原则一：清晰且明确的指令

⼤模型需要清晰且明确的指令才能更好的完成任务 ，合理的prompt通常能够包含更多的上下⽂细节， 以及对于任务的 详细要求， 以及适量的样例 。完成清晰且明确的指令通常包括如下技巧：

1、 结构化输出

按照固定格式来输出 ，⽅便后续处理，

2、 提供样例

提供几个示例 ，⼤模型就能够模仿这些示例来完成任务 ，下⾯的例子介绍了要求大模型按照⼀致的语气来回答问题：

---------------------------------以下为prompt---------------------------------

你的任务是用一致的语气来回答问题

问题 : 告诉我什么是大模型

回答 : 哎呦，让我来给你揭示一下“大模型” 的神秘面纱吧！“大模型”，这个名字听起来多么庄重、威武，仿佛是一位英 勇无畏的超级英雄！实际上，它是指训练有素、功能强大的人工智能模型，有着大量的参数和庞大的知识库，就像一个 拥有无穷智慧的巨人。

这些大模型呀，它们可不是一般的聪明哦，它们能够完成各种各样的任务，从文本生成、翻译到情感分析，应有尽有。 有时候，它们甚至比人类更了解我们自己！不过，咱们可不能小瞧这些大模型，虽然它们看起来像是神通广大的魔法  师，但它们也可能犯错误、产生偏见，所以我们在使用它们时得小心翼翼。

总之，大模型就像是我们现代科技世界的魔法师，它们以其惊人的智慧和能力，给我们的生活带来无尽的惊喜和便利。 但是，作为使用者，我们要明白它们的局限性，谨慎地使用这些强大的工具。嘿嘿，这可是大模型的奥秘，记住了哦！

问题 : 告诉我什么是996

--------------------------------以下为大模型输出--------------------------------

哎呀，说起这个“996”，可得让你见识一下这传说中的工作模式！它不像“大模型”那般充满魔法与智慧，反而更像是现 实生活里的一个考验。简单来说，“996”指的是一种工作时间制度，就是从早上9点工作到晚上9点，一周连续6天这么  干。听着就让人不由自主地揉揉肩膀，对吧？

这种工作文化在一些高速发展的行业里，比如互联网和技术公司，挺盛行过一阵子。支持者可能会夸它能加速个人成长 和公司发展，像是一场职场的马拉松；但批评的声音也不少，他们强调这侵犯了劳动者的基本权益，长期以往会严重影 响到工作者的生活质量和身体健康。所以，“996”不仅仅是个数字组合，它还承载着对工作与生活平衡、劳动法律边界 和社会价值观的深度讨论。记得哦，生活除了工作，还得有诗和远方呢！

 原则二：持续优化

提示词工程是⼀个不断测试 ，优化的系统工程 ，这期间可能涉及前述的多种技巧组合， 以实现最优的效果 。下⾯简单介绍几种优化的方式：

1、调整输⼊参数

通过调整temperature 、top_p 、top_k 等参数 ，进⽽控制模型输出的发散度等表现。

2、调整提示词结构

调整提示结构， ⽐如增加⼈设 ，上下⽂， ⽬标等 。典型的提示词框架包括系统⼈设 ，上下⽂介绍 ，任务⽬标 ，约束限 制等 ，提示词结构的优化可参考前⽂描述。

3、组合不同的技巧

除了上述的通⽤技巧外 ，还可以组合其他技巧 ，例如：

1）尽量不要⽤⼤概 、应该 、好像等不清不楚的词语。

2）如果要强调⼤模型 “⼀定”要遵守某个规则时 ，可以⽤ “必定 、⼀定 、必须”等定语去做强调。

3）不要给单⼀模型处理⾮常复杂的任务 ，⼀般⼀个任务最好不超过三个步骤。

4）对于背景描述 、执⾏任务和例⼦等不同模块 ，⽤多个符号 “###”或者“***”进⾏隔开。

4、反馈优化

反馈优化是提⾼⼈⼯智能模型尤其是⼤型语⾔模型性能的关键环节之⼀ 。针对 “bad cases” ，即模型处理不当或错误响 应的案例 ，进⾏细致分析并据此调整Prompt编写策略 ，能够有效提升模型的准确性和鲁棒性 。下⾯是执⾏这⼀过程的⼀些   建议步骤：

1）收集与分类Bad Cases：系统地收集模型在各类任务中的错误响应案例 。这些案例应被详细记录并分类， ⽐如按照 错误类型（ 如语法错误 、逻辑错误 、常识错误等）或任务领域（ 如历史事实 、科学解释 、情感理解等）进⾏分组。

2）深⼊分析错误原因：对每个Bad Case进⾏深⼊分析， 明确指出错误的具体原因 。这可能包括模型对语境理解的偏 差 、数据不⾜导致的盲点 、或是模型架构本身的局限性等 。同时 ，识别出容易混淆的概念或场景 ，这些往往是模型犯 错的⾼发区。

3）提炼根因与差异：基于分析 ，提炼出导致错误的根本原因 ，并明确不同类别错误之间的差异 。理解这些差异有助于 设计更精确的提示和修正策略。

4）编写针对性提示：在原始Prompt中加⼊针对已识别问题的提示信息 。这些提示应当直接而具体， 旨在引导模型关注 那些容易出错的⽅⾯， ⽐如强调特定的上下⽂细节 、提醒注意概念的细微差别 、或者是提供正确的逻辑框架等。

5）迭代测试与调整：将修改后的Prompt应⽤于模型 ，重新测试之前出错的任务 ，观察并记录改进情况 。这⼀步骤可能 需要多次迭代 ，每次迭代后都要根据新的测试结果继续调整Prompt或模型训练参数。

通过上述⽅法 ，可以逐步细化和优化模型的训练⽬标 ，减少错误 ，提升其在特定任务上的表现能⼒ 。