写好提示词

你现在是不是不用AI工具，就不会写代码了？现在好多应用开发工程师已经变成了提示词工程师。写好提示词，就能提升开发和解决问题的效率。如何写好提示词呢？提示词 = 定义角色 + 背景信息 + 任务目标 + 输出要求。

定义角色

定义角色的作用是为 GPT 赋予特定的角色，让其从特定的角度进行思考和回答。例如，可以让它扮演历史学家的角色，从历史的角度回答我们的问题；也可以让它扮演医生的角色，从医学的角度回答我们的问题。一旦被赋予了特定的角色，GPT 就可以根据这个角色的知识和经验，给出更为准确和专业的回答。

背景信息

背景信息指的是为 GPT 提供与任务相关的背景知识，包括但不限于相关概念、事件、人物等。这些背景信息将有助于 GPT 更好地理解任务，并为产生正确的内容和回答提供支持。这和我们在日常工作中与领导进行沟通是类似的。当接到领导下派任务时，我们肯定希望领导能够把各种背景信息、前因后果一次性交代清楚，否则，我们就只能靠着自己的悟性去发挥了。同样，当面对 GPT 这个“下属”时，我们也要尽可能地给它提供更多的信息，让它对自己面对的任务有更深刻的理解。我们提供的信息越充分，GPT 的回复就越接近我们的需求。

任务目标和输出要求

如果说定义角色和背景信息是我们在帮助 GPT 更好地理解我们，那接下来要讲的“任务目标”和“输出要求”则是我们对 GPT 提出的要求。关于任务目标，前面已经讲过了，这是我们在一开始就应该想好的事情。任务目标越清晰，越有利于 GPT 帮助我们完成工作。在明确 GPT“给谁在什么背景下完成什么样的工作目标”的定义之后，我们就来到了整个提示词的最后一步：输出要求。在这一步，我们可以告诉 GPT 用什么样的方式完成任务，比如格式上是纯文字，还是要有表格；回复的节奏是一步一步的，还是要给出一个整体的输出。

再简化下：提示词 = 你是谁+ 我是谁 + 我要干什么 + 按我的要求给我干活。提示工程是研究如何写提示词的技术，旨在扩展对提示词的理解，以更好地释放大模型的能力。 几个基本的提示技术：

零样本提示（Zero-Shot Prompting）利用大模型的丰富知识，无需过多信息提示即可完成通用任务，适用于简单查询等场景。

少样本提示（Few-Shot Prompting）通过给出一些例子，帮助大模型理解特定工作内容，适用于简单分类场景。

思维链提示（Chain-of-Thought Prompting）旨在让大模型慢下来，进行推理和思考，提升在数学、推理等问题上的表现。

ReAct 框架结合了推理和行动，超越大模型自身的限制，使其能够更多地参与实际行动。

提示词的本质是什么？通过清晰的逻辑结构和表达方式向AI传达任务或问题。用户提供明确的目标，上下文和约束条件，引导模型得到预期结果。

完全没必要特意去学提示词。把逻辑学好，掌握一些表达、沟通的方法论（比如PREP法），就足够组织语言、驱动模型推理，获得预期结果了。