AI提示词结构化和普通的提示词相比好处是什么

Prompt，也就是所谓提示词工程，现在算得上如火如荼了，也开始内卷出各个流派了。2023年初调侃AI为什么林冲要去高老庄这样的交互方式，被亲切地称为“一刀流”。咱也不会，咱也不懂，那咱就学呗。下面这个图是相当火热的开源知识库waytoagi整理的框架图。但是不要被框架唬住，咱也是上过学的，咱来它个庖丁解牛试试。结构化降低了沟通难度，提高结果准确度，同时也限制了更多可能性，有利有弊。大部分框架都不太适合解决过于主观，个人情绪的问题，也没必要解决太过于简单的问题。有了框架固然比一刀流看起来牛掰一些，但是想要完全符合需求，往往不是一个框架能完全搞定的。

在过去的一年半时间里，我一直在深度探索和使用如何更好的引导大模型生成我们需要的内容，也一直在进行提示词（prompt）系统化教学。这段经历让我对提示词的发展和应用有了深的认识，我的认知也产生了一个重要的转变：[heading3]“从单纯的提示词优化到更加关注人的底层能力的提升。”[heading2](一)提示词探索路径[content]1.OpenAI官方的六项最佳实践最初，我们主要依赖OpenAI官方给出的指导，包括写清晰具体的指令、给模型时间思考、使用分隔符等基本技巧——这些实践为我们使用大模型开了个好头。1.提示词框架随后，各种提示词框架开始出现，如CRISPE（Capacity and Role,Insight,Statement,Personality,Experiment）和BROKE（Background,Role,Objectives,Key Results,Evolve）等。我们是这用这些框架为提示词编写提供一个系统化的方法。1.明确任务目标清晰地定义我们希望大模型完成的任务是至关重要的。这个阶段强调了任务描述的精确性和完整性。1.角色扮演方法探索让大模型扮演特定角色来完成任务的方法。这种方法能够让模型更好地理解上下文并生成更相关的回答。1.结构化提示词使用基于Markdown语法和角色法框架的结构化提示词。这种方法提高了提示词的可读性和组织性，使复杂任务的分解变得更加直观。1.提示词测试和迭代随着实践的深入，开发了一些提示词测试和迭代的方法。这个过程帮助我们不断优化提示词，提高其效果。1.提示词封装为智能体将提示词封装为智能体，这使得复杂任务的处理变得更加模块化和可复用。

1.目标明确：不管是CoD、CoT还是ToT，确保每一步的目标清晰是非常重要的。AI需要明确的指导才能产生相关和有价值的输出。2.逻辑性：在所有提示策略中，逻辑性都是关键的。清晰、结构化的提示可以帮助AI更有效地生成输出。3.分步骤：无论是进行深度分析（如CoT）还是遵循特定的结构（如CoD），确保提示按照清晰的步骤进行是至关重要的。4.考虑变量：这在ToT中尤为重要，因为您可能会根据不同的情境或条件提供多个分支或选项。但无论在哪种情境中，都需要考虑到可能会影响结果的所有因素。所以，是的，这些原则在所有提示策略中都是通用的，且同样重要。您的观察非常精准，这些原则的通用性强调了它们在有效沟通和指导AI方面的重要性。</continuous prompts>四、【实验十二】运用CoD将文章做摘要我们尝试把之前的一篇文章，透过CoD提示做摘要（使用文章请参阅：AI如何改善保险服务价值链？——从服务体验设计服务策略开始）。提示词部分前面已分享，下面是GPT的五轮输出，摘要由粗颗粒度到细颗粒度，并分别用中英文两种方法撰写提示词。个人观点，以英文提示词最后加上中文输出的方式，效果较全中文好些，并且无论是以中文或英文写提示词，密度等级4的结果都比较让人满意（密度等级5显得过于精简而有点不知所云），这与论文结果－“总体得分倾向于更密集、信息量更丰富的摘要，其中第4轮得分最高”的结果一致。供参考。<CoD prompting>方法一：以下以中文撰写提示词的回复。【GPT】密度等级1：“Missing_Entities”：“AI在医疗大模型中的准确度;保险销售基于信任;GPT作为业务人员的个人助理“，