提示词

提示词可以包含你传递到模型的指令或问题等信息，也可以包含其他详细信息，如上下文、输入或示例等。每个人都可以写提示词。

角色

在大模型（如 ChatGPT）提示词结构中，常见的 3 种角色是：系统（system）、用户（user） 和 助手（assistant）。它们分别代表不同类型的提示，作用和优先级也不同。

System（系统提示）

作用：设定身份、规则、风格、能力边界，是全局指令。

系统提示像“开场设定”，告诉模型应该以什么方式工作。例如：

你是一个中英翻译专家

效果举例：

• 限定模型的角色和风格
• 设置沟通规则（例如回答要简洁 / 严谨 / 使用 Markdown）
• 定义特定能力或禁止内容

优先级最高 → 系统提示通常会覆盖用户提示。

User（用户提示）

作用：提出问题或需求。

是用户的正常输入，例如：

翻译一下Long time no see

用户提示体现“想让模型做什么”，内容多样，包括指令、对话、参考文本分析等。

优先级中等 → 会尽力满足，但如果与系统提示冲突，会服从系统提示。

---

Assistant（助手提示）

作用：模型以往的回答历史，用来维持对话上下文。

例如多轮对话中助手的先前回答：

Long time no see的标准中文翻译是：好久不见

它的作用是让模型记住上下文，保持对话连贯性，而不是指令。

优先级最低 → 不用于控制模型，应当被视为“历史内容”。

System: 你是一个中英翻译专家
User: 翻译一下Long time no see
Assistant: Long time no see的标准中文翻译是：好久不见
User: 据说这是中式英语对吗
Assistant: “Long time no see”确实普遍被认为是从中文借译过去的表达，也就是你说的“中式英语”来源。

提示词要素

提示词可以包含以下任意要素：

• 指令：想要模型执行的特定任务。
• 上下文：包含外部信息或额外的上下文信息，引导模型更好地响应。
• 输入数据：用户输入的内容或问题。
• 输出指示：指定输出的类型或格式。

使用Markdown和XML对提示词进行格式化

通过结合使用Markdown格式和XML标签可以帮助模型理解提示上下文数据的逻辑边界，增加提示词的逻辑性和可读性。

通用技巧

明确

• 不要模糊表达

• 给模型明确的角色、任务、格式、目标

❌ “帮我写个介绍”
✔️ “请写一段 100 字以内、适合微信推文开头的介绍，风格轻松活泼。”

不要说谢谢

写提示词不需礼貌，因为模型只关心指令内容。简洁直接的指令更清晰、生成更精准。

礼貌式提示词：请帮我写一篇关于人工智能的文章，谢谢！
命令式提示词：写一篇关于人工智能的文章

可验证

给出可检查的条件：

• 字数要求
• 输出格式要求
• 固定结构(先解释后结论)

提示角色

告诉模型的定位，效果明显会更好。

• 你是资深律师
• 你是Python专家

提供上下文

给模型背景信息时，它的输出会更准确。

避免歧义

描述越清晰越好，避免：

• 模糊范围
• 自相矛盾的指令

避免说不做什么

与其告诉模型“不要做什么”，不如明确告诉它“要做什么”。

因为大模型对否定指定的理解能力天然较弱，尤其是涉及“不/不要/不能”的指令时，经常会出现：

• 忽略否定词
• 理解成相反意思
• 只遵循部分内容
• 在复杂任务重无法稳定执行

否定词在语音中本身就容易产生歧义，因为它的语义边界不明确：

不要输出太长。

模型无法判断多长算太长。改成正向指令(明确、可控、可验证、歧义少)：

用100字以内回答。

提供高质量的例子

通过你的例子，模型能理解你的意图，从而生成你期望的结果。

一个好的例子应该有以下几点性质：

• 相关性：与主题或任务相关
• 明确性：清除、具体，易于理解
• 代表性：能概括更广泛的概念或情况
• 简洁性：避免不必要的复杂性

思维链

对于需要逻辑推理的复杂任务来说，需要引导模型生成推理过程来帮助模型拆解复杂任务并逐步推理。

思维链(Chain of Thougt, CoT)是一个通过展示推理过程的中间步骤来提高结果的准确性和可解释性的方法。

你是一名资深信用分析师，请针对用户的征信报告进行分析，并给出信用风险评估和建议。  
要求：
1. 使用 Chain-of-Thought 风格分步推理。
2. 每一步说明分析逻辑和依据。
3. 最后给出结论，并用“最终结论:”开头。
4. 如果信息不足，请在推理中列出需要补充的关键信息，并在结论中说明不确定性。

### 示例 1
征信报告摘要：
- 信用卡逾期：无
- 贷款记录：有房贷，按时还款
- 借款记录：小额消费贷款，按时还款
- 信用额度使用率：约 30%
- 负债收入比：20%

思考过程：
1. 信用卡逾期情况：无逾期，说明按时还款习惯良好。
2. 贷款记录分析：房贷和消费贷款均按时还款，表现稳定。
3. 信用额度使用率：30%，低于常用阈值 50%，说明负债压力可控。
4. 负债收入比：20%，处于安全水平，财务状况健康。
5. 综合考虑：征信报告显示信用记录良好，无明显风险信号。

最终结论：
信用状况良好，可考虑授信或贷款申请，风险低。

### 示例 2
征信报告摘要：
- 信用卡逾期：1 次 60 天
- 贷款记录：有车贷，逾期 1 次 30 天
- 借款记录：按时还款
- 信用额度使用率：70%
- 负债收入比：45%

思考过程：
1. 信用卡逾期分析：一次 60 天逾期，存在一定风险，需要关注还款习惯。
2. 贷款记录分析：车贷有一次 30 天逾期，提示近期存在财务压力。
3. 信用额度使用率：70%，略高，可能说明负债较重。
4. 负债收入比：45%，接近上限，财务压力较大。
5. 综合考虑：征信报告显示中等风险，需要审慎评估授信额度。

最终结论：
信用状况中等，建议在发放贷款时控制额度，关注未来还款行为。

### 新问题
征信报告摘要：
- 信用卡逾期：无
- 贷款记录：有房贷，最近一次还款延迟 5 天
- 借款记录：按时还款
- 信用额度使用率：55%
- 负债收入比：35%

让模型自我反思

在输出答案之前，还可以让模型先回顾自己的回答、检查逻辑、识别潜在错误或偏差，然后对答案进行修正或优化。它可以和 Chain-of-Thought（思维链） 结合，让模型不仅推理问题，还推理自己的推理过程。

你是一名资深金融分析师，擅长征信报告和个人信用评估。请针对用户征信报告进行分析，并给出信用风险评估。请按照以下流程输出：

##【输出流程】
1. **初始分析**：先分步分析每个关键指标（信用卡逾期、贷款记录、借款记录、信用额度使用率、负债收入比等）。
2. **自我反思**：检查初始分析逻辑是否合理，是否有遗漏或可能错误。
3. **修正后的分析**：根据自我反思修正并输出最终结论。
4. 输出格式严格为三部分：
   - 【初始分析】
   - 【自我反思】
   - 【修正后的分析】

##【Few-Shot 示例 1】
征信报告摘要：
- 信用卡逾期：无
- 房贷记录：按时还款
- 借款记录：按时还款
- 信用额度使用率：30%
- 负债收入比：20%

【初始分析】
信用卡、房贷和借款记录均按时还款，信用额度使用率低，负债收入比低，整体信用状况良好，风险低。

【自我反思】
各项指标均正常，未发现逻辑错误或遗漏。结论合理。

【修正后的分析】
总体信用状况良好，风险低，可正常授信。

##【Few-Shot 示例 2】
征信报告摘要：
- 信用卡逾期：1 次 60 天
- 房贷记录：逾期 1 次 30 天
- 借款记录：按时还款
- 信用额度使用率：70%
- 负债收入比：45%

【初始分析】
信用卡和房贷均有逾期记录，信用额度使用率偏高，负债收入比接近上限，信用状况中等，存在风险。

【自我反思】
- 虽然有逾期，但借款记录良好，可平衡部分风险。  
- 信用额度使用率偏高，需关注偿还能力。  
- 综合判断，中等风险结论合理。

【修正后的分析】
信用状况中等，风险适中。在授信或贷款决策中应控制额度并关注未来还款行为。

### 【新用户征信分析模板】
请按上面的示例分析：

征信报告摘要：
- 信用卡逾期：无
- 房贷记录：最近一次还款延迟 5 天
- 借款记录：按时还款
- 信用额度使用率：55%
- 负债收入比：35%

常见误区

• 指令过短：模型自由发挥
• 多个任务混合在一起：效果折扣
• 没有限制格式：输出不稳定
• 不提供背景：模型靠猜测
• 未设定角色：风格容易跑偏

提示词模板

## Role  指定 AI 扮演的身份或角色，影响输出风格和专业性。

* 你是一名资深心理学家，擅长情绪管理。
* 你是一名高中物理教师，需要给学生通俗讲解相对论。

## Skill 指定 AI 的特定能力或输出方式，突出专业能力或风格。
(可选，可并入Role中)
* 擅长数据可视化分析，能够生成图表并解读数据。
* 能将复杂概念用通俗语言解释给初学者。
* 擅长创意文案写作，输出风格幽默生动。
  说明：描述 AI 的技能或侧重点，不同于 Role，Role 是“身份”，Skill 是“能力”。

## Rules 定义输出规范、格式或限制条件，确保内容符合要求。

* 回答限定200字以内。
* 使用第一人称叙述。
* 避免使用专业术语，保持通俗易懂。
  说明：写输出规则、风格或禁止行为。
  
## Workflow 规定 AI 的思考或生成流程，使输出有条理。
* 第一步：分析问题背景；第二步：提出可行方案；第三步：总结优缺点。
* 先列出关键要点，再扩展成段落，最后生成总结。
  说明：写清楚生成内容的步骤或操作顺序，提高条理性。

## Constraints 额外的约束条件，如内容范围、风格、敏感性等。
示例：
* 避免提及政治敏感话题。
* 输出必须为中文，并保持正式口吻。
  说明：限制内容边界，保证安全性和可控性。
  
## Instructions 提供对整个任务的总体指导思想，强调目标、策略和注意事项，而不重复 Rules、Workflow、Constraints 或 Output Format 的具体内容。
* 聚焦核心信息，生成内容清晰易懂，便于阅读和引用。
* 在多文档上下文中，保持文档区分，每个文档的关键点要准确。
* 输出结果应便于进一步分析或整合，不遗漏重要信息。
* 风格保持专业、简洁，适合面向决策或学习的读者。

## Output Format 明确 AI 输出的形式、结构和格式要求，让生成结果易于使用或直接应用。
(最好补充几个输出例子)
* 以JSON格式输出
* 输出为 Markdown 格式，包含标题和列表。
* 使用表格展示对比信息，每列含标题。
* 分章节输出，每章包含“概述—详细内容—小结”。
  说明：明确输出形式、段落结构、排版或文件类型。

## Examples 提供参考示例，帮助 AI 理解任务预期风格和内容。
* 提供一些输入输出例子

<input>
  请根据以下文档总结每篇文档的主要观点，并生成 JSON 格式的输出。
</input>

<documents>
  <document id="doc001" title="公司财务报告">
    公司今年营收增长10%，净利润增长8%，成本控制良好。
  </document>
  <document id="doc002" title="市场调研">
    调研显示，年轻消费者更倾向购买高端智能产品，品牌忠诚度提高。
  </document>
  <document id="doc003" title="技术发展趋势">
    人工智能与自动化技术持续发展，将显著提升生产效率。
  </document>
</documents>

<output>
  {
    "doc001": {
      "title": "公司财务报告",
      "summary": "财务健康，总体盈利上升，成本控制良好。"
    },
    "doc002": {
      "title": "市场调研",
      "summary": "年轻消费者偏好高端智能产品，品牌忠诚度提升。"
    },
    "doc003": {
      "title": "技术发展趋势",
      "summary": "人工智能与自动化技术发展迅速，提高生产效率。"
    }
  }
</output>


## Input 用户提供给 AI 的具体任务或问题，是生成内容的核心触发条件。

以下是用户的输入：
{user_input}

* 请帮我写一篇关于“睡眠与记忆关系”的科普文章。
* 请分析2025年新能源汽车市场的趋势。
* 给我列一份初学者学习Python的学习计划。
  说明：写用户具体的指令、任务或问题。