如何写好结构化 Prompt ?

当我们在谈 Prompt 的结构的时候，我们在谈什么？ 当我们构建结构化 Prompt 的时候，我们在构建什么？什么是真正重要的事情？ ### 构建全局思维链 对大模型的 Prompt 应用CoT 思维链方法的有效性是被研究和实践广泛证明了的。 **一个好的结构化 Prompt 模板，某种意义上是构建了一个好的全局思维链。** 如 LangGPT 中展示的模板设计时就考虑了如下思维链: > Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用 一个好的 Prompt ，内容结构上最好也是逻辑清晰连贯的。**结构化 prompt 方法将久经考验的逻辑思维链路融入了结构中，大大降低了思维链路的构建难度。** 构建 Prompt 时，不妨参考优质模板的全局思维链路，熟练掌握后，完全可以对其进行增删改留调整得到一个适合自己使用的模板。例如当你需要控制输出格式，尤其是需要格式化输出时，完全可以增加 `Ouput` 或者 `OutputFormat` 这样的模块（可参考附录中的 AutoGPT 模板）。例如即友 [李继刚](https://web.okjike.com/u/752D3103-1107-43A0-BA49-20EC29D09E36) 就构建了很多结构化 Prompt，其他修改同理。 ### 保持上下文语义一致性 包含两个方面，一个是**格式语义一致性**，一个是**内容语义一致性**。 **格式语义一致性是指标识符的标识功能前后一致。** 最好不要混用，比如 `#` 既用于标识标题，又用于标识变量这种行为就造成了前后不一致，这会对模型识别 Prompt 的层级结构造成干扰。 **内容语义一致性是指思维链路上的属性词语义合适。** 例如 LangGPT 中的 `Profile` 属性词，原来是 Features，但实践+思考后我更换为了 `Profile`，使之功能更加明确：即角色的简历。结构化 Prompt 思想被诸多朋友广泛使用后衍生出了许许多多的模板，但基本都保留了 `Profile` 的诸多设计，说明其设计是成功有效的。 为什么前期会用 Features 呢？因为 LangGPT 的结构化思想有受到 [AI-Tutor](https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor) 项目很大启发，而 AI-Tutor 项目中并无 `Profile` 一说，与之功能近似的是 `Features`。但 AI-Tutor 项目中的提示词过于复杂，并不通用。为形成一套简单有效且通用的 Prompt 构建方法，我参考 AutoGPT 中的提示词，结合自己对 Prompt 的理解，提出了 LangGPT 中的结构化思想，重新设计了并构建了 LangGPT 中的结构化模板。 **内容语义一致性还包括属性词和相应模块内容的语义一致。** 例如 `Rules` 部分是角色需要遵守规则，则不宜将角色技能、描述大量堆砌在此。 ### 有机结合其他 Prompt 技巧 结构化 Prompt 编写思想是一种方法，与其他例如 CoT, ToT, Think step by step 等技巧和方法并不冲突，构建高质量 Prompt 时，将这些方法结合使用，结构化方式能够更便于各个技巧间的协同组织，例如 [刘海同学](https://ywh1bkansf.feishu.cn/wiki/Dor2wc2FviY3q3kgSuScJrkhngg) 就将 CoT 方法融合到结构化 Prompt 中编写提示词。 从 prompting 的角度有哪些方法可以提高大模型在复杂任务上的性能表现呢？ 汇总现有的一些方法： 1. 细节法：给出更清晰的指令，包含更多具体的细节 2. 分解法：将复杂的任务分解为更简单的子任务 （Let's think step by step, CoT，LangChain等思想） 3. 记忆法：构建指令使模型时刻记住任务，确保不偏离任务解决路径（system 级 prompt） 4. 解释法：让模型在回答之前进行解释，说明理由 （CoT 等方法） 5. 投票法：让模型给出多个结果，然后使用模型选择最佳结果 （ToT 等方法） 6. 示例法：提供一个或多个具体例子，提供输入输出示例 （one-shot, few-shot 等方法） 上面这些方法最好结合使用，以实现在复杂任务中实现使用不可靠工具（LLMs）构建可靠系统的目标。 > 原文： https://www.zhihu.com/pin/1661516375779852288