LLM Prompt与开源模型资源(3)如何写一个好的 Prompt

• 学习材料：https://www.hiascend.com/developer/courses/detail/1935520434893606913 （3.5）
• 学习时长： 预计 60 分钟
• 学习目的：
  • 了解提示工程的定义与作用
  • 熟悉提示工程的关键技术相关概念
  • 掌握基于昇腾适配的大模型提示工程的入门及进阶指南

核心公式

好提示词 = 立角色 + 述问题 + 定目标 + 补要求

• 立角色
  明确提示词中的角色定位。
  示例：你现在是专业的学习与发展架构师。

• 述问题
  清晰描述需要解决的问题或任务。
  示例：我想开发【大模型扫盲培训】，请帮忙输出一个培训大纲。

• 定目标
  明确任务的目标和要求。
  示例：培训时长为 0.5 天，输出内容包括每个模块的培训内容、教学设计和模块时长。

• 补要求
  补充额外的具体需求或细节。
  示例：我想写一个大模型的培训材料，能否给我做一个提纲？

先看一个对比示例：

• badcase：

我想写一个大模型的培训材料。能否给我做一个提纲？

结果参考： chat.qwen.ai/s/604ebf5d-cd35-476c-abe4-9cb2c88c944e?fev=0.0.170

• goodcase:

你现在是专业的学习与发展架构师，我想开发【大模型扫盲培训】，培训时长为 0.5 天，输出内容包括每个模块的培训内容、教学设计和模块时长。

结果参考：chat.qwen.ai/s/b3887cd7-ab5e-4212-9385-20ea0e816b97?fev=0.0.170

• 专业 Prompt 更加具体、明确，包含角色定位、问题描述、目标设定和补充要求，有助于生成更高质量的回答。
• 非专业 Prompt 较为模糊，缺乏具体细节，可能导致回答不够精准或全面。

如何立角色？

核心思想： 立角色，安上一个专家头衔

让AI扮演角色，你想让它扮演一个什么样的角色，它便以该角色去了解上下文信息和意图，并通过定义的角色角度去思考问题与给出答案。

根据我们的实际任务，可以使用对应的示例角色，如：

• XX内容运营专家
• 厨师
• CEO
• XX程序员
• AI专家
• 化学课老师

示例：

你现在是一名小红书内容运营，经常科普一些最新的大模型相关前沿技术。请根据该平台的写作风格，写一篇大模型 DeepSeek 使用感想，语言活泼，排版参考该平台风格，字数200字左右。

结果参考：chat.qwen.ai/s/2009632f-c0c6-4425-b602-45f5c20a14cd?fev=0.0.170

如何述问题？

核心思想： 告诉AI你的问题、背景和实际情况

告诉AI要解决的具体问题、要完成的任务或者背景信息，这有助于大模型能够更好地了解用户所在的上下文环境，尤其是涉及特定领域知识或目标受众时。直观感受问题的描述，一目了然。

basecase：

问题：我需要一份适合健身的健康饮食计划。

结果参考： chat.qwen.ai/s/7395792e-f88b-4822-8108-1d09bb483bfa?fev=0.0.170

goodcase:

问题：请为我设计一份为期一周的健康饮食计划。
背景信息：
- 目标：增肌和减脂相结合。
- 饮食偏好：喜欢高蛋白食物，不喜欢吃海鲜。
- 过敏信息：对坚果过敏。
- 每日热量需求：约2000卡路里。
- 饮食时间：早餐、午餐、晚餐和两顿加餐。

结果参考： chat.qwen.ai/s/9df410fc-37e2-4751-93f0-9a4aa9b93bcc?fev=0.0.170

总体来看，详细描述问题可以使问题更加清晰，便于AI理解和解答。

如何定目标？

核心思想：定目标，告诉它你希望它为你做什么

让AI明确希望达到的目标或预期效果，让大模型理解意图与目标，从而生成更符合预期和目的的文本。

badcase：

问题：我需要优化我的代码性能

结果参考：chat.qwen.ai/s/a444879d-adc9-4af7-850b-8e47685ca8b2?fev=0.0.170

goodcase：

问题：我正在使用Python编写一个图像处理算法，运行时间过长（10分钟）。请推荐一些具体的技术或库，以减少运行时间至5分钟以内。

结果参考：chat.qwen.ai/s/449564a7-8c3a-49b2-87c6-03313a547832?fev=0.0.170

总的来看：

• 明确目标：需要告诉AI你的具体需求和期望结果。目标越明确，AI生成的内容越符合预期。
• 对比示例：
  badcase：仅提出“优化代码性能”，目标不够具体。
  goodcase：详细说明了使用Python编写图像处理算法、当前运行时间为10分钟、期望将运行时间缩短至5分钟以内，并请求具体的解决方案（技术或库）。
  通过对比可以看出，目标更加具体越能够帮助AI更好地理解需求并提供更有针对性的建议。

如何补要求？

核心思想：有什么需要它特别注意的。

明确告诉AI模型需要特别注意的事项，确保其回答符合预期。告诉AI你的需求与补充说明，包括语言要求、字数要求、样式需求等。

badcase：

请帮我写一篇关于环保的小短文。

结果参考：chat.qwen.ai/s/532d6fa6-7821-48c1-bb44-2374816571e1?fev=0.0.170

goodcase：

请帮我写一篇关于环保的小短文。
标题：《环保小卫士：从我做起》
字数要求：300字以内
输出格式：段落形式，开头有引言，结尾有总结
内容要求：重点介绍环保的重要性，至少提到两种具体环保行为（如垃圾分类、节约用水）
风格要求：语言生动有趣，避免使用过于复杂的词汇

结果参考：chat.qwen.ai/s/f967f14e-c3d0-4120-a694-0ce65d92c305?fev=0.0.170

补要求常用技巧

补要求技巧1：分隔符

• 作用：通过分隔符让AI明确理解区域。
• 常用分隔符：
  • 双引号 "
  • 尖括号 < >
  • 方括号 [ ]
  • 冒号 :
  • 混合使用多种分隔符

分隔符使用示例：

提供句子“天高云淡”的同义表达。

将 <名字> 替换成 John 后翻译成法语：“你好，<名字>！”

请描述 [巴黎/伦敦] 的地标。

将下面这句话翻译成法语：Je m'appelle Marie.

请为我创建一份关于 {行业} 的市场分析报告。报告应包含：
- 市场规模和增长趋势
- 主要竞争对手列表及其市场份额
- 目标客户群体分析
- 额外内容}
输出格式：[PDF/Word/HTML]
附加要求：<需要数据可视化>

结果参考：chat.qwen.ai/s/a81ef841-babd-45ac-b818-8ee47c1020ef?fev=0.0.170

补要求技巧2：示例

• 作用：给AI提供少量示例，帮助模型学习提示词的意图，给出更好的输出结果。
• 分类：
  • Zero-Shot：无样例
  • One-Shot/Few-Shot：有样例

举个例子：学习分类任务（经典 Few-Shot 场景）

任务：判断情绪是正面、负面还是中性

Zero-Shot：
判断这句话的情绪：“这电影太烂了，浪费时间。”
→ 模型可能回答：“负面” ✅（但不稳定）

Few-Shot 版本：
请判断下列语句的情绪，只能回答“正面”、“负面”或“中性”：

示例1：
输入：“这个蛋糕真好吃！”
输出：正面

示例2：
输入：“我不喜欢这个颜色。”
输出：负面

示例3：
输入：“今天是星期三。”
输出：中性

现在请判断：
输入：“这电影太烂了，浪费时间。”
输出：

预期输出： 负面

结果参考：chat.qwen.ai/s/5551db26-8429-4b01-9a80-6f938813dbc6?fev=0.0.170

补要求技巧3：引导思考

• 作用：在设计Prompt时，引导模型进行逐步思考，尤其是对于复杂任务。
• 常用表达方式：
  1. 引导逐步思考：
     • 让我们一步步思考……
     • 请分步骤解释……
     • 逐步分析……
  2. 引导检查和验证：
     • 检查一下结果……
     • 验证一下你的答案……
     • 确保结果的准确性……
  3. 引导逻辑推理：
     • 从已知信息出发……
     • 根据这些条件……
     • 结合这些信息……
  4. 引导详细解释：
     • 详细解释每一步……
     • 展示你的推理过程……逐步展示你的思考……
  5. 引导自我反思：
     • 反思你的推理过程……
     • 思考你的方法是否最优……
     • 确保你的步骤完整……
  6. 引导多角度思考：
     • 从不同角度思考……
     • 考虑所有可能性……
     • 分析不同场景……

🌟 示例1：数学推理（引导逐步思考）

提示词：
一个班级有30名学生，其中60%是女生。后来又转来了5名男生。现在男生占全班人数的百分比是多少？
请一步步思考这个问题，并展示你的计算过程。

预期输出结构：

1. 原班级女生人数：30 × 60% = 18人
2. 原班级男生人数：30 - 18 = 12人
3. 转来5名男生后，男生总数：12 + 5 = 17人
4. 全班总人数变为：30 + 5 = 35人
5. 男生占比：17 ÷ 35 ≈ 48.57%
   答：现在男生约占全班的48.57%

✅ 作用：避免跳跃式计算，确保每一步都正确。

🌟 示例2：逻辑判断（引导检查和验证）

提示词：
小明说：“如果明天下雨，我就不去公园。” 结果第二天小明没去公园。
能否推出“昨天下雨了”？请分步骤分析，并在最后验证你的结论是否合理。

预期输出结构：

1. 条件语句：“如果下雨 → 不去公园” 是一个单向条件，不能反推。
2. 实际情况：小明没去公园，但可能因为其他原因（如生病）。
3. 逆否命题成立：“如果去公园 → 没下雨”，但原命题不支持逆推。
4. 验证：举反例——假设没下雨，但小明因病不去公园，也满足条件。
   结论：不能推出昨天下雨了。

✅ 作用：防止“肯定后件”的逻辑谬误，训练严谨推理。

🌟 示例3：写作任务（引导结构化表达）

提示词：
请写一篇关于“手机对青少年的影响”的议论文提纲。
要求：先列出正反两方面的观点，再选择一个立场，最后构建三个论点并配论据。请逐步展示你的思考过程。

预期输出结构：

1. 正面影响：获取知识、沟通便利、学习工具
2. 负面影响：沉迷游戏、影响视力、社交减少
3. 我的立场：应合理使用，而非禁止
4. 论点1：手机是学习工具 → 可查资料、上网课
   论据：疫情期间在线教育依赖手机
5. 论点2：关键在于家长引导 → 设定使用时间
   论据：研究显示有规则家庭的孩子更自律
6. 论点3：完全禁止反而激发逆反心理
   论据：心理学中的“禁果效应”

✅ 作用：引导从发散思维到聚焦表达，提升写作逻辑。

🌟 示例4：多角度分析（引导多角度思考）

提示词：
是否应该在学校禁止学生带手机？请从学生、老师、家长、社会四个角度分别分析，最后给出综合建议。

预期输出结构：

• 学生角度：方便联系家长，但也易分心
• 老师角度：课堂纪律难管理，影响教学效率
• 家长角度：担心安全，但也怕孩子沉迷
• 社会角度：数字素养需培养，不能一刀切
  综合建议：不完全禁止，而是制定使用规范，如上课关机、设置“无手机时段”

✅ 作用：避免片面判断，培养系统性思维。

🌟 示例5：自我反思（引导自我检查）

提示词：
请解方程：2(x + 3) = 10，并展示完整步骤。
解完后，请检查每一步是否正确，并说明如何验证最终答案。

预期输出：

1. 展开：2x + 6 = 10
2. 移项：2x = 10 - 6 = 4
3. 解得：x = 2
4. 检查：代入原方程 → 2(2 + 3) = 2×5 = 10 ✅
5. 验证：每一步符合等式性质，无计算错误
   结论：x = 2 是正确解

✅ 作用：培养“做完题要检查”的习惯，提升准确性。

🌟 示例6：复杂决策（引导综合考虑）

提示词：
某城市交通拥堵严重，政府考虑两种方案：A. 建地铁；B. 提高停车费。
请从成本、实施难度、长期效果、公众接受度四个维度分析，并推荐一个方案。请逐步推理。

预期输出结构：

1. 成本：地铁建设成本高，停车费调整成本低
2. 实施难度：地铁周期长，停车费政策易推行
3. 长期效果：地铁缓解更彻底，停车费效果有限
4. 公众接受度：提高停车费易引发不满，地铁受欢迎但需等待
5. 综合建议：短期提高停车费+鼓励公交，长期规划地铁

✅ 作用：模拟真实决策过程，提升综合分析能力。

以上6个示例参考：chat.qwen.ai/s/84477bfc-a928-4d56-a53f-6bfc5c23b50c?fev=0.0.170

总结

• 补要求的核心：明确告知AI模型需求，包括格式、内容、风格等。
• 常用技巧：
  1. 分隔符：通过符号明确区域。
  2. 结构化：要求结构化输出。
  3. 预设条件：设置条件检查。
  4. 少量示例：提供示例帮助模型学习。
  5. 引导思考：通过引导语句帮助模型逐步思考和推理。