李继刚 | 如何写好 Prompt?
输入“/”快速插入内容
👍李继刚 | 如何写好 Prompt?
李继刚 | 如何写好 Prompt?
用户6100用户61002024年11月27日修改
三月份的时候我们在北京举办了LangGPT第二期的线下沙龙交流，邀请了即刻Prompt达人、“织梦师101”主理人李继刚，刚哥给我们分享他在Prompt上的探索经验，收获很多~
这两天终于把逐字稿整理出来分享给大家！
PS.如果有语句不顺，一定是小编整理问题..
下边是刚哥分享全文：
一、背景
大家好，我是李继刚，平时活跃在即刻（同名“李继刚”）上，严格意义上来讲其实并不算AI圈的人，而是在互联网行业内工作，平时爱好读书，每年大概读50到100本书，是一个读书人。
在ChatGPT刚出来的时候，我在使用过程中发现一个很有意思的事：读书的时候，书中一般都是以一个方法论、一个理论框架、一个模型，去诠释某个领域。
随着阅读量的积累，我们会有大量的笔记和方法论的沉淀，结合LangGPT框架或者自然语言描述，以及ChatGPT的推理能力，一个全新的视角逐渐清晰——即使是一本书，也能轻松转化为GPTs（现在叫GPTs，之前都是单独写一长段prompt），帮助我们在特定领域内实现框架的具体应用。
以前我们会跟一个没读过这本书的人去讲，这本书的理论或是方法论，它用了三步法或是六步法来解决什么问题，现在可以直接把这些知识封装交付，直接去使用。
无论是撰写一篇文章还是解决一个问题，只需选择合适的GPTs，它用的是SCQA法（基于金字塔原理的写作或表达方法，具有清晰的层次结构和逻辑性，有助于读者理解和接受信息），还是什么框架技巧，帮助我们理解核心思想。
这一方法我已实践了半年到一年，期间我在即刻平台分享了大量的prompt，逐渐大家也就慢慢地了解到我，这是我要分享的背景故事。
二、如何写好Prompt？
对于如何写好Prompt，我理解有三部分构成：
1：理解LLM《这就是ChatGPT》
首先，是对大型语言模型本身的深入理解。不同的模型如GPT、Claude、文心一言和智谱，即便对相同的提示词作出回应，也会展现出截然不同的结果。
这种差异源于它们各自的参数设置、训练语料库以及微调策略的不同，最终交付出来给大家使用的模型能力自然千差万别。 我们这里只讨论推理能力，同样的一个表述，同样的一个方法论，用同样的语言去交付，结果也是完全不同的，这个是做过对比和测试的~
因此，了解每个模型的特点和能力，是构建有效prompt的基础。
我们在写提示词的时候，针对哪个模型去写？这个问题是应该被确定下来的，在我个人使用过程中，比如选定Claude时，采用XML框架性的描述输入会带来明显的成效。但是在ChatGPT去应用XML和markdown的时候就会产生明显的区别。
所以它就会形成一种喜好，对于我个人而言，笔记都是用log或者用markdown写的比较顺手，ChatGPT也用习惯了，所以我一般会选定这个模型，然后针对这个模型的官方文档的更新，它最近的参数、模型有没有升级，它最近有什么变化，对于这个地方有一个主线去跟着它走，我们了解了这个模型，然后也适应了针对这个模型去写Prompt，这时候，往往会得到预期效果。 但当我们平移到其他模型，需要经过一个适应阶段，就跟换公司是相同的道理，公司文化不一样，我们需要有一个适应过程，所以理解大模型本身是写好Prompt的第一步。
我特别推荐《这就是ChatGPT》 一书。在阅读了市面上大量关于ChatGPT的书籍后，我发现这本书是对ChatGPT解释得最为透彻的一本，它原本是斯蒂芬·沃尔弗拉姆（全球最聪明的三个作者之一）所写的一篇文章，后由国内出版社引进并翻译成中文。这篇文章虽然用英文半小时即可读完，但它的深度和洞察力是其他任何书籍所无法比拟的。
这本书一直在我桌头放着，没事儿就翻一下，这本书我已经读了不下三遍，每一次读它都是有一种特别的感觉。如果有一本书能把ChatGPT讲明白，那就是它了，能把提示词就是预测下一个字符这些事情给讲透，这本书强烈推荐。
这就是理解GPT、理解LLM这个部分。
2、行业KnowHow(个人素养)
此时我们已经理解了大模型，也看了一些论文技巧，比如说情绪能影响大模型的输出，比如说你指定角色可以明显提升效果等等，这些技巧性的东西其实我们总结一下，不超过十条，大概就是六条左右。市面上主流大家讨论了这么多“骚”操作，罗列下来就是这十条。 但这十条我们掌握了之后，发现它还是在理解LLM这个框架内的——只是说基于这个LLM这十条小技巧是生效的，我们写的时候用上了它而已。
我们完成了第一步，理解了这十条技巧是不是就一定能写好prompt？这方面在跟大家交流讨论碰撞包括我自己在写的时候就发现第二个问题，就是Know-how。就是说我们对于一个领域、一个行业，一个细分场景的理解到底有多深？
举个例子来说，你是做制造业的，那制造业中间的整个工程链的的整个流程环节，每个环节需要注意的点都有哪些，跟不了解的人分别去问GPT这个行业要注意的哪些点，之后让他们分别去写prompt，这两者的深度是有差异的。如果是在这个行业经营非常深的人，他理解的深度是比GPT简单表述的那个框架要更深一层的。而这个层次的差异就决定着一个人最终写出来prompt的质量好坏。
这也是我想说的，大语言模型来了之后，大家都在喊“人类要下岗，人类要被灭”。因为它的能力很强，很多人的表现是远不如GPT表现的这么优秀，能有这么便捷的能力输出。因为很多人在做事情的时候，他本身就在做重复的事情，没有沉淀那个行业的know-how。
比如拿UI岗来举例，如果一个UI岗他会的仅是PS这个软件本身的功能。他知道这么操作能磨皮，那个操作能去背景，会的是功能，那他竞争力就很弱，大概率会被替代，对不对？但是如果他有的是knowhow，就是说一张图片怎么会更好看？他有审美，知道什么是美，知道这个颜色怎么搭，他有很多难以表述的隐性知识，那部分的行业knowhow才是他的真正的壁垒。
所以很多人在聊的时候就说，这个技巧我也会了，你这几本书我也读了，大模型的文档我也看了，我也知道我行业的一些东西然后我就去写了。但是同样的这个场景，为什么写出来差异还是很明显？这里边就涉及到个人知识素养，它是分层次的。比如同样的写程序，这个程序大家都在递归，对递归的理解，对于这个框架的体系结构设计，一个工匠和一个艺术家，对于它的理解也是不一样的。