写好提示词

1. Being Clear and Direct#

Key components = Action verb at start + direct task statement + expected output details.

• 避免提问，直接告诉模型要做什么。
• 例如：Instead of “Can you summarize this article?”, say “Summarize the following article in 3 sentences: [article text]”.

Examples:

• “Write three paragraphs about how solar panels work”
• “Identify three countries that use geothermal energy and for each include generation stats”
• “Generate a one day meal plan for an athlete that meets their dietary restrictions”

2. Being Specific#

1. Type A (Attributes) = list qualities/attributes desired in output (length, structure, format)
   • 适用于一般情况下的大多数任务，帮助模型理解输出的具体要求。
2. Type B (Steps) = provide specific steps for model to follow in reasoning process
   • 通常用于复杂任务，帮助模型分解问题并逐步解决。
   • 需要模型有更广阔的视角，能够考虑更多因素并进行更深入的分析。

3. Structure with XML Tags#

一种已经在现代模型中能够以几乎确定性的方式被正确解析的结构化提示方法，通过结构化的标签区分内容边界，而非依靠模型对自然语言提示的理解推理边界。

对于传统的自然语言提示，边界是隐式的，以理解”First analyze the data then provide recommendations.”这句话的语义来推断出”analyze”和”recommendations”为例，逐词解析时对每一步的隶属关系都保持着“不确定性”，假设模型在解析时对每个词的概率分布如下：

其中，“then”是一个边界词（boundary token），这就是边界不确定性出现的时刻，这种不确定性会向前传播，导致模型可能错误地将”provide”归到”analysis”的部分，从而导致后续对”recommendations”的理解也受到影响。

而 XML 标签直接在算法层面，让模型能直接通过语法解析来区分不同部分的内容，消除了边界不确定性，例如：

1
<analysis>
2
analyze the data
3
</analysis>
4

5
<recommendations>
6
provide recommendations
7
</recommendations>

它的可能解析结果如下：

概率经过标签直接跳变，直接阻断了边界不确定性的传播。

几点建议：

• Tag naming = Use descriptive, specific tag names (e.g., “sales_records” better than “data”) to provide context about content nature.
• Example use case = Debugging prompt with mixed code and documentation becomes clearer when separated into <my_code> and tags.

4. Providing Examples#

即 One-shot/Multi-shot，通过提供示例来引导模型理解任务要求和预期输出格式。

• 为边界情况提供示例，帮助模型理解如何处理特殊或复杂的输入。
• 提供的示例包括对为什么该输出理想的解释。
• 将示例放在主要提示和指导原则之后。