在真实的业务场景中——提示词的使用和优化技巧 原创

“ 没有最好的提示词，只有最合适的提示词；提示词的优化是一个循序渐进的过程，并没有一劳永逸的方法。”

提示词可以说是大模型应用中最重要的东西，可以说其作用无可代替；但是我们很多人会陷入两个误区，一个是太重视提示词，另一个是太轻视提示词。

虽然说现在网络上有很多提示词模板，甚至很多人也收藏了很多模板，但说实话在真实的业务场景中，你保留的模板不一定有用，而且很多时候你也只是保留一下，就像你收藏的各种学习资料一样，收藏了也仅仅只是收藏了。

所以，在真实的业务场景中，我们应该学会使用提示词和优化提示词；不用一上来就要把提示词写的怎么怎么好；提示词就像技术一样，没有最好的，只有最合适的。

在业务场景中提示词的使用

在上面说关于提示词有些人是太重视提示词，而有些人又太轻视提示词；原因有两点，一是有些人在业务刚开始就想方设法的想把提示词给一次性写好，但其效果往往不尽人意；还有一种情况是认为，既然大模型本身就不稳定，提示词的好坏影响也没那么大。

但从真实的业务实践中发现，提示词确实扮演着不可替代的作用，但同时又没大家想象中的那么重要。

提示词作为一个重要参数，其并不是一个不可变的参数，而是可以随时进行更换和修改的参数；在业务初期或者说在开发测试阶段，我们只需要根据自己的需求写一个简单的提示词，然后能够满足最基本的业务需求即可。

然后在整个业务功能都跑通的情况下，根据具体的执行效果再对提示词进行优化和调整；比如说把你的需求和现在使用的提示词一起丢给大模型，让大模型帮你优化一下提示词；而作者在这方面做过测试，效果往往还不错。

当然，哪怕你的提示词写的再好，也不可能让大模型完全按照你的要求进行输出；毕竟这是大模型自身缺陷(幻觉)导致的，这个缺陷也可能是优势。

也因此，在做大模型应用时，有一个很重要的步骤，那就是做好错误处理；因为大模型本身的不确定性，犯错是在所难免的，所以如果我们没做好错误处理就会出现一个问题，那就是大模型时灵时不灵；明明刚刚还是好好的，怎么突然就不能用了，这也是作者在做大模型应用时经常遇到的问题。

那具体应该怎么优化提示词呢？大概有那几个方向？

下面是几个关于提示词优化的小技巧：

一、核心优化原则 (The Golden Rules)

1. 明确性高于一切 (Clarity is King)

坏：“处理一下用户数据。”

好：“请将用户提供的姓名和邮箱列表（格式：姓名, 邮箱）转换为 JSON 数组，每个对象的键名为 name 和 email。只输出 JSON，不要任何其他解释。”

2. 提供上下文和角色 (Provide Context & Persona)给模型一个明确的角色，它会更好地调整其语言模式和知识范围。

例如：“你是一名专业的金融分析师，擅长用通俗易懂的语言向小白用户解释复杂的金融概念。请根据以下新闻...”

3. 使用结构化指令 (Structured Instructions)

人类喜欢段落，模型更喜欢清单。使用编号、 bullet points、分隔线来组织你的指令。

这能显著提高模型对复杂指令遵循的准确性。

4. 指定输出格式 (Specify the Output Format)

永远明确告诉模型你希望它如何输出。是 JSON、XML、纯文本、Markdown 表格还是 HTML？这极大方便了后端对结果的自动化处理。

5. 提供范例 (Few-Shot Learning)

对于复杂或易错的任务，提供 1-2 个输入输出的例子是最有效的技巧之一。这比千言万语的定义都管用。而这也是我们常说的CoT思维链模式。

本文转载自​​AI探索时代​​ 作者：DFires