大模型Prompt｜提示工程的10个常见设计模式
在与大模型交互时，一个精心设计的Prompt（提示）能够显著提升模型输出的质量和相关性。本文将深入探讨提示工程中10个常见且实用的设计模式。
1. 人物角色任务（Persona Pattern）
此模式的核心在于为大模型设定一个具体的人物角色。通过赋予模型特定的身份、背景、专业知识或情感倾向，您可以引导模型以该角色的视角进行思考和回应。
干货提示：
- 明确角色设定： 不仅要指定角色，还要提供足够多的细节，例如：“你是一位经验丰富的软件架构师，擅长设计高并发系统。”
- 模拟真实场景： 尝试在Prompt中加入情境描述，让模型更容易代入角色。
- 控制输出风格： 不同的角色会带来不同的表达方式，例如一位幽默的段子手和一位严谨的学者，其输出风格会截然不同。
2. 食谱模式（Recipe Pattern）
食谱模式类似于为大模型提供一份详细的操作指南。您需要明确指定模型应该遵循的步骤、输入格式、处理逻辑以及期望的输出格式。
干货提示：
- 分步说明： 将复杂的任务拆解为清晰的步骤，例如：“第一步：识别文本中的关键词；第二步：对关键词进行分类；第三步：生成摘要。”
- 提供示例： 对于每一步，提供输入和输出的范例，帮助模型理解预期行为。
- 约束输出格式： 使用明确的结构化指令，例如“请以JSON格式返回结果，包含'标题'和'内容'字段。”
3. 反向查询模式（Reversed Query Pattern）
当您希望大模型根据一个已有的答案或结果来推断出可能导致该结果的原因或问题时，反向查询模式就显得尤为有用。
干货提示：
- 明确目标： 告诉模型您拥有的是“答案”，需要它来“反向推导问题”。
- 提供上下文： 给予模型足够的背景信息，帮助它理解答案的含义。
- 限定范围： 如果可能，缩小模型思考的范围，提高推断的准确性。例如：“以下是一段代码的报错信息，请推断可能导致此报错的至少三个原因。”
4. 输出自动化模式（Output Automation Pattern）
此模式旨在通过Prompt来自动化模型的输出格式和内容，使其能够直接用于特定应用或后续处理，减少人工干预。
干货提示：
- 预设模板： 提供一个带有占位符的模板，让模型填充内容。
- 指定标记语言： 要求模型以Markdown、HTML或XML等格式输出，便于程序解析。
- 链式调用考虑： 如果输出将作为另一个模型的输入，确保其格式兼容。
5. 思维链模式（Chain-of-Thought Pattern）
思维链模式通过引导大模型进行逐步推理，展示其思考过程，从而生成更准确和可靠的答案。它鼓励模型在给出最终答案之前，先列出中间步骤或解释其决策过程。
干货提示：
- 加入“让我们一步步思考”： 在Prompt中明确要求模型展示思考过程。
- 引导分解问题： 促使模型将复杂问题拆解为更小的、可管理的子问题。
- 错误分析： 即使模型给出了错误答案，思维链也能帮助您定位问题出在哪里。
6. 图谱辅助模式（Graph-aided Pattern）
当您的任务涉及实体关系、复杂知识或结构化数据时，可以利用图谱辅助模式。通过在Prompt中引入知识图谱、概念图或其他结构化数据，为模型提供更丰富的上下文信息。
干货提示：
- 提供结构化数据： 例如，将关键信息以三元组（实体-关系-实体）形式提供给模型。
- 利用概念图或思维导图： 如果是概念性问题，可以要求模型参考或构建简化的概念图。
- 限制模型在图谱内推理： 明确要求模型仅利用提供的图谱信息进行推理，避免引入外部知识。
7. 事实检查模式（Fact Checking Pattern）
此模式主要用于验证信息的准确性。您可以要求大模型充当“事实核查员”，对其生成的内容或外部信息进行交叉验证。
干货提示：
- 指定信息源： 如果可能，提供模型可以参考的权威信息源。
- 要求引用来源： 要求模型在回答中注明其信息的出处。
- 多角度验证： 促使模型从不同角度或不同信息源进行核查。
8. 反射模式（Reflection Pattern）
反射模式鼓励大模型自我审视和批判其自身的输出。通过这种方式，模型可以识别潜在的错误、遗漏或不准确之处，并进行自我修正。
干货提示：
- 要求自我评估： 在生成初步答案后，要求模型“请评估你自己的回答，是否有遗漏或不准确之处？”
- 迭代改进： 设定多轮对话，让模型根据自我评估进行迭代改进。
- 对比分析： 让模型将其输出与某个参考标准进行对比。
9. 问题精炼模式（Question Refinement Pattern）
当用户提出的问题不够清晰、完整或具有歧义时，问题精炼模式可以引导大模型对原始问题进行澄清或重新表述，从而更好地理解用户意图。
干货提示：
- 识别模糊点： 训练模型识别问题中的模糊、不明确或需要更多信息的地方。
- 提出澄清问题： 让模型主动向用户提出澄清问题，例如：“你提到的‘性能问题’具体指什么？”
- 提供多种理解： 如果问题存在多种解释，让模型列出所有可能性并请求用户确认。
10. 部分拒绝模式（Partial Refusal Pattern）
在某些情况下，大模型可能无法完全满足用户的请求，例如涉及敏感信息、超出其知识范围或违反伦理规范。部分拒绝模式允许模型在不完全拒绝的情况下，有选择性地处理请求，并明确指出哪些部分无法满足。
干货提示：
- 礼貌地拒绝： 即使拒绝，也要使用礼貌和尊重的语言。
- 解释原因： 清楚地说明为什么无法满足特定部分请求。
- 提供替代方案： 如果可能，提供可行的替代方案或部分解决方案。例如：“我无法直接提供受版权保护的内容，但我可以为您总结其主要观点。”
在实践中，这些模式并非孤立存在，经常需要组合使用，以应对复杂的应用场景。
相关推荐
-
【AI面试秘籍】| 第7期：多轮对话如何实现长期记忆？高频考点解析+代码实战-CSDN博客
-
💡大模型中转API推荐
-
✨中转使用教程
技术交流：欢迎在评论区共同探讨！更多内容可查看本专栏文章，有用的话记得点赞收藏噜！
