完美提示：提示工程速查表

摘要

本文提供了一份关于提示工程的速查表，旨在帮助用户更好地与大型语言模型（LLM）进行交互。文章介绍了AUTOMAT和CO-STAR两种提示构建框架，以及少量学习、思维链、检索增强生成等实用技术，强调了构建有效提示的重要性。

内容框架与概述

大型语言模型能够生成任意字符序列，但输出质量参差不齐，而提示的质量直接影响模型的输出效果。精确的提示能够引导模型产生更高质量的响应，因此提示工程已成为使用AI的必备技能，尤其是在构建应用时。

文章介绍了两种主要的提示构建框架。AUTOMAT框架包含了六个关键要素：用户角色与受众、目标行动、输出定义、模式/语气/风格、特殊情况以及主题白名单。CO-STAR框架则包括背景信息、明确目标、风格和语气、目标受众以及输出格式。这两种框架都强调了结构化提示的重要性。

除了框架，文章还介绍了几种实用的提示技术。少量学习通过在提示中展示实际问题和解决方案来帮助模型理解任务。思维链技术促使模型在给出最终答案之前进行推理。检索增强生成允许模型访问数据或文档以提供更全面的响应。格式化与分隔符确保模型能够理解提示的结构，而多提示方法则将复杂任务拆分为多个小任务以提高准确性。

核心概念及解读

AUTOMAT框架：一种构建完美提示的系统方法。A代表用户角色与受众，U代表目标行动，T代表输出定义，O代表模式/语气/风格，M代表特殊情况，第二个A代表主题白名单。这个框架确保了提示的完整性和针对性。

CO-STAR框架：另一种提示构建方法，强调背景信息和目标明确性。Context提供背景信息，Objective明确目标，Style & Tone指定风格和语气，Audience识别目标受众，Response定义输出格式。这个框架注重提示的上下文相关性。

少量学习：一种通过示例学习的提示技术。在提示中展示几个实际问题和解决方案，让模型通过类比理解任务要求，特别适合需要特定格式或风格的场景。

思维链：促使模型在给出最终答案之前进行推理的技术。这种逐步推理的方式可以提高复杂任务的输出质量，减少错误率。

检索增强生成（RAG）：允许模型访问外部数据或文档的技术，使模型能够提供更全面、最新和准确的响应，特别适合需要特定领域知识的场景。

原文信息

此文档由 AI 自动整理