3. Prompt 进阶 — 提示链（Prompt Chain）和多提示词协同

Prompt 进阶 — 提示链（Prompt Chain）和多提示词协同 2️⃣ Prompt 进阶 — 提示链（Prompt Chain）和多提示词协同 Modified October 14, 2024 https://github.com/yzfly/wonderful prompts %E6%92%B0%E5%86%99%E4%B8%80%E6%9C%AC%E4%B9%A6%E7%B1%8D 子任务之间是否要使用不同的 Chat（任务隔离），取决于子任务之间的相互影响是正面还是负面的。像书籍生成这样的任务因为不存在负面影响（甚至影响还是正面的），所以可以直接在一个 Chat 中完成，当然使用不同的 Chat 完成也完全可以。 这里提及的书籍生成的例子任务关联度较高，所以两个任务融合的较容易。前面小七姐的 MBTI 大师+ Midjourney 画像的例子两个任务关联度就较低，所以需要进行较多额外调试优化。在实践中若发现调试优化后效果仍然不佳，建议将两个任务独立为两个 Prompt。 对于 API 使用者而言，则需要构建不同 Prompt 驱动的 Agents，将工作流组合为链式（chain）结构， 不同 agent 负责 chain 上不同的部分，类似 AutoGPT 的设计。 子任务互相影响 肯定有不少朋友做过这样的事情，将两个甚至多个 Prompt 组合（融合也好，缝合也罢）成一个 Prompt，以期使用一个 Prompt 解决多个问题。 这些尝试有的很成功，不仅使得所需提示词字数减少了，而且还保持甚至提高了原任务的性能。但有的尝试效果不佳，不但使得 prompt 变的冗长，模型表现还下降不少。多轮迭代修改后仍然如此。 那么是什么原因导致的？ 刨去 Prompt 编写能力差异的影响，直接原因就是这里提到 Prompt 之间的相互影响作用，根本原因是任务之间的差异度，关联度。这种相互影响有时是正面积极的（不妨害性能甚至提升性能），有时是负面消极的（性能下降）。 任务之间的正面负面影响由什么决定？ 正面影响和负面影响的决定因素在于任务相似度，内容相关性。任务相似度，内容相关性越高的，往往容易融合，获得正面影响，否则任务差异度越大，越难融合，大模型输出结果越不理想。 书籍写作例子中两个子任务之间是正面影响的原因就是内容相关性较高，都是一本书的内容，内容相关，语义连贯。 小七姐的例子两个子任务间有一定关联度，但关联度较弱，所以结合较困难，需要增加提示词，多进行迭代调优。 任务粒度设计 Prompt 设计时，任务粒度的设计很重要，考虑该任务使用单个 Prompt 是否可解。若可解，如何编排 workflow （工作流）？若不可解，使用提示链（Prompt Chain）是否可解？若提示链可解，如何设计提示链上的子任务？ 设计 prompt chain 时，任务粒度设计更加重要，即复杂任务分拆——子任务设计。对于设计的子任务，关联度较小的，性能表现不理想的子任务应进一步分拆，关联度较大可合并的子任务应该合并。 那么如何划分任务？ 有以下几种常见方法： 1. 交给 GPT 模型划分，让模型设计任务链，这种方式直接让模型生成任务流，构建任务链即可，简单方便快捷，但是常常不太科学准确。 2. 依据个人经验划分。这种比较依赖专家知识，适用于对模型能力和任务本身都比较熟悉的情况。 3. 复用成熟的工作链。例如产品经理熟知的 Star 法则思维模型，企业内部成熟的工作链路等等在 Prompt 任务设计上的复用。 来源：https://zhuanlan.zhihu.com/c 1551973342797598720 Prompt Chain 构建技巧 以下是一些对于构建 Prompt Chain 比较有用的知识或技巧，暂时先粗列一些，后续再慢慢补充细化。 省字数（省 token）：不要过多描述模型已知内容。 为节省 Token，对模型已知的内容无需过多描述，模型已知内容包括常见的各种名词，方法等等。可以通过简单询问模型的方法判断模型是否知道该内容，如下图。若模型能正确回答，则说明模型已知该内容。 多说一句，想节约 token 的话，还可以将中文提示词转为英文。若还想节约 token，可以尝试将 Prompt 压缩。 Prompt 压缩可参考下面的文章： https://zhuanlan.zhihu.com/p/625440016 省钱：按需使用多种不同的模型 众所周知，GPT 4 比 GPT 3.5 昂贵很多，一些开源模型甚至可以本地部署，在模型能力能够胜任的情况下，尽量用便宜的模型。Prompt Chain 上不同的任务可以使用不同的大模型，以降低成本。 如何判断选用哪个模型？ 对于结果较短的文本（约 50 行以内）任务，对于 GPT 3.5 和 GPT 4 性能相近的认为，可以选用便宜的模型（GPT 3.5）。 对于结果较长，工作流较复杂，内容较多的认为，选用 GPT 4 等能力更强的模型为宜。 使用 claude 和一些开源模型也可以，只要能满足你的任务需求，可以尽量选用成本低的模型。 Prompt 的稳定性和可用性评估 使用同一 Prompt 多次运行，统计结果的多样性。 结果类别越少（有一个字符不同，就算一个新的类别），稳定性越好，使用如下公式计算： 稳定度 = 数量最多的类别 / 总运行次数 可用的结果的数量越多，可用性越好，使用如下公式计算： 可用性 = 可用结果数 / 总运行次数 Prompt Chain 评估方法是类似的。 🛠️ Prompt Chain （web 版） 这里我邀请 JK 哥为大家分享了一个 Prompt Chain 的案例，这个案例是用多个 Prompt 构成 Chain 来辅助内容生产，用于 ChatGPT 网页版。 用于 API 版本的 Prompt Chain 原理类似，只是结合编程可以将整个流程变得更加自动化，在此不进行赘述。 需求 做一个下面的热门视频号/抖音号 Alt text 任务拆解 1. 搜集他的 top50 的内容； 2. 使用 GPT/Claude100k 分析他的作品风格（这个任务仍然太大，还需要进一步拆解） ◦ 对于一个朋友圈段子文案，寻找到合适的分析维度。 ◦ 使用前述分析维度，分析他的作品，得出每个分析结果。 ◦ 使用分析的结果，给定主题再创作，批量生成。 ◦ 设计评估标准，作品评估。（本篇未涉及） 基本上，要做的事情如下： 任务实施 数据采集，在此不赘述，这个有一堆工具可以批量采集的，简单的 OCR 就能把文字全拉下来。 Prompt 1（寻找分析维度） 其实我们并不需要每一个环节都是用结构化的 Prompt，这种即用即取的 Prompt 也能起到作用。 Prompt 1: Code block Plain Text Copy 如果我们分析某一个人的朋友圈段子作品，我们抛开一些其他的因素，单纯分析朋友圈小段子（纯文字）作品的特色，你会从哪些维度进行分析，以便于我学习他的段子特色，从而复刻出他的优秀作品？ https://github.com/yzfly/wonderful prompts %E6%92%B0%E5%86%99%E4%B8%80%E6%9C%AC%E4%B9%A6%E7%B1%8D https://github.com/yzfly/wonderful prompts %E6%92%B0%E5%86%99%E4%B8%80%E6%9C%AC%E4%B9%A6%E7%B1%8D 子任务之间是否要使用不同的 Chat（任务隔离），取决于子任务之间的相互影响是正面还是负面的。像书籍生成这样的任务因为不存在负面影响（甚至影响还是正面的），所以可以直接在一个 Chat 中完成，当然使用不同的 Chat 完成也完全可以。 这里提及的书籍生成的例子任务关联度较高，所以两个任务融合的较容易。前面小七姐的 MBTI 大师+ Midjourney 画像的例子两个任务关联度就较低，所以需要进行较多额外调试优化。在实践中若发现调试优化后效果仍然不佳，建议将两个任务独立为两个 Prompt。 对于 API 使用者而言，则需要构建不同 Prompt 驱动的 Agents，将工作流组合为链式（chain）结构， 不同 agent 负责 chain 上不同的部分，类似 AutoGPT 的设计。 子任务互相影响 肯定有不少朋友做过这样的事情，将两个甚至多个 Prompt 组合（融合也好，缝合也罢）成一个 Prompt，以期使用一个 Prompt 解决多个问题。 这些尝试有的很成功，不仅使得所需提示词字数减少了，而且还保持甚至提高了原任务的性能。但有的尝试效果不佳，不但使得 prompt 变的冗长，模型表现还下降不少。多轮迭代修改后仍然如此。 那么是什么原因导致的？ 刨去 Prompt 编写能力差异的影响，直接原因就是这里提到 Prompt 之间的相互影响作用，根本原因是任务之间的差异度，关联度。这种相互影响有时是正面积极的（不妨害性能甚至提升性能），有时是负面消极的（性能下降）。 任务之间的正面负面影响由什么决定？ 正面影响和负面影响的决定因素在于任务相似度，内容相关性。任务相似度，内容相关性越高的，往往容易融合，获得正面影响，否则任务差异度越大，越难融合，大模型输出结果越不理想。 书籍写作例子中两个子任务之间是正面影响的原因就是内容相关性较高，都是一本书的内容，内容相关，语义连贯。 小七姐的例子两个子任务间有一定关联度，但关联度较弱，所以结合较困难，需要增加提示词，多进行迭代调优。 任务粒度设计 Prompt 设计时，任务粒度的设计很重要，考虑该任务使用单个 Prompt 是否可解。若可解，如何编排 workflow （工作流）？若不可解，使用提示链（Prompt Chain）是否可解？若提示链可解，如何设计提示链上的子任务？ 设计 prompt chain 时，任务粒度设计更加重要，即复杂任务分拆——子任务设计。对于设计的子任务，关联度较小的，性能表现不理想的子任务应进一步分拆，关联度较大可合并的子任务应该合并。 那么如何划分任务？ 有以下几种常见方法： 1. 交给 GPT 模型划分，让模型设计任务链，这种方式直接让模型生成任务流，构建任务链即可，简单方便快捷，但是常常不太科学准确。 2. 依据个人经验划分。这种比较依赖专家知识，适用于对模型能力和任务本身都比较熟悉的情况。 3. 复用成熟的工作链。例如产品经理熟知的 Star 法则思维模型，企业内部成熟的工作链路等等在 Prompt 任务设计上的复用。 来源：https://zhuanlan.zhihu.com/c 1551973342797598720 来源：https://zhuanlan.zhihu.com/c 1551973342797598720 Prompt Chain 构建技巧 以下是一些对于构建 Prompt Chain 比较有用的知识或技巧，暂时先粗列一些，后续再慢慢补充细化。 省字数（省 token）：不要过多描述模型已知内容。 为节省 Token，对模型已知的内容无需过多描述，模型已知内容包括常见的各种名词，方法等等。可以通过简单询问模型的方法判断模型是否知道该内容，如下图。若模型能正确回答，则说明模型已知该内容。 多说一句，想节约 token 的话，还可以将中文提示词转为英文。若还想节约 token，可以尝试将 Prompt 压缩。 Prompt 压缩可参考下面的文章： https://zhuanlan.zhihu.com/p/625440016 https://zhuanlan.zhihu.com/p/625440016 省钱：按需使用多种不同的模型 众所周知，GPT 4 比 GPT 3.5 昂贵很多，一些开源模型甚至可以本地部署，在模型能力能够胜任的情况下，尽量用便宜的模型。Prompt Chain 上不同的任务可以使用不同的大模型，以降低成本。 如何判断选用哪个模型？ 对于结果较短的文本（约 50 行以内）任务，对于 GPT 3.5 和 GPT 4 性能相近的认为，可以选用便宜的模型（GPT 3.5）。 对于结果较长，工作流较复杂，内容较多的认为，选用 GPT 4 等能力更强的模型为宜。 使用 claude 和一些开源模型也可以，只要能满足你的任务需求，可以尽量选用成本低的模型。 Prompt 的稳定性和可用性评估 使用同一 Prompt 多次运行，统计结果的多样性。 结果类别越少（有一个字符不同，就算一个新的类别），稳定性越好，使用如下公式计算： 稳定度 = 数量最多的类别 / 总运行次数 稳定度 = 数量最多的类别 / 总运行次数 可用的结果的数量越多，可用性越好，使用如下公式计算： 可用性 = 可用结果数 / 总运行次数 可用性 = 可用结果数 / 总运行次数 Prompt Chain 评估方法是类似的。 🛠️ Prompt Chain （web 版） 这里我邀请 JK 哥为大家分享了一个 Prompt Chain 的案例，这个案例是用多个 Prompt 构成 Chain 来辅助内容生产，用于 ChatGPT 网页版。 用于 API 版本的 Prompt Chain 原理类似，只是结合编程可以将整个流程变得更加自动化，在此不进行赘述。 需求 做一个下面的热门视频号/抖音号 Alt text 任务拆解 1. 搜集他的 top50 的内容； 2. 使用 GPT/Claude100k 分析他的作品风格（这个任务仍然太大，还需要进一步拆解） ◦ 对于一个朋友圈段子文案，寻找到合适的分析维度。 ◦ 使用前述分析维度，分析他的作品，得出每个分析结果。 ◦ 使用分析的结果，给定主题再创作，批量生成。 ◦ 设计评估标准，作品评估。（本篇未涉及） ◦ 对于一个朋友圈段子文案，寻找到合适的分析维度。 ◦ 使用前述分析维度，分析他的作品，得出每个分析结果。 ◦ 使用分析的结果，给定主题再创作，批量生成。 ◦ 设计评估标准，作品评估。（本篇未涉及） 基本上，要做的事情如下： 任务实施 数据采集，在此不赘述，这个有一堆工具可以批量采集的，简单的 OCR 就能把文字全拉下来。 Prompt 1（寻找分析维度） 其实我们并不需要每一个环节都是用结构化的 Prompt，这种即用即取的 Prompt 也能起到作用。 Prompt 1: Prompt 3（批量生产） 成品生产： 比如：最近七夕，就拿 七夕+ 单身为主题，生产的内容应该有 60 分了。（当然如果大家有兴趣，完全可以把 sample、作品分析再精调一下，应该可以做到更好的内容生产） 小结： 实际上，以上过程更是分析任何某一个优秀作品的方法论，其思路如下： （1）选择分析维度——（生成分析维度） （2）使用维度分析作品——（生成每一个维度下的技巧+示例） （3）利用技巧+示例，给定主题再创作——（批量生成同类风格的作品） （4）设计评估标准，作品评估——（针对生成内容进行评估，选择优秀的内容） 以上案例内容来自 JK 提供的案例，我只进行了少量修改，JK 的原文描述的十分细致，条理也十分清晰，推荐大家阅读，与 JK 哥交流可添加微信：JackeyLiu JK JK 原文：https://www.yuque.com/jackeyliu ldzqm/bh7gg6/tco5hr2owz25omlk?singleDoc= JK 原文：https://www.yuque.com/jackeyliu ldzqm/bh7gg6/tco5hr2owz25omlk?singleDoc= 后记 关于 Prompt Chain（提示链）, LLM powerd Agents (大模型驱动的智能体)的内容很早就列在 LangGPT 项目计划中了，可惜个人时间精力有限，对于 LangGPT 项目的建设一直断断续续，让很多 LangGPT 项目粉丝久等了。 关于大模型我们知道的还是太少了，以至于目前我们还需要大量的科研人员对其进行大量实验探索；关于大模型的知识隐藏的还是太深了，都在前沿论文里，都在最新项目里；近来国内朋友对 AI 知识的渴求，对 AI 探索令我惊讶，但个人力量还是太有限了，若你也在读论文、做 AI 项目，欢迎您一起共读论文，分享内容。 本期内容为 LangGPT 社区联署联创内容的第一次尝试，感谢刚哥、小七姐、JK 哥的支持，欢迎大家提供意见建议，也欢迎有高质量内容生产的朋友一起参与 欢迎有热情有能力的小伙伴一起参与建设 LangGPT 项目和我们的 LangGPT 社区，分享你的文章，帮忙写写代码，建立网站，志愿参与社群管理等一切有益于社区发展的行为都十分欢迎 参考资料 [1] 云中江树: https://www.zhihu.com/people/zphyix [2] 李继刚: https://m.okjike.com/users/752D3103 1107 43A0 BA49 20EC29D09E36 [3] 小七姐: https://space.bilibili.com/128712813 [4] LangGPT: https://github.com/yzfly/LangGPT [5] 系统论述：构建高性能 Prompt 之路——结构化 Prompt: https://github.com/yzfly/LangGPT/blob/main/Docs/HowToWritestructuredPrompts.md [6] ChatGPT 中文调教指南项目: https://github.com/PlexPt/awesome chatgpt prompts zh [7] 李继刚: https://web.okjike.com/u/752D3103 1107 43A0 BA49 20EC29D09E36 [8] Cool Teacher: https://m.okjike.com/originalPosts/64cf9babba30ac55404050e4?s=eyJ1IjoiNTVlZDk4MDRmZTJkZDIwZTAwY2M0MzlkIiwiZCI6MX0%3D&utm source=wechat session • 作者：云中江树([1])，李继刚([2])，小七姐([3])， JK（Jackey） (排名不分先后) 这是 LangGPT 推出的第二篇文章，继 系统论述：构建高性能 Prompt 之路——结构化 Prompt([5]) 中论述了如何通过结构化方法写好单个 Prompt 之后，本文谈谈使用多 Prompts 时需要了解的知识和方法。同样的，这只是个人的看法和认知，并非最佳实践定论，受限于个人学识、眼界局限，肯定有很多看法和结论有待商榷，欢迎与我交流。 从本期开始，LangGPT 将会尝试结合社区中朋友的实践和认识，汇聚精华部分形成系统性文章，本期内容由云中江树、李继刚，万能的小七姐, JK（Jackey）几位作者联署联创，云中江树（即本人）是 LangGPT 项目作者，李继刚是即刻 Prompt 达人，小七姐是 B 站 up 主，Prompt 编写培训师，JK 是提示词编写培训师。我们彼此间因对于 Prompt 的热爱和探索相识于 LangGPT 社区，并有着密切的交流合作。本文同时需要感谢 LangGPT 社区中无私分享知识和实践、志愿维护社区高质量内容和良好交流气氛的志愿者们，你们的思考实践促成了本文的内容，你们的认可和支持让 LangGPT 社区走的更远，发展的更好！ 这是 LangGPT 推出的第二篇文章，继 系统论述：构建高性能 Prompt 之路——结构化 Prompt([5]) 中论述了如何通过结构化方法写好单个 Prompt 之后，本文谈谈使用多 Prompts 时需要了解的知识和方法。同样的，这只是个人的看法和认知，并非最佳实践定论，受限于个人学识、眼界局限，肯定有很多看法和结论有待商榷，欢迎与我交流。 从本期开始，LangGPT 将会尝试结合社区中朋友的实践和认识，汇聚精华部分形成系统性文章，本期内容由云中江树、李继刚，万能的小七姐, JK（Jackey）几位作者联署联创，云中江树（即本人）是 LangGPT 项目作者，李继刚是即刻 Prompt 达人，小七姐是 B 站 up 主，Prompt 编写培训师，JK 是提示词编写培训师。我们彼此间因对于 Prompt 的热爱和探索相识于 LangGPT 社区，并有着密切的交流合作。本文同时需要感谢 LangGPT 社区中无私分享知识和实践、志愿维护社区高质量内容和良好交流气氛的志愿者们，你们的思考实践促成了本文的内容，你们的认可和支持让 LangGPT 社区走的更远，发展的更好！ LangGPT 社区：⭐LangGPT 结构化提示词 (链接若无法打开，复制到浏览器打开即可) ⭐LangGPT 结构化提示词 LangGPT 社区：⭐LangGPT 结构化提示词 (链接若无法打开，复制到浏览器打开即可) ⭐LangGPT 结构化提示词 引言 随着对大模型的应用实践的深入，许多大模型的使用者， Prompt 创作者对大模型的应用越来越得心应手。和 Prompt 有关的各种学习资料，各种优质内容也不断涌现。关于 Prompt 的实践的不断深入，大家对 Prompt 的认知也越来越深入。但同时也发现许多朋友在 prompt 创作，使用大模型能力过程中仍然存在许多误区。有关多 Prompts 协同的优质内容还是比较缺乏。遂作本文，以期能够帮助大家将大模型使用的更加得心应手。 在介绍多 Prompt 协同时，让我们重新认识一下 Prompt，让我们从最显而易见，却又最熟视无睹的地方谈起：什么是 Prompt？ 什么是 Prompt？ Prompt 是调用大模型能力的工具，这是大家所熟知的，但是在实际使用大模型的过程中，对 Prompt 的理解存在着许多被忽视的方面。 Prompt 认识误区 从一个广泛的 Prompt 认识误区谈起。 很多人认为的 Prompt 就是从各种平台获取的，用于 ChatGPT 一段对话开头的提示词，类似这种： 以下提示词来自知名的 ChatGPT 中文调教指南项目([6]) 以下提示词来自知名的 ChatGPT 中文调教指南项目([6]) 这种用于对话开头的提示词往往需要提示词工程师投入大量时间精力来创作、迭代。由于这类提示词在系统级生效，而且对于使用 API 应用开发来说，这类提示词用于 System 部分，所以之后我们会用 System Prompt 来指代这种系统级提示词（对话开头提示词 or System 提升词内容）。 由于很多教程，文章，还有 Prompt 分享平台分享的都是这类 Prompt，这导致很多朋友对 Prompt 认识仅仅停留在 System Prompt 上。对 Prompt 的理解也仅限于 System Prompt， 甚至单纯的将 Prompt 等同于 System Prompt. System Prompt 很重要，尤其是对于提示词工程师来说。但是从使用者角度来看，尤其是应对需要使用多轮连续的对话解决的任务时，单纯使用好的 System Prompt 对于用好大模型来说还远远不够。 什么是 Prompt? 如何理解 Prompt? System Prompt 当然也是 Prompt ，并且是 Prompt 中极为重要的部分。 狭义上可以将 Prompt 与 System Prompt 等同，但是广义上 Prompt 并不仅仅指 System Prompt部分，一切影响模型输出结果的内容（即会作为模型输入的内容），都应被视为 Prompt。 这要从 GPT 模型的原理谈起。我们知道 GPT 模型是依据【之前的内容作为输入】来预测【之后的内容作为输出】，如何简单具体的理解这个事情呢？ 可以拿出你的手机，使用你的输入法打字，像下图中一样，我们知道现在的输入法都有智能输入功能，当你打出 "春眠"两个字时，输入法预测 "不觉晓"，当你打出 "春眠不觉晓" 后，输入法预测之后的内容是 "处处闻啼鸟"。简单来说，GPT 模型做的是和输入法类似的事情，在 "努力以统计上合理的方式续写文本"。（实际对于大模型来说是很复杂的一个过程，深度原理科研人员也还在探索研究中，对我们来说可以简单这么理解）。 输入法 了解这一原理很重要，因为在更深层面上这意味着：我们只要让机器将下一个单词预测的足够准确就能完成许多复杂的任务！ 上限在哪？在实践告诉我们答案之前没有人知道。这给了大家无限的想象空间——实现通用人工智能（AGI）。ChatGPT 爆火以来虽然出现了很多有趣的应用，但我真正使我震撼的还是第一次体验 GPT 4 时思考到这一结论的那个时刻。GPT 3.5 并没有给我带来多少惊喜，但看着 GPT 4 在屏幕上一个字一个字打印出来自己脑海中想要的那种结果，我的内心对未来充满期待！ 了解这一原理很重要，因为在更深层面上这意味着：我们只要让机器将下一个单词预测的足够准确就能完成许多复杂的任务！ 上限在哪？在实践告诉我们答案之前没有人知道。这给了大家无限的想象空间——实现通用人工智能（AGI）。ChatGPT 爆火以来虽然出现了很多有趣的应用，但我真正使我震撼的还是第一次体验 GPT 4 时思考到这一结论的那个时刻。GPT 3.5 并没有给我带来多少惊喜，但看着 GPT 4 在屏幕上一个字一个字打印出来自己脑海中想要的那种结果，我的内心对未来充满期待！ 理解了这一原理，对于什么是 GPT 模型的 Prompt 就好理解了。在上面输入法的例子中，第一张图片中的 “春眠” 是我们的输入，“不觉晓” 是模型输出，所以 “春眠” 是 Prompt。到了第二张图片， “春眠不觉晓” 是模型输入（“不觉晓”是模型前一轮的输出），“处处闻啼鸟” 是模型输出，所以 “春眠不觉晓” 是 Prompt。 在多轮对话中，模型不仅使用 System Prompt 作为输入，同时还会使用用户输入，模型之前的输出也作为输入，来预测之后的输出文本。 所以，要用好大模型能力，不论对于使用者来说还是提示词工程师来说，都应意识到："所有会被模型用于预测输出结果的内容，都是 Prompt"。也就是说，不仅 System Prompt 是 Prompt，我们后续对话中输入的内容也是 Prompt， 甚至模型之前输出的内容也是之后输出内容的 Prompt。 李继刚([7])此前也表达过类似观点： 来源：https://aq92z6vors3.feishu.cn/wiki/EQcOwx45DiFQJ2kUhoTcGSAnnPh 来源：https://aq92z6vors3.feishu.cn/wiki/EQcOwx45DiFQJ2kUhoTcGSAnnPh 为什么很多时候同样的 System Prompt 在不同的朋友手中使用效果差异很大？部分原因就是不同人给模型提问的内容质量不同。 知道了理论，还要知道如何实践，如何解决具体问题，下面是刚哥分享的如何向模型提问的艺术。 如何提问？（来自刚哥） 经常遇到一种情况, 同样一个 Prompt, 在作者展示时, 输出效果超群. 但别人复制使用时, 使用效果就差强人意. 排除模型不同的因素后, 有很大一部分问题出在了用户的输入上。 对于 Prompt 的讨论和分享, 目前比较火热, 但对于 Prompt 的使用时的用户输入, 却分析较少. 这块确实很容易翻车, 一翻就影响了 Prompt 的真实水平发挥。 模型类错误 常见的几种 GPT 出错情况, 总结如下: 错误一: 将输入误以为是 "新 Prompt" 以下面的药剂师 Prompt 为例： 以 [ 药剂师 ] 为例, 我们本意是让药剂师来帮我们加固梦境, 提出梦境哪里需要改进. 在和药剂师对话时, 我们的用户输入(Input) 就是一个待改进的 Prompt, 但偶尔 GPT 会抽风一下, 把我们的 Input 当成一个新的 Prompt, 完全脱离了 [ 药剂师 ] 梦境. 这种情况的解法, 只需要在 Input 时增加一个小小的提示即可: 通过增加一句小提示和 Block 分隔符, 可以让 GPT 完全理解我们的诉求, 不会出现之前的错误理解。 错误二: 将输入误以为是 "反馈指令" 再以 [ Cool Teacher ] 提示词为例, 我们本意是让 Teacher 来帮我们解释一个个的概念, 没想和他对话, 只需要我们给它概念, 它来输出解释即可. 但实际使用时, GPT 会将某些词汇理解成你和它的对话, 将它们当成了反馈指令. Cool Teacher 提示词可以在高质量提示词合集中找到：https://aq92z6vors3.feishu.cn/wiki/QaArwzc7biR5nqkSo3mcwzGfnhf Cool Teacher 提