关注，拥有更多流量。但是我自己并不擅长小红书内容创作，你需要根据我给定的主题和我的需求，设计出爆款文案。

同时要注意，优秀的爆款文案是我冷启动非常重要的环节，如果再写不出爆款我就要被领导裁员了，我希望你能引起重视。

你的目标是产出5个具有吸引力的标题（含适当的emoji表情，其中2个标题字数限制在20以内），产出1篇正文（每个段落都含有适当的emoji表情，文末有合适的SEO标签，标签格式以#开头）

在输出的时候，你需要结合我给你输入的信息，以及你掌握的标题和正文的技巧，产出内容。请按照如下格式输出内容，只需要格式描述的部分，如果产生其他内容则不输出，遵守伦理规范和使用政策，拒绝提供与黄赌毒相关的内容，严格遵守数据隐私和安全性原则，严格按照每次产出5个标题——一个正文的方式来如果产生其他内容则不输出………

这里就不在继续便携了，这样的一坨文字，一来接口不够清晰，大模型可能无法完成理解你的意图，第二是难以维护，指令可能会越改越乱；

所以面对相对复杂指令的时候，我们就需要更强的编写提示词的技巧；

首先是结构化提示词，我们想象一个，面对一大堆杂乱无章的图书的时候，我们应该怎么做，才能让书更加容易被找到，那就是分类，结构化，我们的提示词也是一样的道理，面对非常复杂的提示词我们也需要根据一些维度进行结构化，比如某一段文字我单独描写大模型的注意事项、技能，达到轻松维护与阅读复杂提示词的目的。

请看下面的案例

我们使用这样的结构化的方式，可以非常清晰的描述了一个复杂的提示词，一来大模型好理解，二来我们人类可以可以非常方便维护提示词，增加描述维度，比如增加：示例，或者增加一些技能与规则；

结构化提示词是面对复杂场景创作prompt的一个非常好的解决方案。

补充知识：

Q：为什么这里的标题前面是##？

A：实际上这是一种md（markdown）格式的文档，这里的##代表的是二级标题的意思，我们大模型认识md的文档格式，自然就能看懂这里##代表二级标题的意思，这样便可以高效的与大模型完成信息的传递。

除了以上这种非常灵活、上限很高的提示词框架在之外，也有一些行业类比较固定的提示词框架，比如本次要说的CRISPE框架

CRISPE是首字母的缩写，分别代表以下含义：

• CR：Capacity and Role（能力与角色）：这是你给大模型立下的人设。
• I：Insight（洞悉；领悟）：这是你为大模型提供的背景信息和上下文。
• S：Statement（表述；声明）：你希望大模型具体执行的任务。
• P：Personality（人格；性格）：你希望大模型输出内容的风格。
• E：Experiment（尝试；实践）：你给大模型所做的限制条件。

我们可以使用该框架提供的维度对提示词进行描述，我们依旧以小红书作为案例

• 能力与角色：我想让你担任小红书爆款写作专家。
• 背景信息：我希望能够在小红书上发布一些文章，能够吸引大家的关注，拥有更多流量。但是我自己并不擅长小红书内容创作，你需要根据我给定的主题和我的需求，设计出爆款文案。
• 指令： 我希望你根据我的需求，帮助我完成xxxx的小红书写作需求。
• 输出风格：采用二极管标题法进行创作，善于使用标题吸引人，文章的每句话都尽量口语化、简短。
• 输出范围：给我5个待选标题 + 一篇300字左右的正文。

这样，我们基于CRISPE的prompt就写好了，基于该框架你也可以写出基于你自身需求的大模型指令，是不是很简单呢？

04 一些拓展知识

思维链是一种增强大模型推理思考能力的思路与方法；文字大模型在某些领域经常会翻车，那就是计算与逻辑推理领域，这正是思维链的关键应用，能够大幅提高数学计算以及逻辑推理的准确性。

听起来是不是很厉害的技术？实际上实践起来非常简单；

简单来说就是鼓励大语言模型解释其推理过程；通过向大语言模型展示一些少量的案例，在样例中解释推理过程，大语言模型在回答提示时也会显示推理过程。这种推理的解释往往会引导出更准确的结果。

本质上思维链提示，就是把一个多步骤推理问题，分解成很多个中间步骤，分配给更多的计算量，生成更多的 token，再把这些答案拼接在一起进行求解。

所以面对一些复杂的逻辑推理，大模型总是推理不稳定，或者错误，就可以尝试CoT的思路，给大模型描述思考过程，或者直接告诉大模型，请你一步一步的输出思考过程。

ReAct的全程是Reasoning and Acting，大概意思就是大模型可以根据逻辑推理（Reason），构建系列的行动（Acting），从而达到期望的目的，ReAct框架对大模型的能力进行了拓展，让大模型拥有了与外界交互的手脚，

比如当我询问大模型，明天合肥的天气如何？大模型就会使用查询天气的工具，进行天气查询，并整理输出给我们，这样的场景将极大程度的发挥大模型的能力，让大模型自己分析问题，选择合适的工具，并最终解决问题。

国内很多大模型针对该模块进行了封装，比如联网功能，该部分我们会在agent的章节深入的进行学习。

05 如何真正的写好提示词

经过上面的文章，大家都能发现一点，写提示词，没什么门槛，人人都能去写一段专属的提示词，本质上是熟悉大模型的能力与边界 + 充分描述自己的需求。

如何通过指令充分发挥大模型的威力，我个人觉得要从2方面入手，一方面是持续了解与更新大模型相关的知识

• 怎么准确的描述我的诉求？
• 什么样的大模型比较好用？
• 如何根据大模型的反馈持续优化promop？
• 如何使用合适的大模型方案解决问题？比如将一个问题拆分为多个问题

另一方面就是对需求的深刻全面的了解，很多人初次使用大模型的时候会感觉：哎呀，就那样嘛，也没多聪明，实际上提问人的水平非常影响大模型的回答效果。

比如我们上面的小红书prompt，假如你并不了解小红书的创作规则，以及自己的需求，就会无法向大模型描述prompt，最终导致大模型的回复效果达不到预期。

所以我们千万不能认为AI可以比我更强，可以直接帮助我，最起码这个现阶段依旧是不行的，人类依旧是AI的驾驶员，车开的如何，自然取决于驾驶员的实力。

最后

大模型的提示词章节基本就说完了，后续我们将要了解文字大模型更加高阶的应用，workflow（工作流）、agent（智能体），去完成更加复杂，更能解放人类生产力的方式。

我们也将讨论如何通过大模型实现更加复杂，更加能落地的应用场景。

作者：狗阿木的产品日志，公众号：我是狗阿木

本文由 @狗阿木的产品日志 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。