AI提示词编写方法全解析

在人工智能日益融入生活的当下，如何巧妙编写提示词，成为充分发挥AI效能的关键。以下为您详细介绍几种实用的AI提示词编写方法。

角色扮演法：赋予AI独特身份

角色扮演法旨在让AI模拟特定角色。当我们渴望AI以历史人物、虚拟角色的视角进行表达时，此方法便大显身手。例如，我们可以向AI发出指令：“假设你是李白，描述一下你眼中的庐山瀑布。”通过这种方式，AI能以李白的思维和语言风格进行创作，为我们带来别具一格的描述。不过，该方法对AI训练数据中相关角色信息的依赖程度较高。若数据匮乏，AI可能难以精准且全面地塑造角色，导致模拟效果欠佳。

细节法：雕琢丰富内容

细节法适用于期望AI生成详尽内容的场景。无论是细腻描绘场景，如“详细描述一下春天花园里的景象，包括花朵的颜色、形状，以及蝴蝶的飞舞姿态等”；还是精准刻画人物形象、深入阐述复杂概念，都可借助这一方法。然而，过度追求细节可能致使生成内容冗长繁杂，重点反而被掩盖。而且，若提示词中的细节过多过杂，AI或许会遗漏关键信息，出现顾此失彼的状况。

示例法：指引创作方向

示例法通过提供特定示例，引导AI按照期望的格式、风格或模式生成内容。当我们想要AI创作特定风格的诗句时，便可以说：“给出三个像‘大漠孤烟直，长河落日圆’这样描写边塞风光的诗句。” 示例法能为AI提供清晰的创作蓝本，但也存在一定局限。它可能会束缚AI的创造力，使其过度依赖示例模式。而且，若示例缺乏代表性，AI生成的内容可能会出现片面或不准确的问题。

推理法：开启逻辑之旅

推理法是一种旨在引导AI进行逻辑思考、问题分析与解答的提示词编写方法，在需要AI处理逻辑推理任务时极为关键，其中思维链（CoT）及其相关拓展方法是核心内容。

思维链（Chain - of - Thought，CoT）

原理：2022年，Jason Wei等人在论文“Chain - of - Thought Prompting Elicits Reasoning in Large Language Models”中提出该方法。其核心是鼓励大语言模型将复杂推理任务的大目标拆解成小目标，通过展示少量包含推理过程的示例，让模型在回答提示时也按步骤展示推理过程，以此提升大语言模型进行复杂推理的能力。
示例：
- 普通提问：当询问“地球和火星哪一个适合人类居住？”时，AI可能仅给出较为笼统的回答，如“在当前科技水平下，地球是唯一适合人类居住的星球。火星的环境对人类来说极度恶劣，问题包括极低的温度、稀薄的大气、缺乏液态水和食物源等” 。
- CoT提问：若采用CoT方法提问“地球和火星哪一个适合人类居住？请详细解释你的推理过程。”AI会从多方面深入剖析。比如从维持生命的条件看，地球拥有适宜维持生命的气候、丰富的水资源、合适的气氛以及独特的生物圈，而火星环境无法直接支持人类生活，其表面温度极低，大气稀薄且主要由二氧化碳构成，还未发现液态水；从离地球的距离分析，火星距离地球数百万公里，现有技术下单程需花费6 - 9个月，且受轨道关系限制，安全地进行物资和人员运输困难重重；从资源自给角度，在火星上维系人类殖民地要面临诸多挑战，如必须生产出所有必需的食品和物资，处理低重力导致的健康问题（如肌肉和骨骼的丧失），以及解决大气层缺乏导致的辐射问题等。最终得出地球更适合人类居住的结论。
对比示例：
- 一般提示法：对于数学问题“罗杰有5个网球。他又买了两盒网球，每盒有3个网球。他现在有多少个网球？” 模型可能直接输出答案“11” ；对于“食堂有23个苹果，如果他们用掉20个后又买了6个。他们现在有多少个苹果？”可能错误输出“27” 。
- CoT方法：同样问题，模型会分步推理。如“罗杰一开始有5个网球，2盒3个网球，一共就是(2×3 = 6)个网球。5 + 6 = 11。答案是11。” ；“食堂原来有23个苹果，他们用掉20个，所以还有(23 - 20 = 3)个。他们又买了6个，所以现在有(3 + 6 = 9)个。答案是9。”
自洽性（Self - consistency）补充：基于CoT方法，后续有学者提出通过多数投票提高性能的自洽性方法。该方法不是只生成一个CoT，而是生成多个CoT，然后取多数答案作为最终答案。例如，当从资源获取、气候条件以及重力效应三个独立的角度考虑地球和火星哪一个更适合人类居住时，AI分别从这三个角度进行推理分析后，整合结果得出结论。

推理法的其他相关方法

逐步推导法：与CoT类似，强调将问题按照逻辑顺序逐步拆解分析。例如对于物理问题“一个物体在光滑水平面上受到5N的力，质量为1kg，求它的加速度。”提示词可以是“请逐步分析并计算这个物体的加速度，先说明用到的公式，再代入数据计算” ，引导AI按照物理原理的逻辑顺序，先列出牛顿第二定律公式F = ma，再推导a = F/m，最后代入数据得出加速度为5m/s² 。
假设分析法：在一些存在多种可能性的问题中适用。比如对于经济问题“如果政府提高企业税率，对市场就业情况会有什么影响？请通过假设不同情况进行分析” 。AI会假设企业应对提高税率的不同策略，如企业选择削减成本，可能会减少招聘甚至裁员，导致就业岗位减少；若企业通过提高产品价格转嫁成本，可能会影响产品销量，进而间接影响就业等，通过多种假设分析得出不同情况下对就业的影响。

推理法的局限性

应用领域有限：目前推理法主要应用于数学问题、常识推理基准以及部分逻辑分析任务等，对于如机器翻译、创意写作等领域，其性能提升效果尚需进一步评估和拓展。例如在机器翻译中，推理法难以直接解决语言间语义、语法结构差异等核心问题。
计算成本高：像CoT等方法，需要大量计算资源来支持模型进行多步骤推理和生成多个推理路径（如自洽性方法）。在一些资源受限的小型模型中，可能因计算能力不足而无法有效应用该方法，或者出现运行缓慢、结果不准确等问题。
准确性问题：即便使用推理法，大语言模型在一些简单问题上仍可能出现推理错误。一方面，模型可能对问题的理解存在偏差，未能准确捕捉关键信息；另一方面，推理过程中可能在逻辑链条的某个环节出现失误，导致最终结果出错。例如简单的逻辑推理题“如果A比B大，B比C大，那么A和C谁大？”，模型可能因对大小关系的逻辑理解失误给出错误答案。

格式法：规范输出形式

格式法的核心目的是让提示词内容清晰、易读、易理解，避免模型因语义混乱而误解指令。

语义区分

在编写提示词时，使用分隔符标注独立内容，防止模型误解文本。分隔符可任意选用，如“”“<< >>”“”“—”等，但要注意符号在提示词中的语义一致性。例如：

三引号：“”“这里是要分隔的内容文本”“” 。
XML标记：<开始标签>这里是引用的文本<结束标签> 。
章节标题：用不同的章节标题来划分生成的内容段落，如第一章、第二章。
Markdown的代码块分隔符：“”“ 这里是要分隔的内容 ”“” 。
特殊符号连用：尽量避免一些通常不会连续出现的符号的连续使用，如 --、++ 。

例如，当我们希望AI分析一段文本并生成结构化信息时，可这样编写提示词：
提示词：
我将提供一段文本，请你分析文本并为我生成基于这段文本的结构化信息，如果你认为需要补充更多信息，你可以询问我。
我提供的文本是：
“思考：目前工作中会定期策划各种学术类和市场类活动，市场类活动要考虑招生引流，会有优惠活动或者推荐有礼，学术类活动的重点在于展示一定阶段内儿童的学习成果。活动时间分为周末活动及节假日活动，节假日活动需要考虑活动主题围绕节假日展开。周末活动主要包括运动类、绘画写生类及综合类，节假日活动则会融合几类内容。活动场地包括室内活动及户外场地。在参与受众上，分仅孩子参加及有家长参加。在人数上，分20人以下、20 - 50人。如果可以通过与GPT互动，输入关键信息，GPT即可按照标准输出包含主要结构的内容，则将大大提高工作效率。目前我们的活动策划主要包括以下关键点：1）活动主题；2）活动方案；3）活动流程；4）活动预算；5）活动需达成的效果。”

模型的官方格式

不同模型可能有官方推荐格式。在模型厂商未进行特殊优化时，用户可自行选择格式；若有官方格式，建议使用官方格式，因其通常会针对格式进行优化。例如，Claude模型官方推荐XML格式，使用XML标签来标记提示词的不同部分，如（规则）、（示例）等。示例如下：

<prompt>
<description>请输入你的文章内容，我将基于你的输入为文章生成一个标题。</description>
<rules>标题应简洁明了，准确地反映文章的主题和内容，不包含冗余的词汇或重复的信息。</rules>
<example>
<input>这是一篇关于大数据和机器学习在医疗领域应用的文章，介绍了如何利用这些技术改进医疗服务和治疗方法。</input>
<output>“大数据与机器学习在医疗领域的革新应用”</output>
</example>
<userInputMessage>请输入文章的内容：</userInputMessage>
</prompt>