编写 Prompt 的几种通用框架和方法
对于大模型（LLM）来说，输入和输出都是文本字符串，输入部分的文本就叫做 Prompt，它是用户的输入，prompt 和 LLM 一起决定了输出的内容和质量。对于一般用户来说，LLM 是相对固定的部分，能发挥主观能动性决定输出内容的部分就是 prompt 了，这也是最近 Prompt 工程比较火的原因。
有一种观点认为 prompt 只是目前 LLM 能力还有短板时的短期方案，是个人用户对 LLM 打的一次补丁，后面 LLM 相对强大后就会逐渐弱化 prompt 的重要性，这个观点是否成立只能拭目以待了。
目前想用大模型技术来开发某些场景应用，除了软件工程上的开发部分，很大一块内容就在于编写一系列场景下的 prompts，以及对不同 prompt 的效果评估和选取，这是目前大模型应用中变量最大的部分，也是决定大模型应用成功的关键。
下面就介绍几个编写 prompt 的通用框架和一些方法，包含吴恩达教授的 9 集 ChatGPT 提示词工程课程，ICIO 框架，CRISPE 框架。
吴恩达《ChatGPT 提示词工程课程》
下面是课程的主要内容提炼。
创建 prompt 的两个原则：
- 编写清晰、具体的指令；
- 使用分隔符清晰地表示输入的不同部分，分隔符可以是：```，”“，<>，:，<tag> </tag>等；
- 寻求结构化的输出，输出可以是 JSON, HTML 等格式；
- 要求模型检查是否满足条件，如果任务包含不一定能满足的假设（条件），我们可以告诉模型先检查这些假设；
- 提供少量示例，Few-shot prompting；
- 给 LLM 时间去思考；要求模型在提供最终的答案之前开展思维链或进行一系列相关的推理。
- 指定完成任务所需的步骤；
- 指导模型在下结论之前找出一个自己的解法。对于需要判断一个已有的答案是否正确的情景，可以先让模型自行得出一个解法，再行比较两者来得出结论；
开发 prompt 的过程：不断的迭代优化。和机器学习模型的开发过程类似，开发 prompt 也是先产生想法，编写 prompt，查看实验效果并分析错误，改进 prompt 并继续验证结果直到产生满意的结果。
4 种主要大模型应用场景的 prompt 编写举例：
- 文本概括总结（Summarizing）
- 限制输出文本长度；
- 通过提示词来设置对某个特定角度的侧重；
- 如果只想要某一方面的信息，可以进行信息提取（Extract）而不是总结（Summarize）；
- 推理（inferring）
- 识别文本的情感和类别；
- 商品信息提取；
- 主题推断；
- 文本转换（Transforming）
- 语言翻译；
- 语气转换；
- 文件格式转换；
- 拼写及语法纠正；
- 文本扩展（Expanding）。输入短文本（一个主题或者一组说明）让模型生成更长的文本。可以定制邮件或者写一些议论段落。
ICIO 框架
ICIO 框架模型来自 Elvis Saravia 的提示词工程指南。这个框架的 prompt 包含下面四个组成部分：
- Instruction - 您希望模型执行的特定任务或指令
- Context - 可以引导模型做出更好响应的外部信息或附加上下文
- Input Data - 我们有兴趣寻找答案的输入或问题
- Output Indicator - 输出的类型或格式
CRISPE 框架
CRISPE 框架来自 Matt Nigh 的免费提示词列表，这个框架的 prompt 包含如下五个部分：
- Capacity and Role: ChatGPT 应该扮演什么角色？
- Insight: 为您的请求提供幕后洞察力、上下文和背景。
- Statement: 您要求 ChatGPT 做什么。
- Personality: 您希望 ChatGPT 做出响应的风格、个性或方式。
- Experiment: 要求 ChatGPT 为您提供多个示例。