Note: 人家大佬说得很明白了，建议看英文理解官方文档
需要非常强调的是：提示词工程是一种把事情说清楚的方法，不仅可以用在AI，平时的沟通和工作也适用于以下的方法，但有朝一日，随着大模型的进化，它会变得很简单——意思是我们再也不需要它了。但现在，我们还是需要认识到为什么我们需要写一个好的Prompt。
以下为筋斗云SEO在AI时代下的的Prompt工程从0到1的经验，供各位提示词工程入门和ChatGPT进阶。
第一步：了解大模型基本特性与生成原理
在探索提示词工程的世界之前，我们必须首先对大模型的工作原理有一个清晰的认识。
大模型，通常指的是那些经过大量数据训练、有超级大量参数（这是重点），具备语言理解和生成能力的人工智能模型。我们常说的 GPT，就是一种大模型。具体是什么意思呢，我来简单解释一下：
1. 大模型是“鹦鹉学舌”高手
你可以把大模型想象成一只超级聪明的鹦鹉，它读过海量的书籍、文章、对话，甚至代码。当我们给它一个提示词，它会根据学到的知识，尝试生成最符合逻辑、最合理的回答。但它并不真正“理解”这些知识，只是在模仿语言的模式。
2. 参数：大模型的智慧结晶
大模型之所以强大，是因为它有海量的参数。这些参数就像大脑中的神经元连接，存储着模型从数据中学习到的模式和关系。参数越多，模型就越能捕捉语言的细微差别，生成更准确、更流畅的文本。以前的参数不会特别大，而 OpenAI 在 2023 年引领的 AI 风潮——ChatGPT 就是用超级多的参数（比以前的其他参数多出几个数量级）而产生的，GPT-4有100万亿的参数！大家看到了大参数能够实现非常不错的结果后也纷纷下场，2024 年仍然是大模型的卷年。
3. 生成原理：概率游戏
大模型生成文本的过程，本质上是一个概率游戏。给定一个提示词，模型会预测下一个词出现的概率，然后选择概率最高的词。这个过程不断重复，直到生成完整的文本。
4. 大模型祛魅：别害怕
虽然大模型在模仿语言模式方面取得了震撼的效果，但它们并非万能的——只有了解它们的局限性，才可以让我们避免一些不切实际的期望。我们可能会遇到的常见问题如下：
上下文不一： 在生成长篇文章时，模型可能会忘记之前的上下文，导致前后矛盾或重复。
专业术语乱用： 模型可能不理解特定领域的专业术语，或者生成看似合理但贻笑大方、不准确的解释。
数据有偏见： 模型的训练数据可能存在偏见，导致生成的内容带有歧视、刻板印象等问题。
偏科的文科生：在文字处理上虽然表现很好，但涉及到数学、理科知识可能会产生问题。
5. 提示词：与大模型沟通的桥梁
理解了大模型的工作原理，我们就能更好地设计提示词，引导模型生成我们想要的内容。提示词就像是给鹦鹉的指令，越清晰、越具体，鹦鹉就越能说出我们想听的话。
第二步：自然语言对话体会与大模型交流
在掌握了大模型的基本原理后，是时候和它来一场“交心”对话了。
1. 畅所欲言：像聊天一样提问
不要拘束，把 AI 视作网上聊天的对象，或者像和朋友聊天一样，用最自然的语言向大模型提问。你可以问它任何感兴趣的问题，比如：
“最近有什么有趣的新闻吗？”
“能给我讲个笑话吗？”
“帮我写一首关于夏天的诗吧。”
2. 观察与感受：大模型的“脾气秉性”
在对话的过程中，仔细观察大模型的回答。它是如何组织语言的？回答是否符合你的预期？有没有让你感到惊喜或失望的地方？
3. 反思与思考：提问的艺术与模型的局限
对话结束后，花点时间反思一下。
你的提问是否清晰明确？有没有更好的表达方式？
大模型的回答是否准确、有逻辑？有没有出现错误或不合理的地方？
你觉得大模型有哪些优点和不足？
对话是最好的老师
通过反复的对话实践，你会逐渐摸清大模型的“脾气秉性”，找到与它沟通的最佳方式。同时，你也会更深入地理解它的局限性，知道在哪些方面可以依赖它，哪些方面需要谨慎对待。
进阶提示：
多尝试不同类型的提问： 除了闲聊，还可以尝试让大模型帮你总结文章、翻译文本、生成 ideas 等。
记录对话过程： 把对话记录下来，方便你回顾和分析。
与他人分享交流： 和朋友、同事交流你的对话体验，互相学习，共同进步。
通过这一步的实践，你将建立起与大模型的初步“默契”，为后续更深入的提示词工程方法打下坚实基础。
第三步：引入结构化思维
经过前面两步的“自由交流”，你对大模型的表达能力和局限性应该有了更深刻的认识。现在，我们要给对话引入一些“章法”，让交流更高效、更精准。
1. 从“想到哪说到哪”到“有条不紊”
还记得之前像聊天一样的提问方式吗？虽然很自然，但有时会让大模型“摸不着头脑”，导致回答不够准确。这时候，我们需要引入结构化思维，让提示词更有条理。
2. 模块化提示词：像搭积木一样构建指令
想象一下，我们把提示词拆分成一个个“模块”，每个模块负责不同的功能，比如：
背景介绍： 简要描述任务的背景和目的，帮助大模型了解上下文。
角色设定： 如果你想让大模型扮演特定角色，在这里明确指出。
任务指令： 清晰、具体地描述你希望大模型完成的任务。
输出格式： 告诉大模型你希望得到什么样的输出，比如段落、列表、表格等。
约束条件： 有时你需要对输出内容进行限制，比如字数、语气、风格等。
举个例子：
"""
背景介绍： 我正在为一个电子商务网站撰写关于智能家居安全摄像头的SEO优化文章。
角色设定： 你是一位经验丰富的SEO优化专家。
任务指令： 请你用简洁且SEO友好的语言，解释如何通过关键词研究来提升智能家居安全摄像头文章的搜索引擎排名。
输出格式： 一段话，字数在150字左右。
"""
3. 从“框架”到“内容”
有了模块化的提示词框架，接下来就是填充具体内容了。你可以根据实际需求，灵活调整每个模块的内容，让提示词更符合你的意图。
进阶提示：
多参考优秀案例： 学习他人如何编写结构化的提示词，积累经验。
不断尝试和优化： 没有完美的提示词，只有不断优化的过程。多尝试不同的表达方式，找到最适合自己的。
活用工具： 有一些工具可以帮助你更方便地编写和管理提示词，不妨尝试一下。
通过引入结构化思维，你的提示词将变得更加清晰、明确，大模型也能更好地理解你的意图，给出更准确、更有针对性的回答。
第四步：深入理解“角色法”，让大模型“戏精”附体
在提示词的世界里，“角色法”就像是一根魔法棒，能让大模型瞬间“变身”，扮演各种各样的角色，从而生成更符合我们需求的文本。将结构化表达与角色法结合起来，可以让提示词的效果更佳。你可以先用结构化表达明确任务的各个方面，然后再用角色法为大模型注入“灵魂”，让它生成更生动、更有趣的文本。
角色扮演：激发大模型的无限潜能
还记得我们之前提到的“鹦鹉学舌”吗？大模型虽然能模仿语言，但缺乏真正的理解。而“角色法”就是赋予它“灵魂”的关键。通过在提示词中明确指定角色，我们可以引导大模型从特定角度思考问题，生成更具个性、更有针对性的回答。
“百变”角色，各显神通
大模型可以扮演的角色几乎是无限的，比如：
专业人士： 医生、律师、程序员、金融分析师...
创意达人： 作家、诗人、编剧、设计师...
生活助手： 翻译、导游、营养师、健身教练...
不同的角色会带来不同的语言风格、知识储备和思维方式，从而生成截然不同的文本，这也是非常关键的要素。
角色塑造三部曲
选择合适的角色： 首先要明确你的需求，选择最能满足你需求的角色。
清晰的角色描述： 在提示词中明确描述角色的身份、背景、专业领域等，让大模型更好地“入戏”。
情境设定： 如果你需要大模型在特定情境下扮演角色，可以描述一下场景，让它更好地理解你的意图。
举个例子：
"""
角色设定： 你是一位经验丰富的SEO内容创作者。
情境设定： 我正在为一个新推出的智能家居产品写SEO博客文章，想要优化关键词和提升搜索引擎排名。
任务指令： 请你为我制定一份详细的SEO优化策略，包括关键词研究、内容结构建议、内外部链接策略等方面的信息。
"""
提示词创作的“万金油”？
结合了角色法、结构化表达和思维链提示的结构化提示词，在很多场景下都能发挥出强大的威力。但它并不是唯一的提示词创作方法，还有很多其他的技巧和策略等待我们去探索。
进阶提示：
深入研究角色： 如果你想让大模型扮演某个特定角色，可以提前做一些功课，了解这个角色的语言风格、知识背景等，但是如果超越了大模型本身的知识储备（你在聊天中就会发觉），那可能要给他更多相关的角色背景。
多角色互动： 在一些场景下，可以让大模型同时扮演多个角色，进行对话或协作，生成更丰富、更有趣的文本。
角色扮演游戏： 尝试和朋友一起玩“角色扮演游戏”，让大模型参与其中，看看会发生什么有趣的事情。
通过深入理解和灵活运用“角色法”，你将解锁大模型的更多潜能，让它成为你创作、工作、学习的好帮手。
第五步：思维链（Chain of Thoughts）
想象一下，你正在解一道复杂的数学题。你会直接写出答案吗？当然不会！你可能会先分析问题，列出已知条件，然后一步步推导，最终得出答案。
思维链提示就像是你解题的思路，它引导大模型像人类一样，将复杂任务拆分成多个步骤，逐步解决。
为什么思维链如此重要？
提高准确性： 复杂任务往往涉及多个因素，一步到位很容易出错或遗漏关键信息。思维链提示可以帮助大模型理清思路，减少错误。
增强可解释性： 通过展示思考过程，我们可以更好地理解大模型的推理逻辑，从而更容易发现问题并进行改进。
提升性能： 研究表明，在许多任务中，引入思维链提示可以显著提高大模型的表现。
如何使用思维链提示？
在提示词中，我们可以用“首先”、“然后”、“最后”等词语来引导大模型的思考过程。例如：
"""
角色设定：你是一名为智能家居网站优化的品牌专家和SEO专家。
任务指令： 请你分析一下如何为一篇关于智能家居安全摄像头的文章进行SEO优化。
思维链提示：
1. 首先，简要介绍智能家居安全摄像头的市场现状及相关搜索趋势。
2. 然后，分析针对智能家居安全摄像头的核心关键词，并解释如何在文章中自然融入这些关键词。
3. 最后，总结提升文章搜索排名的整体策略，并提出内容创作和优化的建议。
"""
进阶提示：
灵活运用： 思维链提示并不是万能的，有些任务可能更适合直接提问。根据实际情况灵活选择。
结合角色法： 在角色扮演的场景下，思维链提示可以帮助大模型更好地模拟人类的思考过程，让回答更自然、更符合角色设定，这也需要你有更多的知识背景。
多尝试不同的拆分方式： 不同的任务可能需要不同的拆分方式，多尝试几次，找到最适合的。
通过引入思维链提示，我们不仅能让大模型更好地完成复杂任务，还能更深入地了解它的工作原理，从而更好地利用它的潜力。
第六步：了解 markdown 语法和它的意义
在提示词工程中，清晰的结构和表达至关重要。Markdown语法，作为一种轻量级的标记语言，正是为此而生。它不仅能为提示词带来更清晰的视觉层次，还能帮助大模型更好地理解我们的指令。通过使用标题、列表、强调等标记，我们可以将原本冗长的文本变得井井有条，让大模型一眼就能抓住重点。具体可以看下我们的Markdown语法教程。
OpenAI官方最佳实践：Markdown的“最佳拍档”
OpenAI官方推荐的提示词最佳实践中，强调了使用清晰的表达结构和分隔符的重要性。Markdown语法正好完美契合了这一要求，它能帮助我们：
明确层级关系： 使用不同级别的标题（#、##、###等）来区分提示词的不同部分，让结构一目了然。
突出重点： 使用粗体、斜体等强调标记，让关键信息更加醒目。
清晰列表： 使用有序列表（1.、2.、3.等）或无序列表（-、*、+等）来组织信息，让内容更易阅读。
这是我们最基础的用法，但能够帮助我们清晰化输出。
Markdown：不止于结构化
Markdown语法的应用远不止于此。除了常见的标题、列表、强调等标记外，我们还可以灵活运用：
代码块： 在提示词中嵌入代码片段，帮助大模型理解编程相关的任务。
引用： 引用外部资料或他人的观点，增加提示词的可信度。
链接： 插入相关链接，为大模型提供更多上下文信息。
消除歧义，提升效率
在复杂的提示词中，Markdown语法能有效避免歧义，确保大模型准确理解我们的意图。同时，清晰的结构也能提升大模型的处理效率，让它更快、更准确地生成结果。
进阶提示：
Markdown速成： 花点时间学习Markdown的基本语法，掌握这一技能将让你受益匪浅。
灵活运用： 不要拘泥于固定的格式，根据实际需求灵活运用Markdown的各种标记。
持续优化： 就像提示词一样，Markdown的使用也需要不断优化和调整，找到最适合自己的风格。
第七步：提示词封装与工作流，让创意变为生产力
当你掌握了丰富的提示词技巧，对大模型的“脾气”了如指掌，是时候让这些知识转化为实际的生产力工具了。
提示词封装：打造你的专属AI助手
想象一下，你精心设计的提示词，不仅能为你自己服务，还能变成一个智能助手，帮助其他人解决问题。这就是提示词封装的魅力所在。
目前市面上有很多成熟的提示词封装工具，比如：
OpenAI官方工具： ChatGPT Plugins (原 GPTS) 或 Gizmo，让你轻松创建、分享和管理自定义插件。
从“个人定制”到“大众普适”
提示词封装完成后，一般在完成自己当前的个人任务下，我们往往会根据个人习惯和特定场景进行调整，是没有太大问题的。但如果我们传递给更多用户使用时，就需要在个性化和普适性之间找到平衡，那问题就来了：
用户需求： 你的提示词是否能满足不同用户的需求？
易用性： 你的提示词是否易于理解和使用？
反馈机制： 你能不能有收集用户反馈的渠道，以便不断优化提示词？
另外，把我们封装的提示词给到别人，和别人一起讨论，可以让我们对某些知识或视野缺陷了解更多，从而也可以不断优化我们自己的经验，这就是往往很多任务，在普通人和专家之间是有不一样的结果的原因。
提示词链与工作流：应对复杂挑战
在面对复杂任务时，单个提示词往往力不从心。这是因为大模型的注意力机制有限，过长的提示词可能会导致关键信息被忽略。
提示词链： 将复杂任务拆分成多个子任务，每个子任务对应一个提示词，让大模型像接力赛一样逐步完成。
工作流： 将prompt与其他工具或服务结合，形成一个完整的解决方案。比如，你可以先用一个提示词让大模型生成文章大纲，再用另一个提示词让它填充细节。
再结合我们刚刚提到的结构化思维、角色扮演和思维链，就能让整个提示词表现更好。
以下是我们使用大模型，写作SEO的标题、元描述的prompt，供大家参考：
"""
背景介绍： 我正在为一篇关于智能家居安全摄像头的博客文章进行SEO优化。文章主要内容涵盖了智能家居安全摄像头的功能介绍、购买指南、安装技巧，以及如何选择适合自己家庭的摄像头。
角色设定： 你是一位经验丰富的SEO内容创作者，擅长编写吸引用户点击并优化搜索引擎排名的标题和Meta Description。
任务指令： 请你为这篇文章生成一个SEO优化后的标题和Meta Description，确保它们不仅包含主要关键词，还能吸引潜在用户的兴趣。
思维链提示：
1. 确定主要关键词： 根据文章内容，选择与智能家居安全摄像头相关的主要关键词，如“智能家居安全摄像头”、“家庭监控系统”、“安全摄像头购买指南”等。
2. 编写标题：
- 标题应简洁明了，直接传达文章的主要主题。
- 使用主要关键词，使标题对搜索引擎友好。
- 结合数字、动词或情感性词汇（如“最佳”、“全面指南”）来提高吸引力。
- 确保标题长度适中，控制在60字符以内，以避免在搜索结果中被截断。
3. 生成Meta Description：
- Meta Description 应在150-160字符之间，简洁概括文章内容。
- 包含主要和次要关键词，确保描述与文章内容紧密相关。
- 强调文章的独特价值或读者收益，例如“了解如何选择和安装最适合您家庭的智能家居安全摄像头”。
- 鼓励用户点击链接阅读更多，通过提出问题或提供解决方案吸引用户兴趣。
4. 最终优化：
- 重新检查标题和Meta Description，确保它们符合SEO最佳实践，并具有吸引力。
- 根据目标受众和搜索意图调整措辞，以提高点击率和转化率。
"""
第八步：进阶之路，从“熟练工”到“艺术家”
恭喜你！如果你已经认真完成了前几步，那么你已经掌握了提示词工程的基础知识和技能。但就像学习任何一门技艺一样，要从“熟练工”进阶到“艺术家”，还需要更深入的学习和实践。
1. 实践出真知：在“实战”中磨砺技艺
多样化场景： 不要局限于单一的任务类型，尝试在各种不同的场景下使用提示词，比如写文章、做总结、生成代码、创作剧本等。
反复迭代： 不要满足于一次成功的提示词，不断尝试不同的表达方式、结构和参数，观察大模型的反馈，从中总结经验，优化提示词。
对比分析： 尝试使用不同的提示词来完成同一任务，对比分析结果，找出最优方案。
记录心得： 建立一个“提示词笔记”，记录你在实践中遇到的问题、解决方案和心得体会，不断积累经验。
2. 表达的艺术：让提示词“言简意赅”
精炼语言： 避免使用冗长、复杂的句子，尽量用简洁、明了的语言表达你的意图。
逻辑清晰： 确保提示词的结构合理，逻辑清晰，让大模型更容易理解你的意图。
语境丰富： 在提示词中提供足够的上下文信息，帮助大模型更好地理解你的需求。
个性化表达： 尝试在提示词中融入自己的风格和创意，让生成的文本更具个性。
3. “人机合一”：培养与大模型的“默契”
建立“语感”： 通过大量的实践，逐渐培养起对大模型的“语感”，即对大模型的生成能力、偏好和局限性有更深入的了解。
预判与调整： 在发送提示词之前，尝试预判大模型可能会生成的回答，并在必要时调整提示词。
快速迭代： 当大模型的回答不符合预期时，能够快速分析原因，并调整提示词，直到得到满意的结果。
4. 不断学习，持续精进
关注最新进展： 提示词工程是一个快速发展的领域，时刻关注最新的研究成果和技术动态，学习新的技巧和方法。随着大模型的更新，可能后续提示词工程就不会如此复杂，但当前来说，如何操纵大模型到我们想要的结果，还是十分重要的。
参与社区交流： 加入提示词社区，与其他爱好者交流经验，分享心得，共同进步。
挑战自我： 不断挑战更高难度的任务，尝试用提示词解决更复杂的问题，突破自己的极限。
进阶之路：从“工匠精神”到“艺术创造”
提示词工程的进阶之路，不仅是技术上的提升，更是思维方式和表达能力的升华。通过不断实践、反思和学习，你将逐渐从一个“提示词工匠”成长为一位“提示词艺术家”，用你的创意和智慧，让大模型为你创造出更多精彩。
到这里，提示词应该可以想写什么写什么了，祝 AI 旅途愉快。
扩展：RAG技术，为大模型注入“知识之源”
尽管大模型在语言理解和生成方面表现出色，但它们并非全知全能。它们可能会对某些领域知之甚少，或者生成不符合事实的“幻觉”。为了解决这些问题，我们可以引入RAG（Retrieval-Augmented Generation，检索增强生成）技术，但这个涉及到复杂的变成和数据整理，仅作理解即可。
RAG：让大模型“有据可依”
RAG技术就像给大模型配备了一位“知识顾问”。当我们向大模型提问时，它会先检索相关的知识库或数据集，然后结合检索到的信息生成回答。这样一来，大模型的回答就有了可靠的依据，减少了“胡说八道”的可能性。
知识库可以是任何形式的文本数据，比如：
企业内部文档： 产品说明书、技术文档、培训资料等。
行业报告： 市场分析、行业趋势、竞争对手情报等。
学术论文： 研究成果、实验数据、文献综述等。
新闻资讯： 时事新闻、行业动态、热点事件等。
你可以将这些文本数据上传到RAG系统中，让大模型在回答问题时参考这些信息。
数据集：为大模型“量身定制”
除了现成的知识库，你还可以根据自己的需求创建数据集。比如，如果你想让大模型生成特定领域的专业文章，可以收集相关领域的论文、报告等，构建一个专业数据集。
RAG的工作流程简单来说就是：
提问： 用户向大模型提出问题。
检索： 大模型根据问题检索相关的知识库或数据集。
生成： 大模型结合检索到的信息生成回答。
RAG的优势：
提高准确性： 减少大模型“胡说八道”的可能性，提高回答的准确性。
增强可信度： 回答有据可依，更具说服力。
拓展知识范围： 可以让大模型掌握特定领域的知识，生成更专业的回答。
进阶提示：
选择合适的知识库/数据集： 知识库/数据集的质量直接影响RAG的效果，选择与你的任务场景相关、内容准确可靠的数据。
优化检索算法： 检索算法的效率和准确性对RAG的性能至关重要，可以尝试不同的算法，找到最优方案。
持续更新： 知识库/数据集需要定期更新，以保证大模型掌握最新的信息。
最后
持续精进，prompt旅途愉快！