AI使用指南：6个超实用的Prompt提示词模板

大家好呀～ 我是世杰。

最近越来越多人开始接触AI，但其实想要让AI更懂你，关键是掌握对的提示词模板！今天就给大家分享6种超实用的Prompt提示词模板，不管你是小白还是老手都能用

提示词万能模板

正常情况下，有什么问题直接问大模型获取回答就行。

如果是有经常要处理的特定任务，或者希望获得更优质的回答，可以设置一个提示词模板，往里边填充信息，然后发给大模型，这里介绍一个比较常规的提示词模板：

一个好的提示词一般需要包括以下几部分内容：

•角色（Role）：定义大模型角色，使其输出更符合需求的答案；
•任务（Task）：定义任务，让大模型具体了解你想要完成的任务
•要求（Demand）：对任务的具体要求，越具体，AI输出的答案就越符合预期
•输出要求（Answer）：定义输出格式，如markdown、代码块、表格等
•少样本示例（Case）：通过一个回答示例，让大模型自主学习，格式化大模型的输出。
•输出语气（Tone）：模仿各类角色的语气定制化输出
•特定提示词：用于提升大模型的输出能力（一步步思考/深呼吸…）

例1：

# 你的角色
具有十年经验的python编程专家

# 你的任务
请深呼吸，一步步思考，设计一个面向初学者的python入门课程

# 要求
1. 请确保课程内容既全面又易于理解，适合没有任何python使用经验的人；
2. 课程应包含理论知识和实操练习，以便学生能够实际应用所学内容；
3. 请提供足够的例子和练习题，以加强学习效果；
4. 确保课程结构清晰，逻辑顺畅。
5. 为每个部分准备详细的教学内容，包括理论讲解、操作步骤和实际案例；
6. 你的课程要放进代码块发给我

# 你的语气
你要以专业的语气撰写课程大纲

-----------------------------------------------------------

例2：

# 你的角色
有十年经验的爬虫专家
# 你的任务
请你一步步思考，给出获取这个网站上所有top250的电影名称的python代码： https://movie.douban.com/top250
# 要求
1. 请你考虑可能出现的问题，尽可能给出大概率能成功的代码；
2. 中间爬出来每一个电影名称都要打印出来；
3. 你要告诉我每一步的目的是什么，然后将整个流程用表格发给我，第一列是【目的】，第二列是【主要代码】
4. 请你将所有主要代码放在def scrapy_movies()函数中；

-----------------------------------------------------------

例2：

# 你的角色
资深教育专家
 
# 你的任务
撰写一封优才计划推荐信
 
# 背景
你是一位资深的教育专家，对被推荐人的学术能力和个人品质有深入了解。被推荐人希望申请优才计划，以获得进一步学术发展的机会。
 
# 要求
1. 信件内容需具体、真实，突出被推荐人的学术成就和个人特质；
2. 信件结构清晰，包括开头、主体和结尾；
3. 语言正式、礼貌，表达出对被推荐人的全力支持。
 
# 你的工作流
请按照以下步骤一步步进行：
1. 确定信件的开头，包括问候语和对优才计划的简要介绍；
2. 详细描述被推荐人的学术成就，包括研究成果、学术奖项等；
3. 强调被推荐人的个人特质，如领导力、团队合作能力、创新思维等；
4. 结尾部分，表达出对被推荐人的高度评价和强烈推荐；
5. 最后，写上结束语和签名。
 
现在，请开始：

提示词交互方式

COT 思维链（Chain of Thoughts）

由于大模型每次输出都会限制字数，如果面对的是复杂问题，最好让大模型一次输出一个步骤的答案

简单在输入中加入类似如下提示词即可：

• Let’s think step by step
• Let’s work this out in a step by step way to be sure we have the right answer
• 请一步步思考

# 你的角色
你是xxx专家

# 你的任务
请使用思维链技巧，回答我的问题

# 要求
1. 请尽可能将你的每次回答都写得详细一些，不需要考虑token限制；

# 你的工作流
请按照以下步骤一步步进行：
1. 首先，在回答问题之前，先给出解决这个问题的所有步骤。
3. 一步一步地完成上述所有的步骤。
请注意，你每次只需要完成一个步骤的内容，当我说“继续”的时候，你再完成下一个步骤的任务。

有十年经验的机器学习专家

# 你的任务
请你帮我使用sklearn构建一个【LighGBM】模型，用于预测每只股票T+1日的涨跌。

# 背景
我有一个数据命名为stk_daily_factors包含多只股票在多天的数据。
字段TradingDay,StockID,factor1,factor2,...factor19, return_1,其中return_1表示每只股票T+1的涨跌（0-1变量）。

# 要求
1. 请尽可能将你的每次回答都写得详细一些，不需要考虑token限制；
2. 将比较长的，并且可以包装在一起的代码都用函数包装起来。

# 你的工作流
请按照以下步骤一步步进行：
1. 请在建立python代码之前，给出这个建模过程的所有步骤。
2. 考虑上述步骤有哪些地方可以完善，然后给出完善后的步骤。
3. 根据完善后的步骤，一步一步构建python代码，请注意，你每次只需要完成一个步骤的代码，当我说1的时候，你再继续下一步 
现在，请开始：

TOT 思维树（Tree of Thoughts）

思维树的核心是在思维链的基础上，让大模型为每个步骤都生成多种方案（或者生成多个专家讨论），然后为每个方案评分，选择最佳的方案再进行下一步。

# 你的角色
具有十年经验的深度学习专家

# 你的任务
请深呼吸，一步步思考，撰写一个使用transformer模型预测股票T+1日涨跌的代码

# 你的工作流
你将按照下面的步骤和要求进行回答：
首先：
1. 列举出解决问题的框架。
2. 评估框架中的缺漏，并进行补充，再展示所有的完整的步骤；
然后：
对于接下来完成任务的每一个步骤，都提出三个解决方案，为每个方案设定评估标准，进行评分，并以表格形式展示出来，然后选择最佳方案再进行下一步。
接下来，按照“提出方案-评估-选择”循环进行，直到完成任务。任务完成后，汇总所有筛选的步骤，形成完整的工作流程。
*注意*：这里的步骤，每次回答只需要详细回答其中一个步骤，不需要担心token限制。当我说继续的时候，你再进行下一步。

现在，请开始

CoT-SC 自洽思维链（Self-Consistency with COT）

该方式假设正确答案在语言模型中，并且在大多数情况下，当重复向模型询问相同的问题时，该正确答案是从语言模型返回的。下图说明了最终选择最终答案的迭代过程。在该示例中，采用多数投票来进行决策，即选择出现最频繁的答案作为正确答案。

过程

1. 使用cot方式提问，例如在问题中增加：请一步步思考
2. 重复询问问题（ n次）并收集答案
3. 确定投票方案并决定选择收集到的答案中的哪一个作为最终答案

该方式有助于解决

1. 贪婪解码中的重复性和局部最优性: 在文本生成过程中，LLMs在每一步中选择最有可能的下一个单词（引入一些随机性）。之所以称为贪婪，是因为它总是选择下一个最佳选择。这可能会导致局部最优并错过大局，因为模型只考虑下一个单词在当前上下文中是最好的，而不是从长远来看它想要达到的目标。
2. 单个采样生成的随机性: 引入随机性来解决局部最优解，但它引入了一个新问题。选择下一个令牌不仅依赖于它的最佳选择，而且引入了一些随机性。这也会产生无意义的输出。

验证链（Chain-of-Verification）

Meta的《Chain-of-Verification Reduces Hallucination in Large Language Models》，该工作提出了一种链式验证（CoVe）方法，通过该方法模型首先起草初始回答，然后计划验证问题来核实起草结果，独立回答这些问题以避免受到其他回答的影响，最终生成验证后的回答。

过程：

1. 生成基准回复
2. 计划验证
3. 执行验证
4. 生成最终校验后的回复

# 你的角色
具有十年经验的深度学习专家

# 你的任务
请深呼吸，一步步思考，撰写一个使用transformer模型预测股票T+1日涨跌的代码

# 你的工作流
- 首先写完所有代码
- 当我说继续的时候，生成几个问题验证上述回答的准确性，然后回答这几个问题，如果有可以优化的地方，则最后生成一个优化后的代码

累积推理（Cumulative Reasoning）

这个方法用到了3个大语言模型：

• 提议者 (Proposer)：不断提出新命题，即基于当前思维上下文，建议下一步是什么。
• 验证者 (Verifier)：核查提议者的命题准确性，如果正确就将它添加到思维上下文中。
• 报告者 (Reporter)：判断是否已经能得到最终解决方案，来确定是否结束推理过程。

请完成任务：使用python构建一个时间序列模型用于预测股票价格。
你的每次回答要以如下三个角色分别给出回答。

提议者 (Proposer)：不断提出新命题，即基于当前思维上下文，建议下一步是什么。
验证者 (Verifier)：核查提议者的命题准确性，如果正确就将它添加到思维上下文中。
报告者 (Reporter)：判断是否已经能得到最终解决方案，来确定是否结束推理过程。

请注意，你的每次回答都必须仅包含三个角色：提议者，验证者和报告者，当我说继续的时候，你再以这三个角色继续工作

提示词扩展

# 你的任务
帮我写一篇数学领域的论文，必须具有创新性

# 你的工作流
你的每次回复都要分别扮演以下四个角色给出回复：
- 提议者：不断提出新命题，即基于当前上下文，建议下一步是什么。
- 验证者：核查提议者的命题准确性，并增加完善步骤，将完善后的步骤增加到命题中。
- 报告者：判断是否已经能得到最终解决方案，来确定是否结束推理过程。
- 执行者：执行当前所有步骤。
请注意，你的每次回答都必须仅包含4个角色：提议者，验证者和报告者、执行者，回答完毕一次之后，就停止回答。当我说继续的时候，你再以这4个角色继续工作然后在最后总结目前为止所有的步骤，当用户说继续的时候，你将接着上述推理过程给出接下来的步骤

思维传播（Thought Propagation）

Thought Propagation包括了三个阶段：

1. 提出类似问题：LLM通过提示生成一组与输入问题有相似之处的类似问题。这将引导模型检索潜在的相关先前经验。
2. 解决类似问题：通过现有的提示技术，如CoT，让LLM解决每个类似的问题。
3. 汇总解决方案：有2种不同的途径——根据类比解决方案，直接推断出输入问题的新解决方案；通过比较输入问题的类比解决方案，推导出高级计划或策略。

请帮我构建一个学习大模型的计划，主要倾向于编程部分。
你将以如下步骤工作，一次回答一个步骤的内容，当我说继续的时候你再继续下一步。
步骤：
1. 提出类似问题：生成一组与我的输入问题有相似之处的类似问题。
2. 解决类似问题：为上述每个类似的问题生成解决方案。
3. 汇总解决方案：
请选择两种汇总方法中的一种给我回答：
a. 类比解决方案以及我的问题，直接推断出输入问题的新解决方案；
b. 通过比较输入问题的类比解决方案以及我的问题，推导出高级计划或策略。

# 你的角色
具有十年经验的高级量化投资研究员

# 你的任务
请帮我构建一个股票预测模型。

# 背景
我是一个具有多年经验的研究员。我的目标是希望构建一个准确率较高的股票预测模型

# 你的工作流
请按照以下步骤一步步进行：
1. 根据我的输入问题，生成3个类似问题，该问题不能与我的问题的领域一致。
2. 为每个类似问题提供一个解决方案。
3. 汇总这些解决方案，构建针对我的输入问题的解决方案，你可以使用以下方法中的一种：
   a. 类比这些解决方案与我的问题，推导出解决方案；
   b. 比较所有的解决方案，思考出更具有创意的高级的策略。
   
现在，请开始：

参考

1. https://medium.com/@johannes.koeppern/self-consistency-with-chain-of-thought-cot-sc-2f7a1ea9f941
2. https://y1g00nt53e2.feishu.cn/wiki/Ccduwj3MXi5lMUkd2DBclFumnmb

更多惊喜

我还将定期分享：

• 最新互联网资讯：让你时刻掌握行业动态。
• AI前沿新闻：紧跟技术潮流，不断提升自我。
• 技术面试与职业发展：助你在职业生涯中走得更远、更稳。
• 程序员生活趣事：让你在忙碌的工作之余找到共鸣与乐趣。

关注回复【1024】惊喜等你来拿！

敬请关注【程序员世杰】