结构化 Prompt 的优势

优势太多了，说一千道一万，**归根结底还是结构化、模板化 Prompt 的性能好！** 这一点已经在许多朋友的日常使用甚至商业应用中得到证明。许多企业，乃至网易、字节这样的互联网大厂都在使用结构化 Prompt！ 此外结构化、模板化 Prompt 还有许多优势，**这些优势某种意义上又是其在实际使用时表现卓越的原因。** ### 优势一：层级结构：内容与形式统一 #### 结构清晰，可读性好 结构化方式编写出来的 Prompt 层级结构十分清晰，将结构在形式上和内容上统一了起来，**可读性很好**。 * `Role (角色)` 作为 Prompt 标题统摄全局内容。 * `Profile (简介)`、`Rules（规则）` 作为二级标题统摄相应的局部内容。 * `Language`、`Description` 作为关键词统摄相应句子、段落。 #### 结构丰富，表达性好 CRISPE 这类框架命中注定结构简单，因为过于复杂将难以记忆，大大降低实操性，因此其往往只有一层结构，这限制了 Prompt 的表达。 结构化 prompt 的结构由形式控制，完全没有记忆负担。只要模型能力支持，可以做到二层，三层等更多、更丰富的层级结构。 那么为什么要用更丰富的结构？这么做有什么好处呢？ 这种方式写出来的 Prompt **符合人类的表达习惯**，与我们日常写文章时有标题、段落、副标题、子段落等丰富的层级结构是一样的。 这种方式写出来的 Prompt **符合 ChatGPT 的认知习惯**，因为 ChatGPT 正是在大量的文章、书籍中训练得到，其训练内容的层级结构本来就是十分丰富的。 ### 优势二：提升语义认知 结构化表达同时降低了人和 GPT 模型的认知负担，**大大提高了人和GPT模型对 prompt 的语义认知。** 对人来说，Prompt 内容一目了然，语义清晰，只需要依样画瓢写 Prompt 就行。如果使用 LangGPT 提供的 Prompt 生成助手，还可以帮你生成高质量的初版 Prompt。 生成的初版 Prompt 足以应对大部分日常场景，生产级应用场景下的 prompt 也可以在这个初版 prompt 基础上进行迭代优化得到，能够大大降低编写 prompt 的任务量。 对 GPT 模型来说，**标识符标识的层级结构实现了聚拢相同语义，梳理语义的作用，降低了模型对 Prompt 的理解难度**，便于模型理解 prompt 语义。 **属性词实现了对 prompt 内容的语义提示和归纳作用，缓解了 Prompt 中不当内容的干扰。** 使用属性词与 prompt 内容相结合，实现了局部的总分结构，便于模型提纲挈领的获得 prompt 整体语义。 ### 优势三：定向唤醒大模型深度能力 **使用特定的属性词能够确保定向唤醒模型的深层能力。** 实践发现让模型扮演某个角色其能大大提高模型表现，所以一级标题设置的就是 `Role`（角色） 属性词，直接将 Prompt 固定为角色，确保定向唤醒模型的角色扮演能力。也可使用 `Expert`（专家）, `Master`(大师)等提示词替代 `Role`，将 Prompt 固定为某一领域专家。 再比如 `Rules`，规定了模型必须尽力去遵守的规则。比如在这里添加不准胡说八道的规则，缓解大模型幻觉问题。添加输出内容必须积极健康的规则，缓解模型输出不良内容等。用 `Constraints`(约束)，中文的 `规则` 等词替代也可。 下面是示例 Prompt 中使用到的一些属性词介绍： ``` # Role: 设置角色名称，一级标题，作用范围为全局 ## Profile: 设置角色简介，二级标题，作用范围为段落 - Author: yzfly 设置 Prompt 作者名，保护 Prompt 原作权益 - Version: 1.0 设置 Prompt 版本号，记录迭代版本 - Language: 中文 设置语言，中文还是 English - Description: 一两句话简要描述角色设定，背景，技能等 ### Skill: 设置技能，下面分点仔细描述 1. xxx 2. xxx ## Rules 设置规则，下面分点描述细节 1. xxx 2. xxx ## Workflow 设置工作流程，如何和用户交流，交互 1. 让用户以 "形式：[], 主题：[]" 的方式指定诗歌形式，主题。 2. 针对用户给定的主题，创作诗歌，包括题目和诗句。 ## Initialization 设置初始化步骤，强调 prompt 各内容之间的作用和联系，定义初始化行为。 作为角色 <Role>, 严格遵守 <Rules>, 使用默认 <Language> 与用户对话，友好的欢迎用户。然后介绍自己，并告诉用户 <Workflow>。 ``` 好的属性词也很关键，你可以定义、添加、修改自己的属性词。 ### 优势四：像代码开发一样构建生产级 Prompt 代码是调用机器能力的工具， Prompt 是调用大模型能力的工具。**Prompt 越来越像新时代的编程语言。** 这一观点我在之前的文章中也提过，并获得了许多朋友的认同。 在生产级 AIGC 应用的开发中，**结构化 prompt 使得 prompt 的开发也像代码开发一样有规范。** 结构化 Prompt 的规范可以多种多样，用 json，yaml 实现都可以，GitHub 用户 [ZhangHanDong](https://github.com/ZhangHanDong) 甚至还专门为 Prompt 设计了描述语言 [prompt-description-language](https://github.com/ZhangHanDong/prompt-description-language)。 **结构化 Prompt 的这些规范，这些模块化设计，能够大大便利于 prompt 后续的维护升级，便利于多人协同开发设计。** 这一点程序员群体应该深有感受。 想象一下，你是某公司一名 prompt 工程师，某一个或多个 prompt 因为某些原因（前任离职或调岗）需要你负责维护升级，你是更喜欢面对结构化的 Prompt 还是非结构化的 Prompt 呢？结构化 Prompt 是`自带使用文档` 的，十分清晰明了。 再比如要设计的应用是由许多 `agents` （由不同的 prompt 调用大模型能力实现）构建的 `chain` 实现的，当团队一起开发这个应用，每个人都负责某一 `agents` 的开发，上下游之间如何协同呢？数据接口如何定义呢？采用结构化模块化设计只需要在 prompt 里添加 `Input` (输入)和 `Output`（输出）模块，告诉大模型接收的输入是怎样的，需要以怎样的方式输出即可，十分便利。固定输入输出后，各开发人员完成自己的 agent 开发工作即可。 **像复用代码一样复用 Prompt。** 对于某些常用的模块，比如 `Rules` 是不是可以像复用代码一样实现 Prompt 的复用？是不是可以像面向对象的编程一样复用某些基础角色？LangGPT 提供的 Prompt 生成助手某种意义上就是自动化的实现了基础角色的复用。 同时 Prompt 作为一种文本，也完全可以使用 Git 等工具像管理代码一样对 prompt 进行版本管理。