编写清晰指令的技巧：定角色、用分隔符、给示例

核心知识点讲解

为什么清晰的指令如此重要？

在构建AI智能体时，清晰的指令是成功的关键。LLM（大语言模型）虽然强大，但它们不会读心术。如果你的指令模糊不清，模型很可能会产生偏离预期的输出。

清晰指令的好处：

提高输出的相关性和准确性
减少模型的幻觉（hallucination）
节省反复调整的时间
使智能体行为更加可预测

技巧一：设定明确的角色

为AI智能体设定一个明确的角色，就像给它穿上一件专业的“制服”，让它知道自己应该如何思考和回应。

角色设定的重要性：

帮助模型调整语气和专业度
明确模型的知识边界和职责范围
提供上下文框架，使回答更符合场景

示例：

# 不设定角色
prompt = "解释什么是量子计算"

# 设定角色
prompt = "你是一位专业的量子物理学家，擅长用通俗易懂的语言解释复杂概念。请解释什么是量子计算，包括其基本原理和潜在应用。"

技巧二：使用分隔符组织信息

分隔符是提示词工程中的“语法糖”，它们帮助模型更好地理解输入的不同部分。

常用的分隔符：

三引号：""" 或 '''
三重反引号：```
XML标签：<input>、<context>、<output>
其他符号：=====、------、>>>>>

分隔符的作用：

明确区分指令、上下文和输入
防止提示词注入攻击
提高模型对边界的识别能力

示例：

# 使用三引号分隔上下文
prompt = """你是一位专业的影评人。请基于以下电影简介，撰写一篇500字左右的影评。

电影简介：
"""在未来的2154年，人类开始在潘多拉星球开采一种名为“unobtanium”的珍贵矿物。为了与当地的纳美人沟通，人类创造了基因工程人类-纳美人混合体，称为“阿凡达”。前海军陆战队员杰克·萨利被派往潘多拉，他的任务是说服纳美人离开他们的家园。但在与纳美人的接触中，杰克逐渐爱上了这个星球和它的人民，最终站在了纳美人一边，与人类军队对抗。"""

请从剧情、视觉效果、主题思想三个方面进行评价，并给出你对这部电影的总体评分（1-10分）。"""

# 使用XML标签
prompt = "<role>专业的产品经理</role>
<task>基于以下用户需求，生成一份产品需求文档</task>
<user_requirement>
我需要一个能够帮助学生管理学习时间的应用，包括任务提醒、番茄钟功能、学习数据分析等。
</user_requirement>
<output_format>
产品需求文档应包含：产品概述、核心功能、用户流程、界面设计建议四个部分。
</output_format>"

技巧三：提供示例（少样本学习）

为模型提供示例是一种强大的技术，称为“少样本学习”（Few-Shot Learning）。通过展示输入和期望输出的配对，你可以引导模型理解任务的具体要求。

示例的类型：

输入-输出对：展示完整的任务示例
格式示例：仅展示期望的输出格式
部分示例：展示任务的开始部分

示例的最佳实践：

使用2-3个高质量示例
示例应覆盖不同的情况
示例应与目标任务高度相关
保持示例的一致性和简洁性

示例：

# 少样本学习示例：情感分析
prompt = """请分析以下电影评论的情感倾向，判断是积极还是消极。

示例1：
评论：这部电影太精彩了！演员的表演非常出色，剧情跌宕起伏，特效也很震撼。我已经看了三遍了，每次都有新的发现。
情感：积极

示例2：
评论：这部电影让我非常失望。剧情混乱，角色塑造单薄，两个小时的观影体验简直是煎熬。我不建议任何人浪费时间看这部电影。
情感：消极

现在请分析以下评论：
评论：这部电影的特效做得不错，但剧情发展有点缓慢，演员的表演中规中矩。整体来说，是一部可以一看的电影，但没有什么特别出彩的地方。
情感："""

技巧四：明确输出格式要求

告诉模型你期望的输出格式，就像给它一个“模板”，让它按照你的要求组织信息。

常见的输出格式：

段落文本
列表（有序/无序）
表格
JSON
代码
特定结构（如问答、摘要等）

示例：

# 要求输出为JSON格式
prompt = """请将以下产品信息转换为JSON格式，包含id、name、price、category四个字段。

产品信息：
名称：智能手表
价格：1299元
类别：可穿戴设备
产品ID：PROD-2024-001
"""

# 要求输出为表格格式
prompt = """请将以下学生成绩转换为Markdown表格格式，包含姓名、数学、语文、英语、总分五列。

学生成绩：
张三：数学95，语文88，英语92
李四：数学87，语文91，英语85
王五：数学92，语文89，英语94
"""

技巧五：控制输出长度

明确指定输出的长度范围，避免模型输出过长或过短的内容。

长度控制的方法：

指定具体的字数或句数
使用相对描述（简短、详细、中等长度）
提供长度的上下限

示例：

# 指定具体字数
prompt = "请用不超过100字的篇幅，简要介绍人工智能的发展历程。"

# 使用相对描述
prompt = "请详细解释什么是机器学习，包括其基本原理、主要算法类型和应用场景。"

# 提供长度范围
prompt = "请为以下产品撰写一条30-50字的营销文案：智能恒温杯，支持APP远程控制温度，内置锂电池可续航8小时。"

实用案例分析

案例一：构建专业的客户服务智能体

场景描述：
你需要构建一个客户服务智能体，用于回答用户关于产品的问题。智能体需要保持专业、友好的语气，并提供准确的信息。

提示词设计：

prompt_template = """你是[公司名称]的专业客户服务代表，你的名字叫[智能体名称]。你非常熟悉公司的所有产品和服务，并且善于用友好、专业的语气回答客户的问题。

请记住以下几点：
1. 始终保持礼貌和专业
2. 尽可能提供详细、准确的信息
3. 如果不确定答案，不要猜测，而是告诉客户你会查询相关信息后回复
4. 结束对话时，邀请客户提供反馈

现在，请回答以下客户问题：

客户问题：{customer_question}

回答："""

应用效果：

智能体始终保持专业的客户服务语气
回答内容更加准确和相关
客户体验得到显著提升

案例二：创建高效的内容摘要工具

场景描述：
你需要构建一个内容摘要智能体，能够将长文本压缩为简洁的摘要，同时保留核心信息。

提示词设计：

prompt_template = """你是一位专业的内容编辑，擅长将长文本提炼为简洁的摘要。请基于以下文本，生成一个不超过200字的摘要，确保包含所有核心信息。

文本：
{long_text}

摘要："""

应用效果：

生成的摘要长度适中，符合要求
核心信息得到有效保留
摘要语言流畅，逻辑清晰

案例三：开发智能的代码解释器

场景描述：
你需要构建一个代码解释智能体，能够分析代码并解释其功能、逻辑和潜在问题。

提示词设计：

prompt_template = """你是一位资深的软件工程师，擅长分析和解释代码。请分析以下代码，然后提供：
1. 代码的功能和用途
2. 代码的核心逻辑
3. 代码中可能存在的问题或优化空间
4. 代码的执行流程（可选）

代码：
```python
{code}

解释："""


**应用效果**：
- 代码解释全面、准确
- 能够识别潜在的问题和优化空间
- 解释语言通俗易懂，适合不同层次的开发者

## 代码示例

### 示例1：使用分隔符和角色设定构建提示词

```python
from langchain import PromptTemplate

# 定义提示词模板
prompt_template = PromptTemplate(
    input_variables=["topic", "audience"],
    template="""你是一位专业的{audience}领域专家，擅长用通俗易懂的语言解释复杂概念。

请基于以下主题，撰写一篇500字左右的科普文章，要求结构清晰，内容准确，语言生动。

主题：{topic}

文章应包含：
1. 概念介绍
2. 工作原理
3. 应用场景
4. 未来发展

文章："""
)

# 生成提示词
prompt = prompt_template.format(
    topic="人工智能中的神经网络",
    audience="计算机科学"
)

print(prompt)

示例2：使用少样本学习进行情感分析

from langchain import LLMChain, PromptTemplate
from langchain_openai import OpenAI

# 初始化LLM
llm = OpenAI(temperature=0)

# 定义情感分析提示词模板
prompt_template = PromptTemplate(
    input_variables=["examples", "review"],
    template="""请分析以下产品评论的情感倾向，判断是积极、消极还是中性。

示例：
{examples}

现在请分析以下评论：
评论：{review}
情感："""
)

# 准备示例
examples = """
示例1：
评论：这个产品质量非常好，功能齐全，价格也很合理。我非常满意这次购买。
情感：积极

示例2：
评论：这个产品让我非常失望，做工粗糙，功能也不完善。我不会推荐给朋友。
情感：消极

示例3：
评论：这个产品中规中矩，没有特别出彩的地方，也没有明显的缺点。
情感：中性
"""

# 创建LLMChain
chain = LLMChain(llm=llm, prompt=prompt_template)

# 测试评论
reviews = [
    "这款手机的续航能力很强，一天下来还有40%的电量，拍照效果也不错。",
    "这家餐厅的服务态度很差，食物也不新鲜，不会再来了。",
    "这部电影的特效做得不错，但剧情有点老套。"
]

for review in reviews:
    result = chain.run(examples=examples, review=review)
    print(f"评论：{review}")
    print(f"情感：{result}")
    print("---")

总结与思考

关键要点回顾

角色设定：为智能体设定明确的角色，帮助它调整语气和专业度。
分隔符使用：使用分隔符组织信息，提高模型对边界的识别能力。
示例提供：通过少样本学习，引导模型理解任务的具体要求。
格式要求：明确输出格式，让模型按照你的要求组织信息。
长度控制：指定输出长度范围，避免模型输出过长或过短的内容。

实践建议

循序渐进：从简单的提示词开始，逐步添加更多技巧。
持续测试：不断测试和调整提示词，找到最适合特定任务的版本。
记录模板：建立提示词模板库，方便后续重复使用和改进。
学习优秀示例：研究他人的优秀提示词，学习其中的技巧和思路。

未来学习方向

思维链（Chain-of-Thought）：引导模型进行逐步推理。
思维树（Tree of Thoughts）：处理更复杂的问题分解。
提示词优化工具：探索使用工具辅助提示词设计和测试。
多语言提示词：学习如何针对不同语言优化提示词。

通过掌握这些编写清晰指令的技巧，你将能够构建更加智能、可靠的AI智能体，为各种应用场景提供更好的解决方案。在接下来的课程中，我们将深入探讨更多高级提示词工程技术，帮助你进一步提升智能体的性能和能力。