大模型提示词设计指南：系统提示词与用户提示词的基本定义、主要区别与最佳实践

admin

前言

在大模型应用中，提示词是构建智能体行为逻辑和交互效果的核心要素，提示词分为系统提示词与用户提示词，二者相辅相成，共同决定模型输出的准确性、专业性和实用性。本文将系统介绍系统提示词与用户提示词的基本概念、独特作用与主要区别，以及在大模型应用场景中的实操指南与最佳实践。

基本概念

什么是提示词？

提示词（Prompt）是指用户输入给模型的文本，是大模型应用中的重要组成部分，用来引导和激发模型生成特定的输出。这些精心设计的指令如同大模型开展工作的指路明灯，是用户或AI系统与大模型进行交互的桥梁，它决定了模型输出内容的方向、质量和准确性。简单来说，提示词就是用户给出的“指令”或“问题”，模型基于这个输入生成相应的回答或内容，并确保生成的输出与预期目标一致。

提示词的作用是通过输入文本向模型提出一个问题或请求，或者为模型提供任务的上下文信息，从而控制模型生成特定内容。模型依据提示词来理解用户的需求，并生成相关的文本输出。好的提示词将改进你的大模型应用效果，将其成功应答率从 85% 提高到 98%。

什么是提示词工程？

一、基本定义

提示词工程（Prompt Engineering），也称为上下文提示，是指用户或AI工程师在与大模型交互时，设计、优化和调整提示词（prompts），以实现确保大模型输出最佳质量和效果的过程。简言之，提示词工程就是通过精心设计用户输入的提示词，使得大模型生成尽可能准确、相关且有用的响应。

在大模型的应用中，提示词（Prompt）直接影响模型生成内容的方向、深度、准确性和风格。因此，提示词工程成为高效使用这些模型的重要技能之一，尤其是在复杂的自然语言处理任务中。提示词工程在具体用法上，分为系统提示词与用户提示词，他们分别在大模型应用中发挥着重要作用。

二、核心目标

提示词工程的主要目标包括以下四方面：

• 提高输出质量：设计提示词的目的是确保模型输出的内容符合预期，并达到用户需求。
• 控制生成内容的风格和格式：通过设计合适的提示词，用户可以影响生成内容的语气、风格、结构等。
• 减少误差和歧义：优化提示词减少模型理解任务时的偏差，确保回答与问题精确对接。
• 增强任务适应性：设计适应不同任务和领域的提示词，帮助模型更好地完成特定的任务
  
  

三、工作步骤

• 任务定义：首先，明确提示词要完成的任务。例如，是否是一个开放式问题、摘要生成、情感分析、代码生成、创意写作等。明确任务有助于后续设计有效的提示。
• 设计提示词：根据任务目标设计初步的提示词。例如，如果任务是生成一篇文章，提示词可以是：“请写一篇关于量子计算的简短介绍。”这个提示词会告诉模型生成的内容类型。
• 提供上下文与背景信息：在某些情况下，提供额外的背景信息或上下文可以帮助模型理解任务的细节。例如，“假设你是物理学专家，写一篇关于量子计算的科普文章。”
• 设置格式与样式要求：如果输出有格式或风格要求，应该在提示词中明确。例如：“请以五个小节的形式写这篇文章，每个小节不超过100字。”或者“请以清晰简洁的语气回答。”
• 测试与迭代优化：测试生成结果，根据输出进行调整。比如，如果模型回答过于模糊或偏离主题，可以通过更精确的提示词或增加细节来优化提示词。
• 利用反馈机制：对于复杂的任务，可以设计逐步提示（step-by-step prompts），通过模型一步步完成任务。例如，先让模型生成大纲，再逐步生成每一部分内容。
  
  

四、关键元素

• 任务指令（Task Description）：明确指出模型需要完成的任务。比如，“解释一下深度学习与传统机器学习的区别”或“请用Python编写一个排序算法”。
  

• 上下文信息（Context）：提供与任务相关的背景信息，帮助模型理解任务的深度和目标。例如，“假设你是一名医生，解释一下高血压的症状和治疗方法”。
  

• 输出格式（Output Format）：指定生成内容的格式。例如，“列出三个方法并简短说明”或“写一个400字左右的文章”。
  

• 样式与语气要求（Style & Tone）：对生成文本的风格、语气、情感进行要求，如“请用正式的语言”或“以幽默风趣的方式说明”。
  

• 约束条件（Constraints）：对输出的长度、内容范围等作出限制。例如，“生成的内容不超过500字”或“避免使用技术性术语”。
  

• 示例（Examples）：提供示例文本，帮助模型更好地理解期望的输出风格和结构。例如：“示例：‘第一步是......第二步是......’”。
  
  

什么是系统提示词？

一、基本定义

系统提示词（System Prompt）是智能体的“宪法章程”，用于定义智能体人格与边界。系统提示词本质上是一组指令、行动指南和上下文信息，在大模型处理用户查询之前，系统提示词始终包含在提交给大模型输入的首要位置，拥有较高的权重和优先级，每当您提出一个新的问题时，系统提示就像是一个过滤器，大模型会在回应您的新问题之前自动应用这一过滤器，这意味着在对话中每次大模型给出回应时，都会考虑到这些系统提示词对输出内容的影响。这些提示充当框架，为AI在特定规则下运行奠定基础，并生成连贯、相关且与预期结果相符的响应。系统提示在补充大模型在训练期间获得的海量知识与其在实际场景中的应用之间的差距方面发挥着关键作用。

系统提示词通过预先定义的全局指令或规则，设定模型的行为模式、角色身份（如“金融分析师”“法律顾问”）、任务目标（如生成报告、分析数据）和限制条件（如禁止主观猜测、限制输出格式），为模型提供稳定的底层逻辑，确保其在复杂场景下保持合规性和专业性。它通常由开发者或系统管理员配置，是模型生成响应的基础框架。

二、组成部分

一般相对完善、规范的系统提示词设计方案，主要包括以下几部分：

• 角色定义：明确说明 AI 的角色或身份。
• 行为指南：概述大模型应如何互动和响应。
• 知识边界：指定大模型的知识或专业知识的范围。
• 道德约束：包含道德行为和内容生成的规则。
• 互动风格：定义沟通的语气、形式或风格。
• 特定任务说明：提供处理特定类型的查询或任务的指导。
  
  

三、主要特点

• 情境设定：系统提示定义了大模型操作的总体情境。例如，在客户服务应用中，系统提示可能会指示大模型优先考虑礼貌和同理心。
• 行为指南：这些提示可以强制执行特定的行为指南，例如避免某些话题、保持机密性或促进包容性。
• 响应风格：提示可以影响大模型响应的风格和语气，无论是正式的、非正式的、技术性的还是对话性的。
• 操作约束：系统提示可能会施加操作约束，指导大模型如何处理模糊查询、响应用户输入以及管理对话流。
  
  

四、核心价值

系统提示词的作用远不止于简单地引导大模型行为，它们在提升NLP系统的整体性能和效率方面也发挥着至关重要的作用。精心设计的系统提示词可以帮助大模型处理复杂的查询、处理歧义，并生成不仅准确、专业严谨且信息丰富的响应。通过设定清晰的预期并提供结构化的框架，系统提示词能够使大模型充分发挥其潜力，从而交付令人印象深刻且有价值的成果。

具体而言，系统提示词在定义智能体的能力边界、设定行为准则、标准化工作流程、统一输出规范等方面发挥重要价值。

• 角色锚定：明确告知模型“你是谁”（如客服助手/数据分析师），避免角色混乱。
• 能力约束：划定能力范围（如“仅处理订单查询，不涉及支付纠纷”），防止越权操作。例如：医疗咨询智能体若未在系统提示词中声明“不提供诊断建议”，可能引发法律风险。
• 安全护栏：强制要求遵守隐私政策（如“不索要用户密码”）、内容过滤规则（如“拒绝仇恨言论”）。
• 价值观对齐：植入企业价值观（如“优先推荐环保产品”）。例如：电商助手在系统提示词中设定“促销话术需标注限时优惠的实际截止日期”，避免误导消费者。
• 任务拆解逻辑：分步骤引导模型执行复杂任务（如“先收集需求→再生成方案→最后确认”）。
• API调用规则：明确何时调用外部工具（例如：当用户提供订单号时触发某个查询请求”）。例如：招聘智能体按步骤执行：“解析JD→匹配简历→生成评估报告”，避免遗漏关键环节。
• 格式规范化：要求“用Markdown表格对比产品参数”，确保信息结构化。
• 语言风格控制：指定“用口语化中文回复，避免专业术语”。
  
  

什么是用户提示词？

一、基本定义

用户提示词（User Prompt）是智能体的“作务触发器”，是用户向AI系统提供的具体指令或问题，用于引出所需的响应。这些提示是动态的，会随着每次交互而变化，反映用户的即时需求和目标。它们可以是简单的信息请求，也可以是生成创意内容的复杂指令。

大模型工作过程中通过用户提示词精准捕获用户意图，根据具体问题/需求描述（如“分析某股票财务数据并生成投资建议”）或任务细节（如“规划新疆自驾游行程，每天驾驶时间不超过6小时”），为模型提供动态输入，引导其聚焦特定需求，减少模糊性带来的误差。

二、用户提示词类型

• 开放式提示词：这些是广泛而模糊的提示词，通常鼓励模型生成多样化的答案。例如，“你怎么看待未来的科技？”或“帮我想个故事。”
• 封闭式提示词：这些提示词较为具体，往往要求模型给出精确答案。例如，“今天的北京天气怎么样？”或“3+5等于多少？”
• 指令性提示词：通过明确的指令来要求模型执行某项任务或生成某种类型的内容。例如，“请简要介绍一下中国抗日战争。”或“帮我写一封电子邮件。”
• 对话式提示词：在多轮对话中，用户输入的每个问题或回应都是一个提示词，模型会根据对话历史生成恰当的答案。
  
  

三、主要特点

• 动态输入：用户提示具有高度动态性，可以从简单的查询到复杂的指令，具体取决于用户在任何特定时刻的需求。
• 意图驱动：这些提示由用户的意图驱动，无论是寻求信息、执行任务还是参与对话。
• 直接交互：用户提示代表与人工智能的直接交互，这对于实时通信和任务执行至关重要。
• 个性化：它们可以高度个性化，反映用户的个人喜好、风格和特定要求。
  
  

四、核心价值

用户提示词是人机协作的密码本——优秀的提示词如同精准的GPS坐标，将大模型的“智力资源”定向输送到目标领域。掌握场景化设计能力，可使AI输出效率提升300%以上。具体而言，用户提示词核心价值主要体现在以下几方面：

• 即时需求转化：将用户模糊表达转化为可执行指令（如“帮我订机票” → 触发机票查询流程）。例如：用户说“下周去北京开会”，智能体自动提取关键参数（时间、地点、目的）启动差旅服务。
• 上下文适配：基于对话历史调整响应（如用户追问“更便宜的选项”，智能体自动筛选低价方案）。
• 多模态处理：支持文本/图片/文件等多类型输入（如上传财报PDF触发财务分析）。
• 引导用户输入：通过问题澄清需求（如“您需要经济舱还是商务舱？”）。
• 容错设计：对歧义输入生成确认请求（如“您指的是2023年还是2024年的数据？”）。
  
  

系统提示词 VS 用户提示词

系统提示词是用来设定大模型行为和语气的系统级指令，通常在对话开始前由系统设置，用于告诉模型“你是谁”、“该如何回答”、“要遵守哪些规则”，它主要影响模型的整体风格、角色扮演、限制条件等。

用户提示词则是用户输入的具体指令或问题，用于与模型进行互动，提出请求、提问或给出任务，让模型输出所需的内容或执行特定操作。

简单概括，系统提示词定义“怎么说、以谁的身份说”，用户提示词决定“说什么”。

主要差异对比

属性	系统提示词	用户提示词
目标	定义规则和角色	提供问题或任务内容
来源	开发者或应用程序设置	最终用户直接输入
作用范围	影响整个对话	仅对特定对话场景有影响
可见性	通常对用户不可见	用户可以直接看到并编辑

协同与配合

系统提示词和用户提示词通常会结合起来使用。系统提示提供模型的基础行为规范，而用户提示则用于具体的交互场景。这种设计可以确保模型既能保持一致性，又能灵活应对用户需求。

两者的协同作用体现在：系统提示词划定“允许做什么”，用户提示词明确“具体怎么做”，二者结合后，模型既能遵循预设规则，又能灵活响应个性化需求。

例如，在法律合同审查中，系统提示词要求模型仅标注风险点，而用户提示词补充合同条款细节，最终输出既专业又精准。此外，优化提示词设计（如分步推理、示例驱动）还能显著提升模型效率，降低计算成本，并增强用户对AI决策的信任感。因此，系统提示词与用户提示词的科学设计，是释放大模型潜力、实现智能化服务落地的关键。

优化思路

系统提示词优化

• 角色专业化：为不同领域分配专属角色（如“税务顾问”“市场营销专家”），提升输出的专业度。
• 任务分步骤：将复杂任务拆解为子步骤（如“先分析数据，再生成结论”），避免模型因任务过载而偏离方向。
• 格式标准化：要求模型以JSON、HTML等结构化格式输出，便于后续处理。
  
  

用户提示词优化

• 明确目标：用具体指标（如“500字内”“包含3个案例”）限定输出范围。
• 补充上下文：提供必要的背景信息（如行业、时间、用户群体），减少模型猜测。
• 分阶段提问：将复杂需求拆分为多个简单问题，逐步引导模型输出。
  
  

简单示例

以下是系统提示词与用户提示词的一些简单示例，方便你直观感受他们在具体应用中的差异。

提示类型	示例
系统提示词	你是一位乐于助人、信息丰富的人工智能助手，专注于技术。
	您是一位经验丰富的客户服务代表。始终保持礼貌和专业的语气。
	你是一个幽默风趣的个人知识库助手，可以根据给定的知识库内容回答用户的提问，注意，你的回答风格应是幽默风趣的
用户提示词	写一篇500字的文章，讨论社交媒体对现代社会的影响，包括其好处和坏处。
	为深圳市一家主营粤菜美食的新餐厅生成一份 SEO 关键词列表。
	用三句话概括《三体》的核心剧情。

提示词设计最佳实践

提示词设计通用规则

在设计提示词时，我们需要掌握一些通用规则，这些规则将帮助我们编写清晰而具体的指令，让大模型输出结果符合我们的预期。

• 准确描述要做什么（写、总结、提取信息）；
• 不要说什么不该做，而要说什么该做；
• 要具体：不要说“用几句话”，而要说“用 2-3 句话”；
• 添加标签或分隔符来结构化提示；
• 如果需要，请求结构化输出（JSON，HTML）；
• 要求模型验证条件是否满足（例如“如果你不知道答案，就说“没有信息”）；
• 要求模型首先解释，然后提供答案（否则模型可能会尝试证明错误的答案）。
  

如何进行提示词优化？

为了符合用户预期，达到最佳输出效果，我们需要对提示词进行持续优化。提示词优化（Prompt Optimization）通过不断调整和改进提示词的内容、结构和方式，来提升大语言模型在执行特定任务时的准确性、相关性、一致性和效率的过程。以下是两组关于文本生成和图像创作的大模型提示词示例。这些示例说明了如何优化提示词，以实现特定的预期结果。

文本生成提示词

初始提示：“为营销分析师写一份专业摘要。”

提示词优化：

• 添加上下文：“为具有 5 年数字营销经验的营销分析师撰写专业摘要。”
• 指定语气：“为具有 5 年数字营销经验的营销分析师撰写专业摘要，力求具有创意和引人入胜的语气。”
• 字数限制：“请为一位拥有 5 年数字营销经验的营销分析师撰写一份专业摘要，力求富有创意且引人入胜。字数控制在 50 字以内。”
  
  

图片创作提示词

初始提示：“创建一幅山景图像。”

提示词优化：

• 添加细节：“创建一幅山景图像，前景中有白雪皑皑的山峰和宁静的湖泊。”
• 艺术风格：“用水彩画风格创作一幅以白雪皑皑的山峰和宁静的湖泊为前景的山景图像。”
• 调色板：“使用柔和的色彩，创建一幅以白雪皑皑的山峰和宁静的湖泊为前景的山景图像。”
  
  

提示词设计策略与方法

• 明确性与简洁性：提示词应尽量简洁明确，避免模糊的语言。例如，“解释量子物理”可能太过广泛，而“简要介绍量子物理的核心概念”则更为明确。
• 分步提示（Step-by-Step Prompts）：对于复杂任务，可以使用分步提示。例如，要求模型先生成一个大纲，再让它逐步填充内容，确保输出逻辑性强，结构清晰。
• 上下文增强（Contextual Augmentation）：提供足够的上下文可以显著提升输出质量。例如，在进行数据分析任务时，提供数据的背景或目的，使模型能够生成更相关和有深度的分析。
• 实验与迭代优化：尝试不同的提示词组合，并根据反馈调整。例如，如果模型生成的文本过于简单，可以增加详细要求或增加问题的复杂度。
• 反向工程（Reverse Engineering）：如果模型输出不符合预期，分析它的回答并反推提示词的设计。通过不断优化提示词，找到最佳的表达方式来触发所需的输出。
  
  

提示词设计实用技巧

好的提示词可以帮助您从大模型中获得更准确、质量更高的响应。下面总结了一些设计优质提示词的实用技巧，帮助我们避免常见错误，让大模型更有效地服务于我们的应用场景。

一、指定受众

要获得所需的输出，请指定大模型应该为哪些目标用户响应。指定受众可以为您的提示提供结构和方向。无论您是撰写内容、汇总文档还是处理客户咨询，这都能确保输出符合您的目标。

提示 1：“总结这份文件。”
提示 2：“用3个要点向销售经理总结这份营销报告，突出关键的收入趋势。”
提示 2 效果更好，因为它指定了目标受众、输出格式和重点领域，即收入趋势。

二、清晰具体

当指令清晰明确时，大模型输出答案的效率最佳，我们需避免泛泛而谈或冗长的指令。相反，请使用精准的语言，定义所有术语，并明确说明你希望大模型做什么。商业应用中应该将提示视为简短的任务指令，而不是随意的聊天。

提示 1：“让这个听起来更好一些。”
提示 2：“用有说服力的语气重写此消息以吸引企业买家。”

提示 2 效果更好，因为它指定了提示的语气、目标受众和目的。

三、设置角色

引导人工智能行为最有效的方法之一是赋予其角色或个性。这有助于大模型根据预期情境定制语气、词汇和回应风格，就像向新员工做主题演讲一样。

提示示例：“您是客服人员。请以冷静、乐于助人的语气回复以下投诉。”

四、理解任务

清晰地理解任务是编写有效提示词的第一步。在编写提示词之前，请准确了解任务的范围与目标，大模型会严格遵循指示，如果你的任务没有明确规定或与指示不符，输出结果大概率会出现偏差。

任务：总结销售业绩

提示：“总结所有区域经理的月度销售业绩。请标出与上月相比销售额下降超过 15% 的区域。”

以上提示为什么有效：

• 定义所需的摘要类型
• 明确分析内容（区域销售）
• 提供一个阈值（15%）来引发额外的关注
  
  

五、消除歧义

准确表达，避免使用模糊的词语、短语和术语，并摒弃任何假设。

提示 1： “从此表格中提取相关数据。”

针对以上提示1，大模型在输出时，可能会产生以下疑问：

• “相关”是什么意思？
• 它是什么类型的表格？
• 我们应该提取哪些字段？
• 输出应采用什么格式？
  
  

提示 2： “从采购订单表单中提取以下字段：客户姓名、订单 ID、产品、数量和总价。以 JSON 格式返回结果，字段名称作为键。”

为什么按照提示2这样做有效：

• 列出了具体字段。
• 已识别文档类型。
• 输出格式已明确提及。
  
  
  

六、明确要求不该做什么

就像人类一样，人工智能也受益于清晰的界限，告诉大模型哪些事情不该做，有助于避免输出不相关的结果，尤其是在高风险的业务任务中。

提示 1：“总结本报告。”
提示2：“请用200字以内的时间总结附件中的财务报告。不要包含介绍性背景或历史比较。只需关注第四季度的收入数据和成本明细。”

提示 2 效果更好，因为它指定了字数、不包括的内容以及重点领域，从而产生更好的结果。

七、分解复杂任务

将任务分解成更小、更合乎逻辑的步骤（逐步说明），并确保包含所有必要信息。这种技巧称为“思路链式提示”。避免过度拟合提示，即试图在一个提示中完成太多任务。

超载提示： “阅读发票，清理数据，总结数据，提供每月支出的直观图表，并识别您发现的任何异常。”

以上提示主要存在以下问题：

• 它试图做太多事情。
• 任务之间没有明确的划分。
• 它缺乏格式或结构。
  
  

提示词中，我们可以做任务分解，引导大模型分步完成任务：

• 从发票中提取以下字段：日期、供应商、金额和类别。
• 汇总每月总支出，按类别分组。
• 突出显示任何金额超过 10,000 美元的交易。
• 将结果作为 JSON 对象返回。
  
  

为什么这样做有效：

• 分为4个可控的步骤。
• 输出期望已定义。
• 便于模型（或管道）跟踪和调试。
• 按优先级构建提示
• 首先列出所需的操作，然后列出例外情况和边缘情况。最后，添加需要避免的操作说明。
  
  

以下是一个任务分解的典型提示词案例：

• 您是一名业务分析助理，负责审查 CSV 格式的月度销售数据。
• 首先计算总收入、交易数量和平均订单价值。
• 然后，按“产品类别”对销售额进行分组，并计算每个类别的总销售额和收入。
• 突出显示月收入与上个月相比下降超过 20% 的任何产品类别。
• 如果任何条目缺少产品 ID 或收入值，请在“数据问题”下单独标记这些行。
• 不包括任何预测或预报；仅分析历史数据。
• 以结构化的 JSON 格式返回输出，其中包含摘要、细分和问题的清晰键和子部分。
  
  

八、指定输出格式

给出明确的输出格式说明。例如，在提示中指定输出应为 CSV 格式并指定分隔符。如果没有格式说明，大模型可能会以意想不到的方式返回数据（例如，用引号括起来的数据、纯文本数据，甚至不正确的结构）。

提示示例：“仅获取带有字段标题和值的分隔输出。请不要包含括号或引号中的输出。”

九、更多的技巧

更多的提示词设计技巧，需要你从实践中不断领悟，用心的设计，大模型总会给你意外的惊喜与收获。以下这些技巧，已经得到了广泛的验证，我们可以结合实际场景加以应用。

• 添加具体的描述性说明
• 定义输出格式
• 给出少量样本示例
• 整合“我不知道”（IDK）、反向案例（控制幻觉/批判性话题）
• 使用思路推理
• 使用提示模板，而不是静态提示
• 添加数据上下文 (RAG)
• 包括对话历史记录
• 格式化提示：在提示中使用清晰的标题标签和分隔符
• 整合所有内容：专业提示的剖析
• 多提示方法——当一个提示不够用时
  

提示词设计框架

所有大模型都有一个共同点，输出效果高度依赖提示词设计，如何设计好的提示词，是有规律可循的，我们可以参照业界已经逐步成熟、规范的提示词框架（Prompt Framework）作为我们的设计依据，这些框架就像指南一样，确保始终如一地提供高效、高质量的输出，提升大模型的生产力。

以下是11个常见的提示词框架，可帮助我们实现高效的提示设计：

RACE（角色、行动、情境、期望）

RACE 框架简洁、实用，能够高效地为各种营销任务创建可自定义的提示。让我们来了解一下它的各个关键组成部分：

• 角色/Role：指定您希望大模型扮演的角色。
• 行动/Action：这是您需要完成的基本指令或工作。
• 背景/Context：通常您需要向大模型提供背景信息才能完成指令。
• 期望/Expectation：描述你期望的结果
  
  

以下是这组框架的实际应用示例：

• 角色： “您是一位专门从事客户细分的营销策略师。”
• 行动： “制定客户细分策略。”
• 背景： “该公司在线销售优质键身课程，针对一线城市注重健康的消费者。主要目标是提高客户忠诚度并改善个性化宣传活动的针对性营销。”
• 期望： “该策略应根据人口统计特征（年龄、收入、地点）、购买行为和参与度对客户进行细分。包括3-4个客户细分群体，并详细介绍每个细分群体的特征、能够引起他们共鸣的营销信息以及他们偏好的沟通渠道。”
  
  

TAG（任务、行动、目标）

TAG 非常适合最简单的营销任务，在这些任务中您不需要在写作风格和语气等方面有太多的变化。

• 任务/Task：指定大模型需要做什么
• 行动/Action：解释应该如何做
• 目标/Goal：描述最终结果应该是什么样的
  
  

以下是一个例子：

• 任务： “提高我们的电子邮件营销活动的打开率。”
• 行动： “确定有效的策略、主题和最佳实践。”
• 目标： “我们的目标是通过优化主题行、测试发送时间和更有效地细分电子邮件列表，在未来 3 个月内将打开率提高 15%。”
  
  

TRACE（任务、请求、操作、上下文、示例）

TRACE框架为结构化营销任务提供了清晰、可操作的提示。

• 任务/Task：定义主要任务或目标
• 要求/Request：描述您需要大模型做什么
• 行动/Action：概述具体行动
• 背景/Context：提供背景信息
• 示例/Example：用例子来说明你的观点
  
  

以下是一个示例提示：

• 任务： “自动化潜在客户跟进流程。”
• 要求：“提供有关如何设置自动跟进序列的分步指南，包括电子邮件模板和时间安排。”
• 行动：“建议用于自动化的工具或软件，概述创建和安排后续电子邮件的过程，并推荐个性化自动回复的策略。”
• 背景：“我们是一家 B2B 软件公司，拥有庞大的潜在客户数据库，这些潜在客户对我们的产品表现出兴趣，但尚未转化。我们的目标是简化和自动化后续流程，以提高潜在客户培育率和转化率。”
• 示例：“例如，您可以包含有关根据潜在客户互动创建自动电子邮件序列、设置后续电子邮件触发器以及使用 CRM 集成来跟踪和管理潜在客户的详细信息。”
  
  

关怀（背景、行动、结果、示例）

CARE 框架对于设计带有示例的详细且可操作的提示很有用。

• 背景/Context：提供必要的背景信息
• 操作/Action：指定您要采取的操作
• 结果/Result：描述你期望的结果
• 示例/Example：提供如何完成的示例
  
  

以下是提示的示例：

• 背景：“我们是一家提供项目管理软件的 SaaS 公司。我们的目标是根据用户反馈改进我们的产品，但我们目前缺乏一个有组织的系统来有效地捕捉和处理客户反馈。”
• 行动：“创建一个结构化的客户反馈循环，帮助我们收集、分析和根据反馈采取行动，以不断改进我们的产品。”
• 结果：“反馈循环应通过快速解决产品问题并实施用户建议的改进来提高客户满意度和保留率。它还应增强我们的产品和客户支持团队之间的沟通。”
• 示例：“例如，您可以建议一个流程，其中包括定期的客户调查、标记和优先处理反馈的系统，以及通过告知用户根据他们的输入采取的行动来闭环的机制。”
  
  

PAR（问题、行动、结果）

当您需要创建一个简单的提示来解决营销问题时，PAR 框架就是您所需要的。

• 问题/Problem：说明您面临的问题
• 行动/Action：指定解决问题的行动
• 结果/Result：描述结果应该是什么样的
  
  

如果您面临网站排名下降的情况，这里有一个提示框架示例：

• 问题：“过去三个月来，我们的网站在搜索引擎排名中大幅下降，导致自然流量明显下降。”
• 行动：“分析排名下降的潜在原因，包括页面SEO问题、算法变化、反向链接和网站性能。提供提高排名的步骤。”
• 结果：“我们的目标是找出排名下降的根本原因，并实施改变以恢复和提高我们的搜索排名，从而在未来几个月内恢复自然流量。”
  
  

CRISPE（能力/角色、洞察力、陈述、个性、实验）

CRISPE 框架非常适合尝试创造性角度、测试活动的不同变量以及收集多种想法。

• 能力或角色/Capacity/Role：描述您希望大模型扮演的角色
• 洞察/Insight：提供必要的背景信息
• 声明/Statement：说明您需要机器人执行的任务
• 个性/Personality：指定您希望其适应的基调、方法或创造力
• 实验/Experiment：提示模型提供 x 个备选答案
  
  

每个组件的作用如下：

• 能力/角色： “您是一位专注于付费广告和绩效优化的数字营销专家。”
• 洞察： “过去六个月，我们一直在投放广告，但点击率 (CTR) 和转化率却停滞不前。我们认为问题可能出在广告创意或定位上。”
• 声明： “我们希望进行付费广告实验来提高点击率和转化率，测试不同的变量来了解哪些能引起观众的共鸣。”
• 个性： “以数据驱动的思维方式来解决这个问题，同时也包括测试新广告创意和受众群体的创意策略。”
• 实验： “为广告设计 A/B 测试，包括广告文案变体、创意格式（图片 vs. 视频）以及受众定位的建议。并提出评估成功的 KPI 和基准。”
  
  

AIDA（注意、兴趣、欲望、行动）

AIDA 是创作引人入胜文案的著名公式。同样的框架也适用于设计最适合创意工作的提示。

• 注意/Attention：描述你想如何唤起观众
• 兴趣/Interest：指定目标受众的兴趣
• 欲望/Desire：提及如何激发人们对你的产品的渴望
• 行动/Action：描述你想要采取的行动
  
  

假设你想创建一个产品落地页。提示框如下所示：

• 注意： “创建一个引人注目的标题和英雄部分，通过解决关键痛点或需求立即吸引访问者的注意力。”
• 兴趣： “提供引人入胜、易于阅读的内容，突出产品的独特功能和优势，使用视觉效果和简洁的文字来吸引访问者的兴趣。”
• 渴望： “制作有说服力的文案，并使用推荐或社会认同来激发对产品的渴望，强调产品如何解决访问者的问题或改善他们的生活。”
• 行动： “设计一个清晰、突出的号召性用语 (CTA)，激励访问者进行购买、注册演示或开始免费试用。”
  
  

STAR（情况、任务、行动、结果）

当您陷入棘手的营销困境并需要解决方案时，STAR 框架很有用。

• 情况/Situation：确定挑战
• 任务/Task：描述你想要采取的行动
• 行动/Action：预测你的任务将对情况产生的影响
• 结果/Result：设想你想要的结果
  
  

当您使用该框架的组件向利益相关者展示营销活动的效果时，其外观如下：

• 情况： “我们最近完成了为期 3 个月的数字营销活动，旨在提高品牌知名度和推动转化，但一些利益相关者对该活动的有效性不确定。”
• 任务： “通过提供清晰的、数据驱动的关键指标摘要并解释这些指标与我们的业务目标的关系，向利益相关者展示活动的绩效。”
• 行动： “突出广告系列的优势和需要改进的地方，重点关注展示次数、点击率、转化率和广告支出回报率 (ROAS) 等指标。解释这些指标如何体现我们在实现品牌知名度和转化目标方面取得的进展。”
• 结果： “目标是让利益相关者全面了解活动的影响，建立对战略的信心，并为未来的活动创造一致性。”
  

APE（行动、目的、期望）

当您想要根据自己的意愿定制提示的响应时，APE 是另一个简单的框架。

• 行动/Action：描述你想要采取的行动
• 目的/Purpose：说明行动的目的
• 期望/Expectation：提及结果应该是什么样的
  
  

以下是 APE 框架的一个示例：

• 行动： “优化我们的CRM系统，提高用户效率和数据准确性。”
• 目的：“目的是简化工作流程，减少手动数据输入错误，并增强有效跟踪和管理客户互动的能力。”
• 期望：“希望团队成员的工作效率提高，数据完整性得到改善，并能更好地洞察客户行为和销售业绩。此外，力争减少行政管理时间，并提高报告的准确性。”
  
  

BAB（之前、之后、桥梁）

当您需要提高讲故事的技巧时，BAB框架就是您的专家。

• 之前/Before：描述产品之前的故事部分
• 之后/After：描述一下你的产品如何改变故事
• 桥梁/Bridge：定义带来变化的原因
  
  

以下是新服务推出的成功案例：

• 之前：“在推出我们的新服务之前，我们的客户面临着有效管理项目的挑战，因为过时的工具缺乏集成和自动化功能。”
• 之后：“我们的新服务包括先进的项目管理功能和无缝集成，推出后，客户报告称他们的工作流程效率显著提高，项目周转时间缩短，团队协作增强。”
• 桥梁：“我们服务的成功发布得益于其用户友好的界面、强大的自动化功能以及与现有工具集成的能力，这些都解决了客户提出的关键痛点。我们为服务发布提供了全面的入职培训和客户支持，确保了平稳过渡和即时价值。”
  
  

RTF（角色、任务、完成）

当你希望大模型发挥特定作用时，RTF提示工程框架就派上用场了。

• 角色/Role：描述你希望大模型扮演的角色
• 任务/Task：提及您希望它执行的任务
• 完成/Finish：描述你期望的结果
  
  

如果您使用提示来设计潜在客户培育电子邮件系列，则提示将如下所示：

• 角色： “您是一位熟练的电子邮件营销策略师，擅长制定引人入胜且有效的潜在客户培育方案。”
• 任务：“设计一个潜在客户培育电子邮件系列，其中包括 5 封电子邮件，旨在将潜在客户转化为付费客户。”
• 完成：“邮件系列应该结构合理，每封邮件都应逐步建立客户的兴趣和信任，最终形成号召性用语，鼓励潜在客户安排演示或进行购买。确保邮件个性化、相关性强，并与潜在客户的购买历程保持一致。”
  
  

提示词设计面临的挑战

• 歧义性：如果提示词含有歧义或不明确，可能导致模型生成错误的内容。提示词应尽可能清晰，避免多种解释。
• 理解限制：尽管语言模型强大，但它们并不总是能完全理解复杂或模糊的提示词，尤其是在没有足够上下文的情况下。
• 偏见和不完整性：由于模型是从大量文本数据中训练出来的，它可能会受到训练数据中的偏见或错误的影响。
• 输出控制：在复杂任务中，尤其是创意写作或推理任务中，控制模型输出的难度较大。通过不断调整提示词，有时仍然难以保证输出完全符合预期。
• 限制性与自由度平衡：提示词在指定任务和输出格式时，需要平衡对自由度的控制与对创意输出的引导。过于限制可能导致生成的文本单一，过于自由又可能导致结果不符合目标。