我們可以將提示詞定義為向大型語言模型(Large Language Model，LLM)提供的一個查詢或一組指令，這些指令隨后使模型能夠維持一定程度的自定義或增強，以改進其功能并影響其輸出。我們可以通過提供細節、規則和指導來引出更有針對性的輸出，從而使提示詞更加具體。

而設計模式可以理解為對常見問題的通用可重復解決方案。每個設計模式絕不是一個可以直接應用于問題的完整解決方案，而是一個可以用來更好地構建應用最佳實踐的解決方案的模板或框架。設計模式在面向對象編程領域應用廣泛，在本文中，老碼農嘗試總結了提示工程中的10個常見設計模式。

1. 人物角色模式

人物角色模式是一種通過向語言模型注入特定的人格或說話的語氣來實現。通過定義不同的角色，我們能夠控制生成文本的風格和方式，以適應各種不同的應用場景。以下是一些示例：

• 客戶支持：在客戶支持領域，一個友好、耐心的角色可能更有效地與客戶進行溝通，解決問題并提供幫助。例如，當客戶提出問題時，語言模型可以以禮貌和親切的語氣回應，并提供清晰明了的解決方案，從而增強客戶滿意度。
• 故事講述：在虛構故事或創意寫作中，不同的角色可能需要具有不同的語氣和情感表達。例如，一個幽默風趣的角色可能會使用幽默感和夸張來講述故事，而一個嚴肅的角色可能會使用嚴肅和沉穩的語調。
• 教育內容：在教育領域，語言模型可以扮演各種不同的角色，以更好地適應不同學習者的需求和學習風格。例如，對于兒童教育內容，模型可以采用輕松、活潑的語氣來吸引他們的注意力，而對于專業技術課程，模型可以采用更正式、嚴謹的語氣來傳遞知識。

通過人物角色模式，語言模型能夠以更加靈活、個性化的方式生成文本，從而提高與用戶的互動體驗，并在各種應用場景中發揮更大的作用。

2. 食譜模式

類似于烹飪食譜，食譜模式提供了一種逐步指導大模型生成文本的方法。這種模式對于需要詳細和連續指令的任務非常有價值，例如教程、過程文檔或制作裝配指南。以下是部分示例：

• 教程：想象一下，正在寫一篇教程文章，向讀者介紹如何學會某項技能，比如學習編程或學習繪畫。通過食譜模式，你可以提供清晰的步驟和指導，使讀者能夠逐步理解和實踐所學內容，從而更容易地掌握新技能。
• 過程文檔：在工業生產或科學實驗中，經常需要編寫詳細的過程文檔，以記錄和共享操作步驟。利用食譜模式，你可以逐步描述每個操作步驟，確保讀者能夠準確地重現操作過程，從而提高工作效率并減少錯誤發生的可能性。
• 制作裝配指南：在制造業中，制作裝配指南對于工廠工人來說至關重要。你可以為每個裝配步驟提供詳細的說明，包括所需工具、材料和操作步驟，以確保產品能夠正確組裝并符合質量標準。

通過這種模式，大模型可以提供連貫性和結構性的文本輸出，使讀者能夠輕松理解和實踐其中的指導，從而在各種應用場景中實現更高效的工作和學習。

3. 反向查詢模式

在反向查詢模式中，大模型被要求以一種特殊的方式工作：首先，它接收一個輸出或響應作為啟動條件，然后被要求生成最適合的查詢或輸入，以產生特定的輸出。這種技術不僅僅可以用于問答場景，還可以應用于各種其他情境中。以下是一些示例：

• 智能助手：假設你正在與智能助手對話，你問了一個問題，但是你想深入了解更多相關信息。在這種情況下，反向查詢模式可以應用。你的智能助手可以根據你的問題生成一個響應，然后詢問你是否想了解更多相關內容，從而引出更深入的查詢。
• 搜索引擎優化：在網頁內容創作中，反向查詢模式可以用于優化搜索引擎結果。假設你是一個網站管理員，希望你的網站在特定的搜索查詢中排名更高。你可以使用反向查詢模式來創建內容，以確保網站在搜索引擎中出現在相關的查詢結果中。
• 個性化推薦系統：在電子商務或內容推薦領域，反向查詢模式可以用于個性化推薦系統。系統可以根據用戶的行為和偏好生成一些輸出，然后根據這些輸出生成相應的查詢，以提供更加個性化和精準的推薦。

通過反向查詢模式，大模型能夠根據特定的輸出生成相應的查詢或輸入，從而更好地滿足用戶的需求，并提高系統的性能和用戶體驗。

4. 輸出自動化模式

輸出自動化模式是一種利用指示詞來規范化大模型生成結構化或格式化輸出的方式，以實現重復任務的自動化。舉例來說，它可以用于以下情形：

• 報告生成：在企業環境中，每天都需要生成銷售報告。通過輸出自動化模式，可以將銷售數據輸入到語言模型中，然后生成預定義格式的報告，省去了人工編寫報告的時間和勞動。
• 摘要生成：在學術研究中，需要從大量文獻中提取信息并生成摘要。利用輸出自動化模式，可以令大模型根據用戶給定的關鍵詞或主題自動生成文獻摘要，極大地提高了處理大量文本的效率。
• 響應生成：在客戶服務領域，經常需要對客戶的常見問題進行快速響應。通過輸出自動化模式，可以根據問題的關鍵詞或分類，讓語言模型自動生成適當的響應，從而提高客戶服務的效率和準確性。
• 代碼編寫：對于開發人員來說，編寫重復性代碼是一種常見的任務。輸出自動化模式可以被用來指示語言模型根據用戶選擇的首選編碼語言自動生成代碼段，從而加速開發過程并減少編碼錯誤。

輸出自動化模式特別是在涉及數據分析、內容生成和軟件開發等領域中，它能夠極大地提高工作效率和準確性。

5. 思維鏈模式

思維鏈（CoT）模式是一種指導大模型按照特定的推理或論證路徑進行生成的技術。這種模式對于創作有說服力的文章、評論或者復雜的討論非常有價值，因為邏輯流是構建其可信度和可理解性的關鍵要素。以下是一些示例：

• 評論文章：在撰寫評論文章時，必須確保論點的邏輯連貫性和嚴謹性。思維鏈模式可以指導語言模型按照辯論的邏輯結構生成論據、反駁和結論，從而使文章更具有說服力和邏輯性。
• 科學論文：在科學領域，論文必須以科學推理為基礎，確保實驗結果和結論的可信度和可重復性。思維鏈模式可以幫助語言模型按照科學推理的邏輯鏈條，從問題陳述到實驗設計再到結果分析，生成符合科學標準的論文。
• 辯護詞：在法律場景中，律師必須提供有力的辯護詞以支持其客戶。思維鏈模式可以引導語言模型按照法律邏輯生成辯護詞，包括陳述事實、引用法律條文、提出論證和反駁對方觀點，從而為案件提供強有力的辯護。

通過思維鏈模式，大模型可以按照邏輯思維的路徑生成文本，使其更具有連貫性、說服力和可理解性，從而在各種領域中發揮重要作用。

6 圖譜輔助模式

圖譜輔助模式是一種利用已有知識來增強提示的方法，從而幫助大型語言模型生成更準確的輸出結果。這種模式通過將知識圖譜或領域專業知識與模型結合，以提供更多背景信息和上下文，從而改善模型的理解能力和輸出質量。以下是部分示例：

• 醫學診斷：在醫學領域，圖譜輔助模式可以用于幫助語言模型更好地理解臨床病例或醫學報告。通過結合醫學知識圖譜和患者歷史記錄，模型可以生成更精準的診斷建議或治療方案。
• 智能客服：在客戶服務領域，圖譜輔助模式可以用于改善智能客服系統的響應質量。模型可以利用行業領域知識圖譜，為客戶提供更專業和準確的解決方案，從而提高客戶滿意度。
• 法律咨詢：在法律領域，圖譜輔助模式可以幫助語言模型更好地理解法律文書或案件細節。通過整合法律知識圖譜和案例法規，模型可以提供更精準的法律建議或法律分析，幫助律師和法律專業人士更好地處理案件。

通過圖譜輔助模式，大模型可以利用豐富的知識資源來增強其輸出的準確性和可靠性，從而在各種應用場景中發揮更大的作用。

圖片

7. 事實檢查模式

為了降低產生錯誤或誤導信息的風險，事實檢查模式促使大型語言模型根據可靠的外部來源或數據庫驗證其輸出。這種模式鼓勵大模型提供支持性證據來證明其答案的可信性，從而促進準確的結果。以下是一些示例：

• 新聞報道：在新聞領域，事實檢查模式可以幫助語言模型驗證新聞事件的準確性。模型可以引用可信的新聞機構或官方消息來源，以支持其報道的事實，從而減少虛假信息的傳播。
• 學術論文：在學術寫作中，事實檢查模式可以確保語言模型引用了經過同行評審的研究或權威性數據，以支持其論述。這有助于確保論文的準確性和可信度。
• 醫學咨詢：在醫療領域，事實檢查模式可以幫助語言模型核實醫學信息的準確性。模型可以引用權威的醫學期刊或醫學數據庫，以支持其提供的醫學建議或解釋，從而降低誤導性信息的風險。

通過事實檢查模式，大模型可以提供更加可靠和準確的輸出，從而增強其在各種應用場景中的可信度和實用性。

8. 反射模式

反射模式鼓勵大模型以批判性的視角評估其生成的文本。這種模式促使大模型審視其輸出中存在的潛在偏見或不確定性。以下是一些示例：

• 社交媒體評論：在社交媒體上，語言模型可能被用于生成評論或回復。在反射模式下，模型應當反思其生成的評論是否存在歧視性言論或誤導性信息，并盡可能避免這些問題。
• 新聞報道：在新聞報道中，語言模型可能被用于撰寫文章或提供評論。在反射模式下，模型應當審視其生成的內容是否準確、客觀，并且是否有可能受到外部因素的影響。
• 教育資料：在教育領域，語言模型可能被用于生成教育資料或解答問題。在反射模式下，模型應當考慮其生成的內容是否有益于學習，是否存在錯誤或者主觀偏見，并且是否需要進一步的核查或修正。

通過反射模式，大模型可以更加自覺地評估其輸出，避免不當的言論或誤導性信息，并且提供更加負責任和可信的回答。

9.問題精煉模式

問題精煉模式是一種迭代方法，其中根據語言模型的反饋不斷優化輸入的查詢或提示。通過分析模型對不同提示的響應，開發人員可以微調查詢，從而提高模型的性能。以下是一些示例：

• 搜索引擎優化：假設你是一個網站管理員，你想通過搜索引擎優化來提高你的網站在搜索結果中的排名。你可以使用問題精煉模式來不斷優化你的搜索查詢，根據語言模型的反饋調整關鍵詞、語句結構等，以提高你的網站在搜索引擎中的可見性。
• 語音助手：在語音助手應用中，用戶可能會提出各種問題或指令。通過問題精煉模式，開發人員可以分析語言模型對不同查詢的響應，然后調整用戶界面或系統設置，以改善語音助手的準確性和響應速度。
• 自然語言處理應用：在自然語言處理應用中，例如聊天機器人或智能客服系統，問題精煉模式可以用來不斷優化模型的響應。開發人員可以通過分析模型對用戶不同問題的回答，然后對模型進行微調，使其更加智能和適應性更強。

通過問題精煉模式，開發人員可以與語言模型進行交互，不斷改進模型的性能和效果，從而提供更好的用戶體驗和更準確的結果。

10.部分拒絕模式

有時，人工智能模型在面對復雜的查詢時可能會回答“我不知道”或拒絕生成輸出。為了更有效地處理這種情況，引入了“斷路拒絕模式”。這種模式的目標是訓練模型在面對困難或無法準確回答的情況下，能夠提供有用的答復或部分答案，而不是直接拒絕。以下是一些示例：

• 聊天機器人：當用戶向聊天機器人提出一個超出其知識范圍的問題時，傳統的做法可能是簡單地回答“我不知道”。然而，通過斷路拒絕模式，聊天機器人可以嘗試根據已有的信息或上下文提供相關的信息或建議，即使是部分答案也能為用戶提供一些幫助。
• 搜索引擎：當搜索引擎無法找到與用戶查詢完全匹配的結果時，通常會顯示一條消息，說明未找到結果。然而，采用本模式，搜索引擎可以嘗試根據用戶查詢的意圖提供相關的內容，即使沒有完整的答案，也能提供一些相關信息或指導。
• 語音助手：在語音助手應用中，當用戶提出一個超出語音助手知識范圍的問題時，語音助手可以采用斷路拒絕模式，嘗試提供有用的提示或建議，以幫助用戶更好地理解或解決問題，而不是簡單地回答“我不知道”。

通過該模式，人工智能模型可以更加靈活和智能地處理復雜的情況，提高其適應性和用戶體驗。

沒有結束

提示工程的設計模式是一種強大的工具，能夠更好地發揮大模型的能力。本文介紹的這些模式可以幫助提高給定大模型的整體質量。通過利用這些模式，我們可以定制特定用例的輸出，識別和糾正錯誤，并優化提示以獲得更準確和更富有見地的響應。隨著人工智能技術的不斷發展和新模式的涌現，提示工程仍可能是創造更可靠和更智能的人工智能會話系統的關鍵因素之一。