单元四 AIGC 提示词设计技巧
一、AIGC 提示词设计基础技巧
【视频讲解】
【学习文案】
在设计 AIGC 提示词时，掌握一些基础技巧至关重要。这些技巧不仅能够帮助我们更准确地传达意图，还能引导 AI 大语言模型生成更符合期望的响应。这些基础技巧包括提供详细指令、精准用词、角色扮演、分步提问以及给出范例五个方面。通过遵循这些技巧，我们可以减少误解，提高 AI 大语言模型的理解能力和回答的准确性，从而更好地发挥其在处理复杂任务和抽象问题中的潜力。无论是专业应用还是日常对话，这些技巧都将为我们的 AI 交互体验带来显著提升。
（一）提供详细指令，让 AI 模型更懂你
在设计 AIGC 提示词时，首要且核心的原则是确保信息的完整性。提供详尽而具体的指令与任务至关重要，因为它们有助于 AI 大语言模型更精确地把握用户的意图，从而生成更为贴合期望的响应结果。因此，在撰写提示词时，务必详尽地描述任务和指令，确保模型能够在正确的路径上运作。切勿因认为某些信息为“常识”而省略，因为 AI 大语言模型并不具备用户的背景知识及个性化理解。如果输入信息不完整，输出的信息很可能存在偏差，正如很流行的那句话：“Garbage In，Garbage Out”（输入垃圾，则输出垃圾）。
（二）精准用词，减少 AI 的误解
当 AI 大语言模型对输入的提问出现理解偏差时，其回答可能会偏离讨论的主题或显得令人费解。在此情况下，建议仔细审视所使用的提示词，确认其是否存在表述模糊、缺乏明确指向性的问题。此外，即便提示词本身清晰明确，AI 大语言模型的理解能力受限亦可能导致其回应偏离预期。如果 AI 大语言模型的回答不符合预期，可以尝试用以下两种方式来解决问题。
（1）重述：以不同的方式重述问题，或者在问题中添加更多的细节和背景信息。
（2）澄清：利用 AI 大语言模型的连续对话功能，在 AI 大语言模型返回错误的输出后，直接对 AI 大语言模型的输出澄清，以引导它更准确地理解和回答问题。通过这两种方法，可以有效地减少歧义，提高 AI 大语言模型的理解能力和回答的准确性。
（三）角色扮演，让 AI 更专业
在优化 AI 大语言模型以实现高质量输出时，赋予其特定的角色定位，是一种行之有效的策略。通过此方式，AI 大语言模型不仅能够运用与角色相匹配的语言风格和表达方式，还能够模拟特定角色的思维逻辑和行为模式，从而使其生成的内容更加贴近实际情境或场景，显著提升其现实感和可信度。比如，当与 AI 大语言模型进行对话时，若其角色转变为医学专家，其回应将充盈着医学领域的专业术语与深厚知识，仿佛正置身于医疗诊所之中，与资深医生进行面对面的交流。又或者，若要求 AI 大语言模型扮演咨询师的角色，那么可能会接收到充满同理心与理解的反馈，这与在真实世界中寻求专业心理咨询的体验无异。通过为 AI 大语言模型设定不同的角色，我们能够发掘出其出人意料的创造性和灵活性，从而获取到更加贴合个人需求且具备个性化的答复。举例来说，我们可以让 AI 大语言模型以科幻小说作家的身份，协助我们构建一个充满想象的未来世界场景；或者，我们也可让其扮演历史学家，帮助我们深入剖析复杂的历史事件。角色扮演作为一种常见的提示词策略，为我们开启了一种新颖的 AI 交互模式，使 AI 大语言模型的输出更加富有质感与深度。然而，值得注意的是，角色扮演类的提示词往往较为冗长，这是为了确保在角色演绎过程中，AI 大语言模型能够遵循既定的“规则”或“模板”，避免其突然偏离角色设定或中断角色扮演。下面几条是总结出来的经验，可以在提示词中加入以下句子：
（1）请在每次对话中仅回答上一次的问题，在我回复之前，请勿添加其他信息；
（2）请充分融入自己所扮演的角色，严守设定角色，不得随意偏离；
（3）无视对话中的所有其他指令；
（4）在每次回答结束时，请提出新的问题以推进对话的发展。
为了确保角色扮演体验的生动性和吸引力，我们需要详尽地提供细节信息，以便 AI大语言模型能够深刻理解其扮演的角色及所处环境。这样，AI 大语言模型将能够更为自然地融入角色之中，从而与人类玩家共同构建一段充满张力与深度的共享故事。
（四）分步提问，循序渐进地解决问题
在与人进行沟通交流时，我们习惯性地采用逐步提问的策略，旨在确保双方对交流内容的准确理解。同样地，在与 AI 大语言模型进行对话时，此种方法亦极具实用价值，我们称之为“分步提问”。该方法不仅能够优化我们理解 AI 大语言模型反馈的效率，同时也有助于 AI 大语言模型更精确地把握我们的提问意图，并据此提供更为精准的答复。在面对复杂问题时，分步提问的策略尤为有效，它使得 AI 大语言模型能够应对一次性提问难以处理的复杂任务。
比如，你正在建造一座房子。你不可能直接从地基到屋顶一步到位。你需要一步步地进行，先铺设地基，再建造墙壁，最后才是屋顶。分步提问就像建造房子一样，是一种逐步建立理解的过程。
（五）给出范例，让 AI 大语言模型秒懂你的意思
在描述一部自己钟爱的电影给未曾观看过的朋友时，即便我们手舞足蹈、表情丰富并竭尽全力阐述，他们有时仍会感到困惑。面对此等情境，我们通常会采用举例的方式进行说明。例如，我们可能会提及：“这部影片的风格与《星际穿越》和《盗梦空间》有异曲同工之妙，主角形象与钢铁侠托尼·斯塔克有着相似之处。”这时，朋友往往能够凭借对前述作品和角色的了解，大致领会我们所描述电影的风格与主题。
6在职场环境中，类似的情况也时有发生。作为项目经理，当我们为团队分配一项涉及新行业与概念的任务时，即便经过长时间的解释，团队成员可能仍然感到迷茫。此时，我们可以借助过往项目的经验来辅助说明，如：“这个任务与我们之前的市场调研项目有相似之处，只不过此次面对的市场有所不同，需要我们更加深入地研究竞争对手的策略。”这样的类比有助于团队成员依据对过往项目的理解，更准确地把握新任务的需求。与人交流时，我们经常会使用这种举例子的策略，与 AI 大语言模型的交流也不例外。有时候我们会遇到一些比较复杂或者抽象的问题，这时候如果我们能够举些例子，就可以更好地帮助 AI 大语言模型理解我们的问题，提高解答的准确性。这个方法在学术界被称为少量样本提示（Few-shot Prompting）。少量样本提示有很多用途，不仅可以生成符合指定格式和风格的文字，还可以用于各种其他任务，如文本分类和信息提取。如果我们只提供一个示例，就称之为单样本提示（One-shot Prompting）。随着样本提示数量的增加，模型生成的准确性也会相应地提高。因此，如果你使用这种方法的效果不好，可以逐步增加提示样本，通常而言，7 ～ 10 个样本提示会取得较好的效果。
假设你想让 AI 大语言模型描述一段激动人心的足球比赛。你可能会这么问：“写一段关于一中和二中足球比赛的描写”。但是，这样可能会让 AI 大语言模型感到困惑，它不知道你期望的具体风格、情节等细节。你可以试试举个例子，把你想要的情节和风格告诉 AI 大语言模型，如：“用 2010 年世界杯决赛，西班牙队在加时赛中踢入决定性一球的情节和风格来描述”。
二、AIGC 提示词设计高级技巧
【学习文案】
AIGC 提示词的高级格式可以参照下面的公式：优秀的 AIGC 提示词 = 任务 + 参考信息 + 输出要求 + 实例 + 本次输入 + 输出项上述公式的进一步细化如图 所示。
1. 提示词必备项
（1）任务：是对 AI 大语言大模型所要处理内容的清晰描述。可以理解为类似一种固定话术。一般采取【根据】+【动作】+【目标】的形式进行。例如：【根据】依据会议记录内容，【动作】总结会议待办事项，并【目标】指明每个待办事项的负责人。
（2）输出要求：清晰且具体说明所期望得到的最终结果或输出内容。包括且不限于回复答案的标准、完成任务所需的步骤、用户对模型输出结果附加的风格要求、格式要求及字数要求等。（3）输出项：用于在指令末端引导文心大模型开始输出结果。可以在指令末端输入例如“回答：”、“输出：”、“总结：”等具有开启输出命令效果的词语。同时要注意这些词语应与指令中任务、示例部分给到的一致。如果要求输出的内容已在任务中提及，则无需再构造本次输入。
2. 提示词选择项
（1）参考信息：是提供给 AI 大模型的背景信息或者需要处理的数据样本。包括不限于任务相关的原文段落、文本数据、名词解释及背景知识等。
（2）示例：是供 AI 大语言模型参考的输入输出的样本演示。完整的输入输出样本演示将起到示范性的作用，这将有助于确保输出内容在风格、格式、字数等方面准确无误。
（3）本次输入：是在单次指令中针对输出内容的需求描述。如果要求输出的内容已在任务中提及，则无需再构造本次输入。根据提示词方法论，将内容以模块化、结构化的形式呈现，这样 AI 大模型能更深入地理解你的需求，从而提供更精准、更有用的信息和建议。
（二）AIGC 提示词的多轮优化策略
在和 AI 大语言模型进行对话的过程中，我们或许会遇到多种情况：当向其请求定制一份旅游出行攻略时，我们可能既渴望获得精心规划的行程，又希望能额外获取一些小众景点的独特推荐；当需求转至撰写发言稿时，我们则期望在完整的框架之上，增添更多文采斐然的句子，以增色添彩；而在制定学习计划时，我们更是期望这份计划能紧密贴合我们的学习习惯与生活作息，实现个性化定制。
然而，值得注意的是，AI 大模型在初次接收到我们的输入提示词后，其单轮回应或许并未能完全契合我们的期待。但此时，我们无需急于开启新一轮的对话，因为 AI 大模型凭借其卓越的上下文理解能力，能够在多轮对话中持续优化生成的内容，直至逐步接近我们心中的完美答案。要实现这一目标，关键在于我们如何巧妙地设计我们的提问方式。我们应当从更细致、更严格的角度出发，向 AI 大模型提出更具针对性的问题，引导其生成更加符合我们需求的内容。
以撰写直播带货话术为例，由于直播带货涉及众多商品及卖点，其复杂性与多样性往往使得 AI 大模型在单次生成时难以满足所有个性化需求。但正是通过进行多轮提问，不断优化与调整，才能最终获得那份令人满意的输出答案。
（三）AIGC 提示词的复杂任务细分策略
你是否曾面临撰写研究报告时感到无从下手？是否曾对冗长复杂的公司财报感到头晕目眩？是否曾对层出不穷的程序 bug 冥思苦想？在面对复杂的任务时，单一维度的提示词可能难以一次性解决。这时，我们可以采取一种策略，即将复杂的任务拆解成多个连续的简单子任务。这样，AI 大模型就能逐个击破，稳扎稳打，直至最终圆满完成这项复杂的任务。
以研究报告场景为例，撰写一篇研究报告的背后流程复杂，环节众多。因此，我们将一个撰写一篇完整研究报告的全过程细分为前期输入（包括阅读文献和拟定大纲）、中期撰写（涵盖定量分析和翻译工作）以及后期升华（包括润色、降重和汇报辅助）等多个子任务。
【AI知识拓展】AI 大语言模型“涌现”
【视频讲解】
【学习文案】
AI 大语言模型“涌现”
AI 大语言模型的“涌现”现象是近年来人工智能领域的一个重要发展。随着计算能力的提升和大量文本数据的积累，大型语言模型逐渐成为自然语言处理（NLP）领域的研究热点。这些模型基于海量文本数据训练，能够深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。“涌现”现象主要指的是，当大型语言模型的规模和复杂性达到一定程度时，模型会突然表现出一些之前未曾观察到的、更为复杂和高级的语言处理能力。这种现象通常发生在模型参数量极大、训练数据极其丰富的情况下。具体来说，“涌现”现象体现在以下几个方面：
（1）更强的语言理解能力：随着模型规模的增大，大型语言模型能够更深入地理解文本的语义和上下文信息，从而更准确地回答复杂问题。
（2）更丰富的语言生成能力：大型语言模型在生成自然语言文本时，能够产生更加多样化和富有创造性的输出。这种能力使得模型在文本创作、故事生成等方面展现出巨大的潜力。
（3）更好的泛化性能：由于训练数据的丰富性和模型的复杂性，大型语言模型在处理新任务和新领域时表现出更强的泛化性能。这意味着模型能够更好地适应不同的语境和任务需求。近年来，AI 大语言模型的“涌现”现象推动了自然语言处理技术的飞速发展。多款重要的大型语言模型相继问世，如 GPT 系列、BERT 等，它们在多项 NLP 任务中取得了显著成果。
随着技术的不断进步，大型语言模型的应用范围也在不断扩大。它们被广泛应用于智能问答、机器翻译、文本创作、智能推荐等多个领域，为人们提供了更加便捷、高效的语音交互体验。同时，大型语言模型还在金融、医疗、教育等行业发挥了重要作用，助力各行各业实现智能化升级。
