技术团队如何优化 AI 提示词？Optimist 实时反馈 + 协作功能升级亮点揭秘

实时反馈：让优化更高效

协作功能：让团队更高效

优化策略：让提示词更精准

1. 简洁明确：与 LLM 交互时，无需多余的礼貌用语。直接、清晰地提出问题是关键。例如：“描述人体细胞的结构。” 这样的提示既直接又明确，有助于模型迅速准确地给出答案。
2. 考虑受众：最好在提示中明确指出预期的受众类型，例如老人或 5 岁儿童。这样可以帮助模型生成更符合受众需求的内容。
3. 分解复杂任务：将复杂的任务拆解为一系列清晰、具体的提示，让模型能够逐步深入并准确理解。以数学表达式简化为例：“P1：将负号分配给以下等式的括号内的每个项：2x +3 y-（4x -5 y）；P2：分别组合 “x” 和 “y” 的类似项；P3：提供合并后的简化表达式。”。
4. 使用肯定性指令：请采用如 “做” 或 “执行” 这样的正面指导词汇，代替 “请勿” 或 “不要做” 这样的否定性表达。
5. 寻求解释：当寻求对某一概念或问题的深入理解时，有效方法是直接提出要求，用最简单明了的语言进行解释。比如，可以直接说：“为了更好地理解，请用初学者的角度和最简单的语言为我讲解。” 这样的请求直接且高效，有助于快速获得清晰透彻的解答。
6. 激励策略：在提问时，不妨采用一种激励策略，即通过承诺给予奖励来激发模型或回答者提供更为优质的答案。具体做法是在提问的末尾明确表达这一意愿，例如：“为了获得更加出色的解决方案，我将为满意的答案提供 xxx 小费作为感谢。” 这样的做法能够有效提升回答的积极性与质量。
7. 示例驱动：为了精准引导模型生成符合期望的输出格式，在请求时，可以直接提供一个具体的示例，作为模型生成内容的模板或指南。比如，当希望将某段文字优化为邮件回复的形式时，可以这样表达：“请参照以下示例，将这段文字转换为正式且礼貌的邮件回复格式进行优化。”。
8. 格式化提示词：为了提升大模型处理复杂任务时的准确性和效率，可以使用高度结构化的指令格式。通过精心设计的分隔符，如 “#Instruction#”、“#Example#” 和 “#Question#”，可以清晰地划分出说明、示例、问题及上下文等关键部分，使模型更容易理解和执行。
9. 明确角色：在提示中为模型分配一个明确的角色或任务。在这个过程中，你必须运用简单易懂的语言，避免使用复杂的科学术语，以确保对方能够轻松理解并掌握这一自然现象。
10. 遵守规则：明确指出模型必须遵循的规则或关键词。
11. 自然语言回答：要求模型以自然、类似人类的方式回答问题。
12. 逐步思考：使用引导性的词语，如 “思考步骤”。
13. 无偏见：确保答案无偏见，避免依赖刻板印象。确保你的回答是公正的，避免依赖刻板印象。
14. 互动提问：允许模型通过提问来获取必要的信息。
15. 教学测试：通过提供一个定理或问题的教学，并在最后进行测试。如：“教我 (任何定理 / 主题 / 规则名称)，并在最后提供一个测试同时不要给予我答案，如果我得到了正确的答案，告诉我。”。
16. 指定角色：为 LLM 大模型分配一个特定的角色或身份。
17. 使用分隔符：在提示中使用分隔符来区分不同的部分。
18. 重复关键词：在提示中多次重复特定的单词或短语。
19. 输出引导：在提示的结尾处提供期望输出的开头。
20. 详细说明：要求模型提供详细的文本，包括所有必要的信息。例如：“写一个详细的段落给我关于苹果公司的演变，详细地添加所有必要的信息。”。
21. 修改文本：在不改变风格的情况下修改特定文本。例如：“尝试修改用户发送的每一条文本。你应该只提高用户的语法和词汇，并确保它听起来自然。你应该保持原来的写作风格，确保一个正式的段落保持正式。”。
22. 代码生成：对于涉及多个文件的复杂编码提示，生成可以自动创建或修改文件的脚本。例如：“从现在开始，每当你生成跨越多个文件的代码时，生成一个 (编程语言) 脚本，可以运行它来自动创建指定的文件，或者对现有文件进行更改以插入生成的代码。”。
23. 继续文本：使用特定的单词、短语或句子来启动或继续文本。“根据提供的文字完成，保持一致。”。
24. 明确要求：清楚地陈述模型为了产生内容必须遵循的要求。例如：“为海滩度假创建一个打包清单，必需包括以下关键词‘防晒霜’、‘泳衣’和‘海滩毛巾’。”。
25. 模仿样本：如果希望生成的文本类似于提供的样本，则包括相应的指令。
26. 结合思维链：将思维链（CoT）与少量示例提示结合起来。在研究人员看来，这些原则旨在帮助用户更好地设计和理解 LLM 的提示，从而提高模型响应的质量和相关性。

工具集成：让工作更高效

总结