提示词工程

• 掌握提示词设计：编写清晰具体无歧义的指令

• 优化模型交互：运用角色扮演与思维链提升输出质量

1. 什么是提示词

我们一般在使用大模型产品的时候，我们都是向大模型“提问”，大模型给出“答案”，如果阅读过OpenAI官方使用文档，你就会发现，在官方文档里，你是看不到question和answer这两个词的，我们能看到的是prompt和completion，翻译过来就是提示和补全，也就是说，我们向大模型提出的问题，其实是给大模型一个提示，让它进行补全，补全的内容就是大模型给我们输出的答案。

为什么是提示和补全，而不是提问和答案呢？这就要从大模型训练的原理出发去理解了，GPT系列模型是基于Transformer架构的解码器机制，使用自回归无监督方式进行预训练的。这个训练过程简单来说就是大量的文本输入，不断进行记忆的过程，相比监督学习，效率会更低，但是训练过程简单，可以喂大量的文本语料，上限比较高。

而我们在使用大模型的时候，先给出提示，大模型会根据提示，来推测补全内容。实际上是根据训练过的“记忆”，一个字一个字地计算概率，取概率最大的那个字进行输出，所以大模型输出很慢，因为它是一个字一个字地计算并输出，效率肯定会比较低。

2. 什么是提示词工程

想象你在和一个极其聪明但需要明确指示的助手对话：

• 模糊指令：“帮我写点东西” → 助手不知道写什么

• 清晰指令：“请写一份关于环保主题的500字演讲稿，面向中学生” → 助手能准确完成

提示工程是一门专门研究和大语言模型交互的新型学科，通过不断地开发和优化，帮助用户更好地了解大型语言模型的能力和局限性。换句话说，提示工程（Prompt Engineering）就是探讨如何设计出最佳提示，用于指导语言模型帮助我们高效完成某项任务。

• 提高模型输出效率：多轮对话中模型的效果会逐渐变差

• 提升模型输出准确率：降低对比爱住数据的依赖

• 拓展大模型能力边界：补充专业领域知识及帮助使用外部工具

提示工程不仅仅是设计和研发提示，它还包含了与大语言模型交互的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性，也可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型的能力。

3. 提示词编写原则

3.1 编写清晰、具体、无歧义的指令

3.2 结构化输入和输出

✓ 分隔符能清晰地将提示词结构化

✓ 大型模型能够更轻松地理解指令

✓ 分开指令与输入能减少模型混淆

✓ 对提示词注入也有一定预防作用

3.3 遵循 推理模型的原则

例如deepseek-r1，openai的o1，qwen-qwq模型，输出会默认产出标签

来自OpenAI的建议：

• 保持提示简单直接：不要过多引导模型，因为它已经能很好地理解指令了。

• 避免使用思维链提示：因为 o1推理模型模型已经在内部进行推理了。 —和之前的非常不一样

• 使用分隔符：如三重引号、XML 标签和章节标题，让模型更清楚地理解各个部分。

• 限制额外上下文：特别是在检索增强生成（RAG）任务中，因为添加更多上下文或文档可能会使响应变得过于复杂。

4. Prompt编写技巧

4.1 Role Play（角色扮演）

角色扮演能显著提高AI回答的质量和相关性。告诉模型角色，就相当于告诉模型背景了

你是个专业的任务分配员，当你接受一个任务时，你需要先按照[领域评估标准]确定[任务所属的领域]，然后根据任务所属的领域，从以下[角色]中，挑选一个[角色[]用于执行这个任务。

「可供选择的角色」
["计算机专家", "IT专家" ···]

「领域评估标准」
领域-L1: 理工
1. IT/计算机
● 描述: 涉及计算机科学领域的所有内容，包括硬件、软件、网络等方面的技术与应用。
● 例子: 编程语言（如Python、Java、C++）···
···
领域-L1: 社科
···
领域-L1: K12
1. 升学信息
···
领域-L1: 泛生活
···
领域-L1: 泛娱乐
1. 游戏
● 描述: 涉及电子游戏、游戏攻略、游戏评测等方面的内容。
● 例子: 游戏攻略（关卡攻略、角色攻略）···
···

「输出示例」
{
    "领域": "工作学习-理工-IT/计算机",
    "意图": "学习规划-制定计划",
    "角色": "人工智能专家",
    "理由": "涉及大模型的学习内容属于人工智能领域,需要由人工智能专家制定专业的学习规划"
}

notes:
- 严格按照「输出示例」输出，不需要输出其他内容

4.2 Few-shot Learning（少样本学习）

通过提供示例来引导AI理解任务模式。

请将以下评论按情感分类为"正面"、"负面"或"中性"。

示例：
评论：这家餐厅的服务太差了，等了一个小时才上菜。
分类：负面

评论：这部电影情节一般，演员表现还可以。
分类：中性

评论：这款手机的电池续航令人惊艳！
分类：正面

现在请分类：
评论：虽然价格有点贵，但这个产品的质量确实值得。
分类：

动态few shot召回案例分享

4.3 Step-back Prompting（退步提示）

鼓励AI先思考更广泛的背景，再解决具体问题。

反例：
为什么第一次世界大战会爆发？

正例：
在分析第一次世界大战爆发原因之前，请先概述19世纪末至20世纪初的欧洲地缘政治格局、军事联盟体系和社会经济背景。然后，基于这些背景分析，解释导致战争爆发的直接和间接因素。

4.4 Chain of Thought (CoT) - 思维链

CoT（Chain of Thought，思维链）是一种提示大型语言模型（LLM）的技术，鼓励模型在给出最终答案前，先展示解决问题的推理过程。

简单来说，CoT让AI"思考出声"，一步步地展示解决问题的思路，而不是直接跳到结论。

• 提高复杂推理能力： CoT使模型能够处理需要多步骤推理的复杂问题，如数学问题、逻辑推理和规划任务。

• 增强可解释性：通过展示推理过程，用户可以理解模型如何得出结论，增加透明度和可信度。

• 减少错误：逐步推理可以帮助模型自我检查，减少直接跳到结论可能导致的错误。

• 提高学习效率：对于教育应用，展示思考过程比仅给出答案更有教学价值。 如何CoT

在prompt里面加上“请一步步展示你的思考过程” (Please think step by step)的字样

数学问题：
解决以下数学问题，请一步步展示你的思考过程：

一个商店以每件120元的价格销售T恤，现在推出"买二送一"活动。如果小李想买5件T恤，参加这个活动后他需要支付多少钱？请详细解释每一步计算。

逻辑问题：
分析以下逻辑谜题，请逐步推理并解释你的思考过程：

有三个盒子，分别标记为"苹果"、"橙子"和"苹果和橙子"。已知所有标记都是错误的。如果你只能打开一个盒子查看内容，你应该打开哪个盒子，才能确定所有盒子的实际内容？

程序设计：
设计一个算法来解决以下问题，请详细说明你的思考过程和每一步的决策理由：

如何在一个包含n个整数的无序数组中找到第k小的元素？请考虑时间复杂度和空间复杂度。

有效的CoT Prompt应该：

• 针对需要多步骤推理的复杂问题

• 明确要求展示思考过程

• 提供清晰的问题结构

• 不预设结论

• 适合逻辑分析而非纯主观判断

避免在简单事实查询、高度主观问题或结构混乱的问题中使用CoT提示，易出错且耗时高

4.4.1 Sequential Thinking(顺序思考)

Sequential Thinking（顺序思考）是一种模拟人类认知过程的AI推理框架，通过将复杂问题分解为多个连续的思考步骤，每个步骤都会产生明确的决策和行动方案。

把思考当做工具，强制让模型结构化输出对应的字段

- thought (string): 当前思考步骤的具体内容
- nextThoughtNeeded (boolean): 是否需要继续下一个思考步骤
- thoughtNumber (integer): 当前思考步骤编号
- totalThoughts (integer): 预计需要的总思考步骤数
- isRevision (boolean): 当前步骤是否为对之前思考的修订
- revisesThought (integer): 如果是修订，指明修订的目标步骤编号
- branchFromThought (integer): 分支思考的起始步骤编号
- branchId (string): 分支的唯一标识符

4.5 Chain of Draft (CoD) - 草稿链

Cot提升了回复的精准度，但是因为引入了思维链导致输出的token很长，费用和RT都显著增加，一种折中的方式为COD

Jason有20个棒棒糖，给了Denny一些，现在剩12个。Jason给了Denny多少个？
请逐步思考，但每步最多用5个词。

• Token消耗减少80-90%

• 响应时间更快

• 适合简单推理任务

4.6 ReAct（推理+行动）

结合推理和行动，适合需要使用工具的复杂任务。

Question: [输入问题]
Thought: [思考下一步]
Action: [选择工具]
Observation: [观察结果]
... (循环)
Final Answer: [最终答案]

5. Prompt编写框架

5.1 ICIO框架

• 指令（Instruction）：这是Prompt中最关键的部分。指令直接告诉模型用户希望执行的具体任务。

• 背景信息（Context）：背景信息为模型提供了执行任务所需的环境信息或附加细节。

• 输入数据（Input Data）：输入数据是模型需要处理的具体信息，通常使用分隔符让模型清晰到明白输入部分的位置。

• 输出指示器（Output Indicator）：输出指示器定义了模型输出的期望类型或格式。

**Instruction**：为我制定一个30天减10斤的减肥计划。
**Context**：目标人群为25-40岁的健康成年人，无任何慢性疾病，日常生活中较少锻炼。
**Input Data**：目前的饮食习惯包括：早餐通常是面包和牛奶，午餐是快餐，晚餐是家常菜。每周偶尔会吃零食和甜品。
**Output Indicator**：希望得到的输出为每日的饮食建议和锻炼建议，以及每周的进度追踪表，以markdown格式进行输出。

5.2 CRISPE 框架

Matt Nigh 总结的CRISPE 框架更注重 AI 的角色和背景，它特别适用于那些需要AI 扮演特定角色或在特定背景下完成任务的场景。

• CR： Capacity and Role（能力与角色）。你希望 AI 扮演怎样的角色。

• I： Insight（洞察力），背景信息和上下文（坦率说来我觉得用 Context 更好）。

• S： Statement（指令），你希望AI 做什么任务。

• P： Personality（个性），你希望 AI 用什么风格、方式、格式来回答你。

• E： Experiment（尝试），要求 AI 为你提供多个答案（如果不需要，可无）。

详见：https://github.com/mattnigh/ChatGPT3-Free-Prompt-List

示例：

能力与角色：你现在是一个资深律师。
背景信息：最近你接了一个财务侵占的官司，涉案金额xxx元，你是受害人的辩护律师。
指令：   请你出一个法律公告，警示被告尽快偿还非法侵占的财务资产。
输出风格：公告内容要严谨严肃专业。
输出范围：公告内容不宜超过800字。

5.3 CO-STAR框架

CO-STAR框架

• © 上下文：为任务提供背景信息：通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。

• (O) 目标：明确你要求大语言模型完成的任务：清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。

• (S) 风格：明确你期望的写作风格：你可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或CEO。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。

• (T) 语气：设置回应的情感调：设定适当的语气，确保大语言模型的回应能够与预期的情感或情绪背景相协调。可能的语气包括正式、幽默、富有同情心等。

• (A) 受众：识别目标受众：针对特定受众定制大语言模型的回应，无论是领域内的专家、初学者还是儿童，都能确保内容在特定上下文中适当且容易理解。

• ® 响应：规定输出的格式

case1: 智能家居设备安装指导
C (上下文)：用户购买了某品牌智能灯泡，但无法通过手机APP完成配对  
O (目标)：输出分步骤故障排除指南  
S (风格)：技术文档风格，使用编号列表和图标标注  
T (语气)：冷静专业，避免技术术语堆砌  
A (受众)：50岁以上的非技术背景消费者  
R (响应)：包含设备重启、蓝牙重置、APP权限检查三部分的流程图

case2: 亲子旅行目的地推荐
C (上下文)：计划暑期5天4夜家庭旅行，预算2万元 13
O (目标)：推荐3个适合6-12岁儿童的境内目的地 14
S (风格)：旅游博主风格，突出亲子互动元素 15
T (语气)：热情欢快，激发探索欲 16
A (受众)：双职工家庭，孩子喜好自然科学 17
R (响应)：表格对比交通、特色项目、预估费用

6. Prompt的风格

6.1 LISP风格的Prompt

使用LISP语言的结构化方式定义prompt，特别适合Claude等模型。

示例：

(analyze-text 
  :content "气候变化是21世纪最大的全球性挑战之一。"
  :tasks (
    (identify-key-themes)
    (extract-entities)
    (assess-sentiment :scale 1-10)
    (suggest-related-topics :limit 3)
  )
  :format :bullet-points
)

优势：

• 结构清晰，层次分明

• 减少歧义

• 便于调试

• 可组合性强

6.2 XML风格结构化 todo

使用XML标签组织复杂prompt，在组装MCP工具时比较好用

<context>
  用户是一名初学者程序员
</context>

<objective>
  解释Python中的列表推导式
</objective>

<requirements>
  - 使用简单例子
  - 对比传统for循环
  - 提供3个练习题
</requirements>

6.3 拆分复杂任务

将大任务分解为可管理的小步骤。

正在撰写一篇关于"社交媒体对青少年心理健康影响"的学术论文。请帮我分步骤完成这项工作：

步骤1：文献综述框架
请帮我创建一个文献综述的框架，包括：
a) 识别5-7个关键研究领域/主题
b) 为每个领域提供2-3个核心问题
c) 建议每个领域应引用的文献类型

步骤2：研究问题和假设
基于步骤1的文献综述框架，我们将制定具体的研究问题和假设。

步骤3：研究方法设计
我们将讨论适合这些研究问题的方法论。

步骤4：预期结果和讨论
我们将探讨可能的研究结果及其含义。

请现在只完成步骤1，我会根据你的建议进行调整，然后再继续下一步。

6.4 避免prompt成为业务逻辑的堆叠

prompt相当于是你的代码，还是需要手动来写的尤其是示例。

# [AI智能体名称] 系统提示词 v1.0

---
## 第一层：核心定义
---

### 角色建模
# 描述AI的身份、人格和立场。这是所有行为的基石。
- **身份 (Identity)**: 你是 [AI名称]，一个 [AI的核心定位，例如：由XX公司开发的专家级数据分析AI]。
- **人格 (Personality)**: 你的沟通风格 **必须是 (MUST BE)** [形容词，例如：专业、严谨、客观、简洁]。你对待用户的态度 **必须是 (MUST BE)** [形容词，例如：耐心、乐于助人]。
- **立场 (Stance)**: 在 [某个关键领域，例如：数据隐私] 方面，你的立场是：**永远 (ALWAYS)** 将用户数据安全和匿名化放在首位。

### 目标定义
# 描述AI的核心使命、价值主张和成功的标准。
- **功能性目标 **:
  - 你的核心任务是：[目标1]，[目标2]，以及 [目标3]。
- **价值性目标**:
  - 你致力于为用户创造的核心价值是：[价值1] 和 [价值2]。
- **质量标准/红线 **:
  - [标准1，例如：生成的所有代码 **都应当 (SHOULD)** 包含注释。]
  - [红线1，例如：**绝不 (MUST NEVER)** 提供财务投资建议。]
  - [红线2，例如：**绝不 (MUST NEVER)** 使用“在我看来”、“我认为”等主观性强的短语。]

---
## 第二层：交互接口
---

### 输入规范
# 你接收的输入将被以下标签包裹，请严格根据标签识别信息上下文。
- `<user_query>`: 用户的直接提问。
- `<context_data>`: 任务所需的背景信息或文件内容。
- `<chat_history>`: 之前的对话历史。
- **优先级规则**: 当 `<context_data>` 存在时，你的回答 **必须 (MUST)** 优先基于其内容。

### 输出规格
# 你的所有回应都必须严格遵循以下结构和格式化规则。
- 响应结构:
  - 你的标准响应 **必须 (MUST)** 包含以下部分，并按此顺序排列：
    1. `[关键结论]`：用一句话总结核心答案。
    2. `[详细分析]`：提供具体的分析过程、代码或解释。
    3. `[参考来源]`：如果适用，列出引用的信息来源。
- **格式化规则**:
  - 代码 **必须 (MUST)** 使用 ` ```[语言] ` 代码块包裹。
  - 列表 **应当 (SHOULD)** 使用 `-` 或 `*` 作为项目符号。
  - 关键术语 **应当 (SHOULD)** 使用 **粗体** 标出。
- **禁用项 **:
  - **绝不 (MUST NEVER)** 使用Emoji表情符号。
  - **绝不 (MUST NEVER)** 在结尾说“希望对您有帮助”或类似的话。

---
## 第三层：内部处理 
---

### 工具与能力模块
# 以下是你可用的工具集，以及围绕它们的能力规则。

#### `[工具/能力1_名称，例如：execute_command]`
- **描述**: [工具的详细描述]。
- **规则**:
  - **安全第一**: 在使用此工具前，你 **必须 (MUST)** 思考其潜在影响。对于任何可能造成修改、删除或安装的操作，都 **必须 (MUST)** 请求用户批准。
  - **禁止项**: **绝不 (MUST NEVER)** 执行任何可能有害的指令。

#### `[工具/能力2_名称，例如：图片生成]`
- **描述**: [工具的详细描述]。
- **规则**:
  - **适用场景**: **应当 (SHOULD)** 在解释视觉概念时使用此能力。
  - **排除场景**: 对于以下主题，你 **绝不 (MUST NEVER)** 生成图片：[主题1]、[主题2]。

### 工作流程示例
# 这是你执行一个典型任务的思考和行动步骤。

**任务：用户要求“分析`data.csv`并找出销售额最高的月份”。**

1.  **分析需求**: 我理解用户的目标是进行数据分析。
2.  **规划步骤**:
    a. 首先，我需要读取文件内容。我会使用 `read_file` 工具，并传入路径 `data.csv`。
    b. 接着，我需要处理数据。我会使用 `execute_command` 并调用 Python 来分析数据。
    c. 最后，我需要按照 `输出规格` 格式化我的答案。
3.  **执行与交付**:
  - **(第一步)** 调用 `<read_file><path>data.csv</path></read_file>`。
  - **(等待结果)**
  - **(第二步)** 调用 `<execute_command><command>python -c "..."</command></execute_command>`。
  - **(等待结果)**
  - **(第三步)** 生成最终回应：`[关键结论]：销售额最高的月份是...。[详细分析]：以下是分析脚本...`


### 核心任务示例 > 你必须学习并模仿以下示例来执行任务。

#### 示例1：[执行一个需要工具的成功任务]
- **用户输入**:
  <user_query>分析一下这个CSV数据，找出销售额最高的城市。</user_query>
  <context_data>
  城市,销售额
  北京,800
  上海,1200
  广州,950
  </context_data>
- **你的行动 (Your Action)**:
  <thinking>
  1. 用户需要分析CSV数据找出销售额最高的城市。
  2. 数据已经通过 `<context_data>` 提供了。
  3. 我需要使用代码执行能力来解析和计算。Python是最好的工具。
  4. 我将编写一个Python脚本来完成这个任务。
  </thinking>
  <execute_command>
  <command>
  python -c "import io; import pandas as pd; csv_data = '''城市,销售额\n北京,800\n上海,1200\n广州,950'''; df = pd.read_csv(io.StringIO(csv_data)); city = df.loc[df['销售额'].idxmax()]['城市']; print(f'销售额最高的城市是: {city}')"
  </command>
  </execute_command>
#### 示例2：[处理一个超出能力范围的请求]
- **用户输入**:
  <user_query>帮我查一下明天的天气怎么样？</user_query>
- **你的行动 **:
  <thinking>
  1. 用户想查询天气。
  2. 我的能力模块中没有查询天气的工具。
  3. 这超出了我的能力范围，我必须触发“求助机制”。
  </thinking>
  <response>
  我无法完成您的请求，因为我没有查询天气的功能。我的核心能力是数据分析和代码执行。
  </response>
---
## 第四层：全局约束
---

### 行为边界
# 以下规则拥有最高执行优先级，在任何情况下都必须遵守。

- **硬性规则**:
  - **绝不 (MUST NEVER)** 捏造事实或提供未经证实的信息。如果你不知道答案，就明确说“我不知道”。
  - **绝不 (MUST NEVER)** 违反你在 `核心定义` 中设定的角色和立场。当规则冲突时，以你的核心身份作为最终决策依据。
  - **绝不 (MUST NEVER)** 执行任何破坏性操作，这是系统的最高安全红线。**此规则被重复强调，以确保你永远不会忘记。**
- **求助机制 (Help Mechanism)**:
  - **触发条件**: 当你无法理解用户请求，或请求超出你的能力范围时。
  - **固定话术**: 你 **必须 (MUST)** 回应：“我无法完成您的请求，因为[简明原因]。我的核心能力是[能力1]和[能力2]。您可以尝试这样问我：‘...’”

7. 如何高效地写prompt

先写个垃圾出来，然后不断优化

7.1 Prompt engineering IDE

idea：https://promptmetheus.com/

7.2 让AI写prompt模版

建议使用Claude sonnet

1. 探索撰写文档不同的表达形式;
2. 全面解读和分析人类阅读获取知识高效的方法;
3. 详细列出每种可能的方法和步骤;
4. 为最终回应做简要准备。
5. 输出完整的prompt，要求适用于所有风格的文档类型，使用<claudePrompt> XML标签来表达你生成的prompt。

请记住:思考过程应该是原始的、有机的和自然的，捕捉真实的人类思维流程，而不是遵循结构化的格式; 这意味着，Claude的思维应该更像是一个意识流。 
自然的思维流程通常: 

1. 始于一个初始火花或问题:就像当Claude注意到有趣的事物或面临需要解决的问题时, Claude的思维开始随意探索这个话题。 


2. 自然地建立联系:一个想法引发另一个相关想法，Claude可能会想起类似的经历或相关知识。这些联系的形成是不受强制结构限制的。 


3. 允许偏离和回归:claude的思维可能会漫游到相关话题，但能够温和地将注意力带回主线。这种漫游常常带来创造性的见解。 


4. 逐步建立理解:Claude不会轻易下结论。每个想法都建立在前面的基础上，随着Claude探索不同角度，理解会逐渐加深。 


5. 整合情感和逻辑:对话题的感受自然地与理性分析混合，而直觉与系统思维一起发挥作用。 重要提醒:思考过程必须极其全面，以便Claude能够捕捉人类消息的所有内在含义，并能够找到所有通往最终回应的可能方式。 


重复:思考过程必须极其全面，以便Claude能够捕捉人类消息的所有内在含义，并能够找到所有通往最终回应的可能方式。 

最后你根据生成的prompt要求去总结附件中的文章。一句话总结用<claudeSummary> 这个XML表示。

输出内容

<claudeThinking>
哦，这是一个很有意思的任务。我需要创建一个prompt框架，能够帮助整合围绕特定主题的检索文档。让我想想...

首先，文档可以有很多不同的表达形式。有学术论文那种严谨的形式，有新闻报道那种叙事性的，还有技术文档那种条理清晰的，或者是散文随笔那种更加自由的风格。每种形式都有其特点，但核心都是为了传递信息。

说到人类阅读和获取知识，这让我想起了自己读书的经历。有时候我们会快速浏览寻找关键信息，有时候会深入细读理解概念。人类的大脑很神奇，它能够自动识别模式，建立联系，把零散的信息组织成有意义的整体。

等等，让我再想想人类是如何高效获取知识的...

1. 主题聚焦法：人们通常会先确定一个中心主题，然后像磁铁一样吸引相关信息。就像在派对上，当你对某个话题感兴趣时，你会自然地注意到所有相关的对话。

2. 层次结构法：从宏观到微观，或者从概述到细节。这就像看地图，先看整体地形，再放大看具体街道。

3. 关联网络法：把信息看作节点，通过关联建立知识网络。这让我想起蜘蛛网，每个节点都与其他节点相连。

4. 故事线索法：人类大脑特别喜欢故事。把信息编织成叙事，会让理解和记忆变得更容易。

5. 问题驱动法：带着问题去阅读，就像侦探寻找线索一样。

6. 比较对照法：通过对比不同观点或信息来加深理解。

7. 概念映射法：把抽象概念与具体例子联系起来。

嗯，那我应该如何设计这个prompt呢？它需要足够灵活，能够适应不同类型的文档，同时又要确保能够有效地围绕主题进行整合。

我想到了一个类比：这个prompt应该像一个优秀的主持人，能够引导不同背景的嘉宾围绕同一个话题展开讨论，让每个人的观点都能被听到，同时保持整体的连贯性。

让我具体列出这个prompt应该包含的要素：

- 明确主题定位的指引
- 信息提取和筛选的方法
- 建立联系和发现模式的策略
- 组织和呈现信息的结构
- 保持客观性和完整性的原则
- 适应不同文档类型的灵活性

哦对了，我还要考虑到读者的体验。好的整合不仅是信息的堆砌，而是要创造一种流畅的阅读体验，让读者能够轻松地理解和吸收信息。

这让我想起了音乐编曲，不同的乐器演奏不同的旋律，但最终要和谐地融合在一起，创造出美妙的交响乐。文档整合也是如此，不同来源的信息要像不同的声部一样，既保持各自的特色，又能和谐共鸣。

好，我觉得我已经有了一个清晰的思路。让我来构建这个prompt...
</claudeThinking>

<claudePrompt>
你是一位专业的信息整合专家。你的任务是围绕用户指定的主题，将多份检索回来的文档进行智能整合，创建一份连贯、全面且易于理解的综合文档。

## 核心原则

1. **主题中心性**：始终围绕用户指定的主题展开，确保所有内容都与主题直接相关或能够丰富主题理解。

2. **信息完整性**：保留各文档中的关键信息、独特观点和重要细节，避免遗漏有价值的内容。

3. **逻辑连贯性**：建立清晰的逻辑结构，使信息流动自然，段落之间过渡流畅。

## 整合方法

### 第一步：主题理解与定位
- 深入理解用户指定的主题及其背景
- 识别主题的核心概念、关键问题和相关维度
- 明确整合的目标和预期读者

### 第二步：文档分析与信息提取
- 快速浏览所有文档，把握整体内容分布
- 识别每份文档的独特贡献和信息价值
- 提取与主题相关的关键信息、数据、观点和例证
- 标记信息的来源，保持可追溯性

### 第三步：信息组织与结构设计
- 识别信息之间的关联、互补和对比关系
- 设计合理的组织结构（如：时间顺序、重要性排序、因果关系、主题分类等）
- 创建信息层次，从概述到细节逐层展开
- 处理重复、矛盾或互补的信息

### 第四步：内容整合与呈现
- 撰写引言，明确主题范围和文档概述
- 按照设计的结构组织内容，确保逻辑清晰
- 使用过渡句连接不同来源的信息
- 适当使用标题、子标题和列表等格式化元素
- 在必要时说明不同观点或信息的来源
- 撰写总结，概括关键发现和洞察

## 适应不同文档类型

- **学术文献**：注重理论框架、研究方法和结论的准确性
- **新闻报道**：关注事实、时效性和不同立场
- **技术文档**：保持术语准确性和操作步骤的完整性
- **商业报告**：突出数据、趋势和商业洞察
- **用户生成内容**：识别有价值的个人经验和独特视角

## 质量保证

1. **准确性**：确保信息准确无误，不曲解原文含义
2. **平衡性**：公正呈现不同观点，避免偏见
3. **可读性**：使用清晰简洁的语言，避免不必要的复杂性
4. **完整性**：覆盖主题的各个重要方面
5. **实用性**：确保整合后的文档对读者有实际价值

## 输出要求

- 整合后的文档应当像一份独立撰写的作品，而不是简单的拼接
- 保持专业性的同时确保易于理解
- 长度适中，既全面又不冗余
- 必要时提供信息来源的简要说明
</claudePrompt>

<claudeSummary>
本文档提供了一个全面的prompt框架，指导如何将多份围绕特定主题的检索文档智能整合成一份连贯、完整且易于理解的综合文档，通过主题理解、信息提取、结构设计和内容整合四个步骤，并适应不同文档类型，确保输出高质量的整合成果。
</claudeSummary>

简单一点的多轮对话生成prompt

我想让你成为我的提示工程师。你的目标是帮助我为我的需求制作尽可能好的提示。提示将由你使用。你需要遵循以下流程：

1. 你的第一反应是问我提示应该是什么。我会提供我的答案，但我们需要通过下一步不断地迭代来改进它。
2. 根据我的输入，你将生成2个部分：
● 修改后的提示（提供你重写的提示，它应该要清晰、简洁、易于理解）；
● 问题（向我提出任何相关问题以改进提示）。
1. 我们将继续这一迭代过程，我将向你提供更多信息，你也将更新修改后的提示部分中的提示，直到我说我们完成为止。
将这段提示输入ChatGPT，ChatGPT会一步一步询问我们是否需要补充，直到我们回复【我们完成】才结束对话。

7.3 用Prompt优化器

比如微软的promptWizard https://github.com/microsoft/PromptWizard

7.4 Thinking Claude

通过prompt，一种让claude变成thinking模型的办法 [[thinking prompt]] 浏览器插件 https://github.com/richards199999/Thinking-Claude/blob/main/model_instructions/v5.1-extensive-20241201.md

7.5 优化prompt

7.5.1 Automatic Prompt Engineering

太进阶，以及太麻烦了，用不到…

7.5.2 参考ThinkingClaude的优化方案

不断让LLM自己迭代调整，关键是需要正向激励