<aside> 💡 提示工程指南

• https://learnprompting.org/zh-Hans/docs/intro
• https://www.promptingguide.ai/zh
• https://github.com/GitHubDaily/ChatGPT-Prompt-Engineering-for-Developers-in-Chinese
• Prompt 高级技巧：借助伪代码精准的控制 LLM 的输出结果和定义其执行逻辑
  • https://zkv549gmz8.feishu.cn/wiki/YRf2wb6BAil2j9kXMiVcfGBSnhd - 通过 Claude 生成社交名片的提示词
  • https://web.okjike.com/originalPost/66e170618becdf39a1c19761 - Cluade 生成一个词语的文艺化解释
• https://linux.do/t/topic/75412
• DeepSeek 入门
• Prompting Cheat Sheet </aside>

<aside> <img src="/icons/light-bulb_yellow.svg" alt="/icons/light-bulb_yellow.svg" width="40px" />

沟通中的乔哈里视窗

• 当一个事情，你知道，AI 也知道，这个很好理解，你就简单说，提示词要精简。
• 一个事情，你知道，AI 不知道，例如企业内部信息，一些 AI 在公域上搞不到的信息，你告诉它这个事的结构、形式，通过 few-shot 把模式喂给它，它会 get。
• 你不知道，AI 知道，这个也容易理解，AI 知道很多你不知道的事情，你提问就行了。
• 你不知道，AI 也不知道，大概就像科研，超出了普通人的范畴。

一般来说，我们遇到的大多数都在右侧这两个，左侧平常会少一点。我的理解是右侧两个是效率型，左侧是探索型，比例上确实是82这样。

另外一点也很同意的是，随着模型能力的提升，X轴会逐渐下移。他并没有直接说我们也要让自己的Y轴左移，但我想除此之外大家似乎也没得选。

</aside>

<aside> <img src="/icons/light-bulb_yellow.svg" alt="/icons/light-bulb_yellow.svg" width="40px" />

提示词三分法：有什么、做什么、怎么做

写提示词，强烈推荐使用“有什么、做什么、怎么做”的三分法，理清每句提示词的作用

有什么：给模型的上下文 做什么：给模型指令 怎么做：【可选】思维链

其中，最最最重要的就是“有什么、做什么”

如果“有什么、做什么”定义错了，再怎么限定“怎么做”，也只是屎上雕花

如果“有什么、做什么”定义对了，但怎么设定“怎么做”都没法达到预期，那就可以考虑换模型/架构了

比如修复语音转文字中的错误，定义为“听写稿纠错”，就比“优化语音转文字内容”准确的多

</aside>

<aside> <img src="/icons/light-bulb_yellow.svg" alt="/icons/light-bulb_yellow.svg" width="40px" />

Deepseek 教我的法则：不是要「会提问」，而是要「早动手」

先不要着急回答我的问题，为了质量更高的答案，我还需要补充哪些信息？

问题的底层逻辑是什么？

这个底层逻辑在哪些情况下会不成立，有例外？

这个问题的可能性空间是什么？

名词解释

• 元问题: 关于考虑「问题本身」是否设置正确的问题，而非直接解决原问题的内容
• 问题空间: 包含了所有可能的变量、约束和潜在解决方案的集合，它并非把所有「可能事项」都纳入问题空间，只有与核心目标强关联的要素才被包含
• 底层逻辑: 是问这个事情的规律是啥。规律是指事物之间内在的、必然的、稳定的联系或重复出现的本质特征。它反映了现象或过程在一定条件下的确定性、有序性和可预测性
• 可能性空间: 是指某个问题、系统或情境中所有可能存在的状态、解决方案或结果的集合。它反映了在给定条件和约束下，所有潜在的可能性范围。其实没这么复杂，简单点说就是问 AI 有啥方案可以选。 </aside>

<aside> <img src="/icons/tag_lightgray.svg" alt="/icons/tag_lightgray.svg" width="40px" />

https://baoyu.io/blog/how-to-write-good-prompt

https://s.baoyu.io/files/[baoyu.ai]how-to-write-good-prompt.pdf

</aside>

RTGO

CO-STAR 提示语框架（新加坡 GPT-4 提示工程竞赛冠军提示词框架）

<aside> <img src="/icons/light-bulb_yellow.svg" alt="/icons/light-bulb_yellow.svg" width="40px" />

GPT Prompt 最佳实践

https://twitter.com/dotey/status/1681188469995888642?s=20

https://twitter.com/parves/status/1682431257064382465

[https://x.com/dotey/status/1787578897191624908](https://baoyu.io/translations/transcript/10-levels-of-chatgpt-prompting-beginner-to-award-winning)

https://x.com/dotey/status/1787578897191624908

</aside>

<aside> <img src="/icons/light-bulb_yellow.svg" alt="/icons/light-bulb_yellow.svg" width="40px" /> Prompt 提示词生成

https://twitter.com/dotey/status/1789126306325496288

我要让 AI 帮我 {XXXX}，请帮我用 Chain-of-Thought 来写 AI 提示词。

你是 Anthropic 聘请的专家提示工程师，你的任务是为各种大小的大语言模型（LLM）优化提示。你需要根据提供的模型大小（以十亿参数计算）来调整每个提示。

指令：
1. 使用全大写来突出提示中最重要的部分。
2. 当用户要求时，使用OpenCHATML格式：
   system
   [详细的代理角色和上下文]

   assistant
   [确认理解并简明扼要地总结关键指令]
3. 提供精确、具体和可操作的指令。
4. 如果你有限的令牌量需要采样，那么请尽快结束；我会用命令“继续”再次请求。

知识库：

## 对于大语言模型（LLM's）
- 对于多步骤任务，将提示分解为一系列相关的子任务。
- 在适当的时候，包括所需输出格式的相关示例。
- 在回应中反映原始提示的重要细节。
- 根据模型大小调整你的语言（对于较小的模型简化，对于较大的模型更精细化）。
- 对于简单的示例使用零样本，对于复杂的使用多样本示例。
- 大语言模型在进行一些视觉推理（文本生成）后写答案更好，这就是为什么有时候初始提示中包含一个为LLM代理填写的示例表单。

</aside>

<aside> 💡

https://baoyu.io/blog/llm-translation-better-idiom

https://x.com/dotey/status/1882130348550545687

“请尊重原意，保持原有格式不变，用简体中文重写下面的内容：”

"Please respect the original meaning, maintain the original format, and rewrite the following content in Simplified Chinese:"

</aside>