ChatGPT-指令工程盈利指南

ChatGPT 指令工程盈利指南

原文：ChatGPT Prompt Engineering For Profit

译者：飞龙

协议：CC BY-NC-SA 4.0

如何开发强大的提示并成为一位成功的提示专业制作人

作者注

我们生活在一个人工智能快速发展的时代，它正在改变世界和我们的日常生活。然而，即使拥有所有这些技术进步，人类手中仍然保留着一种基本技能：提出正确问题的能力。成为一名“提示”制作人不仅仅是与 AI 模型互动；它知道如何引导这些机器以发挥其全部潜力。通过这本书，我想要展示提示工程的重要性，这是一种即使在先进 AI 时代也是基本技能。能够以有组织且富有创意的方式构建问题，使我们能够指挥人工智能朝着期望的结果前进，最大化获取答案的价值。

提示大师

前言

欢迎来到提示工程的迷人世界！随着人工智能在我们的生活中越来越普遍，了解如何有效地与这些模型互动已经成为一项基本技能。"提示工程师"这一职业是为那些想要增强与 AI 互动的人提供的解决方案，通过以细致和结构化的方式提出问题。这本书是为所有想要掌握这项技能的人提供的指南，从最基础的技术到最先进的技术。在这里，你将学习如何制定最佳的提示，扩展你的可能性，并最大限度地发挥这些智能的能力。我邀请你探索这些技术，并为自己在这个新未来中赋予力量，它为我们打开了新的可能性。

引言：Prompt Engineering与Promptmaker

职业 Prompt Engineering是一个随着人工智能的进步而兴起的领域，特别是随着大型语言模型（LLMs）的发展。我们常常未能意识到的是，这些人工智能（AIs）的真正潜力在于我们如何构建问题。简而言之，Prompt 是提供给 AI 的指令，以提供答案。Prompt 的质量决定了答案的质量，这也是为什么创造好的 Prompt 能力至关重要。

“提示工程师”是指能够将需求转化为与 AI 有效互动的人。成为一名提示工程师意味着拥有创造性和分析性的思维，知道如何引导模型达到期望的结果。随着我们使用 AI 作为助手、教师、顾问以及许多其他角色的进步，这一职业变得越来越重要。知道如何与这些机器适当互动，是区分简单体验和变革性、价值丰富的体验的关键。

即使在自动化日益增加的背景下，人类能够提出好问题和指导人工智能的能力，才是使他们真正有效的关键。无论 AI 模型多么先进，如果提供的指令不足，系统的潜力将受到限制。因此，提示工程不仅仅是技术技能；它是让我们控制 AI、最大化其价值和在解决问题、创新和创造力方面产生影响的钥匙。

1. 角色扮演

[什么是它]

The Role Play technique, or Role Game, is a strategy where the LLM (language model) is instructed to assume a specific role, as it were a character with defined characteristics. In this type of prompt, the objective is to define the context and characteristics of the model's "persona", to directly influence the type of response it will provide.

For example, the LLM may be asked to act as a history teacher, a culinary expert, an investigative journalist, or even a travel assistant. This allows the model to provide more contextualized responses that are relevant to the specific role they have been given.

[What is your main goal ?]

The main goal of the Role Play technique is to guide the model's response generation to a certain tone or persective, resulting in information that is more useful and specific to a particular context. By giving the model a role, it becomes easier to obtain a output that is consistent with the user's expectations.

Furthermore, the use of this technique facilitates problem-solving or discussions in specific areas, since the model will be simulating the knowledge or behaviour of a specialist on the subject, making the response richer and more aligned with the role played.

[How it works ]

通过将 LLM 放置在特定语境中，角色扮演工作得以实现，其中 LLM 扮演一个由用户定义的角色。提示应该从向模型解释它现在具有的角色并为其提供一些关于该角色期望的行为的指南开始。指令越详细，响应就会越具体。

例如，当要求 LLM 表现得像一名营养师时，用户可以定义诸如“你是一名专注于素食饮食的营养师”这样的特征。这已经限制了模型响应的范围，并使 LLM 给出的建议与该领域的特定知识保持一致。

这种技术还通过允许使用针对该角色的特定语言来实现。一个角色可以使用该专业或他们被插入的语境中典型的行话或表达，这增加了响应的沉浸感和相关性。这在形式、专业知识甚至同理心都重要的情境中尤其有用。

[何时使用]

角色扮演特别有用，当你需要一个高度情境化的回应并需要确保 LLM 以特定方式回应时。无论你是开发教育内容、提供医疗建议，还是简单地想测试对一个问题不同观点的测试，角色扮演是一个卓越的技术。

这种技巧在需要获得专家答案而不必提供具体例子的情况下非常理想。如果问题涉及特定场景，例如患者与医生之间的对话，或者当你试图模拟与名人的访谈时，角色扮演可以确保答案情境化和连贯。

当需要传达特定的情感，例如一位激励型咨询师时，It也可以被使用。如果 LLM 需要提供情感支持或更多同理心回应，将它们置于咨询师或心理学家的角色中可以是一个有效的方式来塑造回应。

[使用技巧]

● 清楚地说明角色模型应该扮演的角色，并提供定义该角色的具体特征。例如，“你是专注于生态学的科学老师。”

● 包含预期行为类型的例子是良好的实践。例如，“使用简单语言，与小学生交谈。”

● 提供关于此角色扮演场景的背景信息，以便答案将更加准确和具体化。

[技术差异]

角色扮演技术与其他提示技术不同，因为它专注于塑造 LLM 的整体行为，而不是提供一组特定的示例。它可以是一种强大的方式来激发与特定人物一致的响应，而无需提供各种类型问题的示例和答案。

与提供样本输入和输出的少量提示相比，角色扮演更像是模型“心理状态”的配置，允许它更广泛、更快速地适应所需语境。通过为 LLM 指定一个特定角色，您定义了模型应该如何处理信息以及它应该具有的视角。

角色扮演比需要分解目标或将其分解为步骤的技术更直接，因为所有关于所需行为的定义都在初始提示中发生。这使得它成为一个实用且通用的工具，适用于各种场景。

[示例]

● 基本上："你是一位历史老师。请向我解释法国大革命是如何开始的。"

● Intermediate : "You are a nutritionist specializing in vegan diets. What foods are most recommended to increase protein intake? "

● Advanced : "You are a senior software developer working at a artificial intelligence startup. Explain the pros and cons of using Python versus Java in a machine learning project."

[Structureof the technique used above]

●        Structured Role Play Prompt :

○        {"You are" ["Define the role of the role model, e.g. a teacher, nutritionist, specialist"] }

○        {"Specialized in" ["If there is a specific area of expertise, e.g. vegan nutrition , ecology"] }

○ {"Its purpose is to" ["Describe the goal of the model, e.g.: provide a detailed explanation, nutritional advice"] }

○        {"Use" ["Language style or tone, e.g., plain language, empathetic approach"] }

○ Complete Example : "You are a scientist specializing in climate change. Explain in simple terms how the greenhouse effect affects the planet. Use language that is accessible to high school students. "

Prompt exercises using the above technique]

1. Ask the model to act as a tour guide explaining a famous attraction in your city. Define the attraction and the features you would like to see covered.

2. Instruct the LLM to be a doctor explaining the risks of a sedentary lifestyle to a lay patient, focusing on providing practical and accessible advice.

3. 创建一个提示，让 LLM 扮演一个儿童心理学家的角色，帮助一个孩子处理对黑暗的恐惧。定义对话的语气和方法。

4. 思维链（思维链）

[什么是]

思维链，或思维链，是一种提示工程技术，它指导 LLM“大声思考”，当它得出结论时。而不是给出直接的答案，模型必须首先描述导致那个答案的步骤或推理。这创建了一种推理链，其中模型逐步展开，直到得出结论。

这种技巧对于制作更有说服力、更透明和易于理解的论点很有用。模型工作就像它“思考”并通过整个过程解释每个做出的决策一样，这对于复杂问题、数学问题或逻辑难题尤其有用。

[你的主要目标是什么]

思维链的主要目标是引导模型朝着逻辑和连贯的答案发展，展现推理步骤。通常，一个直接的答案可能会遗漏重要信息，导致结果不完整或不正确。思维链的目标是确保导致答案的每个步骤都清晰和详细地说明。

另一个重要目标是利用 LLM 解决复杂问题的能力更加有效。引导模型描述其过程有助于避免看似正确但实际上由于逻辑不清而错误的答案。这种技术鼓励模型在每一步检查自己，从而提高其答案的准确性。

[它是如何工作的]

思维链工作是通过明确地引导模型分步骤思考来实现的。提示应该以使模型明确知道它应该解释每个步骤直到最终结果的方式构建。这通常通过使用诸如“逐步解释步骤”、“描述过程”或“在给出答案之前思考每一步”等关键词来完成。

这种技术之所以强大，是因为 LLM 在无引导时难以保持一致的推理。通过将任务分解成更小的步骤，它使得模型更容易处理信息、应用规则，并避免可能导致答案失真的捷径。思维链不仅增加了透明度，还提高了答案的质量。

此外，思维链可以帮助检测潜在错误。通过呈现逐步的过程，用户可以检查并理解在哪里，如果有的话，逻辑中出现了任何缺陷。这允许进行更准确和有效的纠正，有助于学习和问题解决。

[何时使用]

思维链适用于问题有几个逻辑步骤或答案需要详细解释以便理解的情况。例如，数学、逻辑、文本分析或任何涉及详细计划的情况，从这个方法中受益极大。

当需要获得对达到最终解决方案的中间步骤的清晰理解时，应使用此技术。在教育环境中，例如，思维链对于教授学生逐步过程非常有用，不仅展示答案，还展示它是如何得到的。

在复杂分析或诊断情况下，思维链同样极为有用。想象使用该模型来分析一个医疗情况：通过解释诊断的每一步，可以确保所有因素都被考虑和理解，从而使答案更具价值。

[使用技巧]

● 使用鼓励模型详细说明其步骤的词语，如"逐步思考"、"解释每个阶段"或"列出每个步骤"。

● 如果你需要一个非常详细的答案，请确保指示模型不要跳过步骤，即便它们看起来很明显。

[该技术的差异]

链接思维提示与更多的直接技术，如零次提示或角色扮演，不同之处在于它更注重思维过程。而其他提示旨在诱导一个即时答案，思维提示则试图通过将答案分解为连续、易于理解的步骤，来理解答案的"如何"和"为什么"。

与少次提示相比，在少次提示中，模型会接收到一些例子，而链接思维则利用每一步推理的递增方式，这不仅能提高理解，还使用户更容易学习问题的结构。少次提示可以展示如何做某事，但链接思维真正解释了过程。

链接思维因此是一种更深入、更具分析性的技术，它在发展答案和为用户提供清晰性方面都有帮助。通过展示模型如何到达答案，这种方法更可靠，也更少出错。

[示例]

● 基础: "1 到 5 的数字之和是多少？一步一步思考后再回答。"

○ 答案: "首先，我们将 1 + 2 = 3。然后，3 + 3 = 6。接下来，6 + 4 = 10。最后，10 + 5 = 15。因此，答案是 15。"

● 中级: "如何解 12 除以 4 的问题，然后从结果中减去 3？解释每一步。"

○ 答案: "首先，让我们将 12 除以 4，结果是 3。然后，我们从结果中减去 3，那等于 0。"

● 高级: "解释如何解方程 2x + 3 = 11。思考每一步直到你得到 x 的值。"

○ 答案: "首先，让我们从等式的两边减去 3：2x + 3 - 3 = 11 - 3，结果是 2x = 8。之后，我们将等式的两边都除以 2，所以 x = 4。"

[上述技术结构的结构]

●        思维结构化提示:

○        {"解释推理" ["详细说明每一步应该考虑的内容"]}

○ {"描述每一步" ["指导模型解释过程的每个阶段，例如 1 到 5"]}

○        {"在回答之前思考" ["强调分析问题部分的需要"]}

○ 完整示例: "如何解方程 5x⁴ + 3？思考每一步，从乘法开始然后进行加法。"

使用上述技术进行练习]

1. 要求模型计算 1 到 10 之间所有奇数的和，并解释每一步的过程。

2. 指导模型如何解决数学表达式 3x - 5 = 10。确保模型在提供答案之前，对每个步骤进行思考。

3. 要求模型如何为 10 个人组织一个派对，包括购物清单、场地规划以及准备。要求它或她详细描述每个步骤。

4. 零样本提示（零示例提示）

[什么是 ]

零样本提示是提示工程的一种技术，它涉及让 LLM 生成一个不需要任何先前示例的响应。其理念是模型根据其一般训练和自然语言理解能力进行响应，而不需要特定的样本来了解期望的响应类型。

术语 "零样本" 指的是没有为模型提供详细的指令或先前示例，只为模型提供一个问题或任务。这种技术利用了 LLM 在没有额外上下文的情况下理解和处理语言的能力。

[你的主要目标是什么 ]

Zero-shot Prompting 的主要目标是测试模型仅使用其一般知识对请求做出准确响应的能力。当用户希望获得快速、简单的响应或目标是评估模型的能力而不需要额外帮助时，这特别有用。

Zero-shot Prompting 的另一个目标是简化提示过程，通过消除详细示例或复杂情境的思考需求。这对于更直接的问题或想要获取模型对特定主题理解的第一印象非常有用。

[如何工作]

Zero-shot Prompting works by simply asking a question or providing a task directly to the model, without any examples or context beyond the prompt itself. The LLM uses its prior knowledge to interpret and respond to the prompt, based on the patterns it learned during its training.

由于 LLM 没有给出示例，它需要理解问题的结构、关键词以及从一般意义上期望的内容。这要求问题以清晰和直接的方式提出，因为没有额外的指令来帮助模型更好地理解期望的内容。

缺乏示例使得零样本提示是一种比其他方法更不具体的技巧，但使用简单直接的提示时，它仍然可以很有效。由于 LLM 是在大量数据上训练的，它通常能够在没有额外指导的情况下提供相关答案。这种技巧最适合那些不需要极端精确或详细的情况。

[何时使用]

当你需要一个快速且简单的答案时，应该使用零样本提示。如果问题直接且上下文容易理解，这种技巧可以非常有效且实用。

这也是一种很好的技巧，当你想要测试模型在不额外帮助的情况下理解请求的能力时使用。如果你想了解 LLM 在回答新或未充分探索的问题方面的能力，零样本提示可以提供一个初步的视角。

此外，在用户不想或不需要浪费时间创建特定示例的情况下，这种方法也很有用，例如对于常见日常问题、一般信息或概念简短描述。

[使用技巧]

● 在制定提示时，要具体明确，因为 LLM 不会提供示例来帮助你。尽量避免歧义。

● Prefer to use this technique for questions or requests where the answer is objective, as the lackof examples can make it difficult for the LLM to give a very preciseor detailed answer.

[The differenceof the technique]

Zero- shot Prompting is different from techniques like Few- shot Prompting, where specific examples are provided to help the model understand the formator typeof response expected. In Zero- shot, the LLM's ability to generalize knowledge is tested, as it is not given additional context.

Compared to Chain of Thought, where the LLM is instructed to explain the reasoning step by step, Zero- shot Prompting just asks directly and waits for a response. While Chain of Thougt is concerned with the process, Zero- shot focuses on the result, in a direct way.

It is also different from Role Play in that, in Zero- shot , the LLM is not instructed to assume a specific personaor or context. There is no narrativeor role that needs to be followed, which makes the response more genericand potentially less detailed.

[Examples]

●        Basic: "What is photosynthesis?"

○ Answer: "Photosynthesis is the process by which plants, algae, and some bacteria convert sunlight, water, and carbon dioxide into oxygen and glucose."

●        Intermediate : "What are the main ingredients for making homemade bread? "

○        Answer : "The main ingredients are flour, water, yeast and salt. "

●        Advanced : "What is the importance of Einstein's theory of relativity? "

○ Answer : "Einstein's theory of relativity describes how time and space are interconnected and how gravity affects both, changing our understanding of the universe and having important applications in technologies such as GPS."

[Structure of the technique used above]

●        Zero- shot Structured Prompt :

○        {"Direct Question" ["Provide a direct question without additional context"]}

○        {"Don't provide examples" ["No need to provide examples or extra context"]}

○        Complete Example : "What is a solar eclipse? "

Prompt exercises using the above technique]

1. Ask the model a simple question, such as "What is a shooting star?" and evaluate the quality of the answer provided without additional examples.

2. Ask the model "What is the capital of France?" and see if it can answe correctly without the need for context.

3. Formulate a more complex question, such as "What is the function of the nucleus in a eukaryotic cell?" and see if the LLM provides a relevant explanation without examples.

4. Few-shot Prompting ( Few Example Prompt )

[What is ]

Few-shot Prompting is a prompt engineering technique that consists of providing the LLM with some sample questions and answers before asking it to generate a response for a new case. The examples provided serve to guide the model on what type of response to expect and what format is ideal. These examples act as a guide, helping the LLM understand the pattern and adapt its responses accordingly.

This technique is especially useful for guiding the LLM through tasks that are nuanced or require a specific response, without having to provide lengthy instructions. By providing appropriate examples, you increase the accuracy and relevance of the LLM ’ s responses.

[What is your main objective]

The main objective of Few-shot Prompting is improving the quality of the LLM response by providing some examples that set the tone, format, and type of response that is expected. This way, even if the initial request is more complex, the model will have a more solid basis for formulating its responses.

Another important goal is to reduce response ambiguity. When the model is given examples, it has a better understanding of the type of a proach and style it s should follow. This helps minimize incorrect responses or responses that fall outside of the intended scope. This is especially effective for tasks that require a certain formatting pattern, such as lists, summaries, or dialogues.

[How it works ]

Few-shot Prompting works by including some examples before the main prompt. These examples are like a “preview” for the LLM, which then better understands the context and the style it s should apply. These examples usually include both the question and the answe, making it clear to the model how it should behave.

The examples provided should be representative of the type of task being asked. For example, if you want the model to generate short, to-the-point explanations, the examples should also be short and to the-point. The LLM uses these examples to establish a pattern and then generate a response that follows the same format and style.

几次提示的一个重要特征是，示例的数量不需要很大——只需几个精心挑选的示例就足以指导模型。这就是为什么它被称为“几次提示”。目标不是让模型记住，而是指导它在特定任务上。

[何时使用]

当任务足够复杂，需要额外的指导，但又不是如此复杂以至于需要大量训练或详尽的示例时，几次提示是理想的。它适用于模型需要理解特定语境、语气或形状的情况，以及当有具体示例可以作为参考时。

你应该使用这种技术，当你需要响应遵循某种模式的答案时，例如格式或风格一致的答案，或者当存在需要尽早解决的歧义时。它特别有用，当你希望模板能够适应你心中的沟通风格时——例如，购物清单、流程描述，甚至是对话。

此外，这种技术可以用来调整 LLM 的响应以适应目标受众。例如，根据预期的受众提供使用更简单或更技术性语言示例，是指导响应语调的一个很好的方法。

[使用技巧]

● 选择具有代表性的示例，并实际展示你想要的响应类型。示例越接近期望的任务，LLM 的适应性就会越好。

● 限制示例的数量，使其保持简洁。你不需要大量的示例——重要的是你提供的示例的质量和清晰度。

[技术差异]

Few-shot Prompting 与 Zero-shot Prompting 的区别在于，它不是简单地询问模型一个直接的问题，而是提供示例来建立清晰的模式。这有助于 LLM 生成更准确和预期的响应，尤其是在直接回答可能不够具体的情况下。

与思维链相比，少样本提示不一定涉及推理链，而是通过例子定义一个模式。虽然思维链通过逐步推理确保逻辑答案，但少样本提示更关注基于具体例子的答案格式和风格。"

少样本提示也与角色扮演不同，因为它不指导模型假设一个特定的人物，而是遵循一个特定的问题和答案模式。因此，虽然角色扮演有助于塑造 LLM 的个性，但少样本提示有助于塑造答案的格式。"

[例子]

●        基础：

○        提供的例子：

问题："什么是光合作用？"

回答："光合作用是植物将阳光转化为能量的过程。"

问题："什么是重力？"

回答："重力是吸引物体相互作用的力。"

○        新问题："什么是水循环？"

○        预期答案："水循环是水在地球表面和大气之间的循环过程。"

●        中介：

○        提供的例子：

问题："我如何制作一个简单的煎蛋？"

回答："将两根鸡蛋打碎，用盐和胡椒调味，然后在平底锅中用少量油煎熟。"

■ 问题: "如何制作过滤 咖啡？"

答案: "将水煮沸，将咖啡粉放入过滤器中，然后慢慢将水倒在咖啡粉上。"

○        新 问题 : "如何制作花草 茶？"

○        预期 答案 : "将 水 煮沸，加入香草，静置5-10分钟，然后过滤。"

●        高级 :

○        提供 示例 :

■ 问题: "冥想有哪些好处？"

答案: "冥想可以减轻压力，提高专注力，并促进良好的感觉。"

■ 问题: "为什么运动 很重要？"

答案: "运动有助于改善身体健康，减轻压力，并增强纪律。"

○        新 问题 : "均衡 饮食有哪些好处？"

○ 预期 答案 : "均衡 饮食提供必需 营养，提高免疫 系统，并维持足够的能量水平。"

[上述 技术 使用的结构]

●        少 句 结构 提示 :

○        {"问题" ["提供一个清晰且直接的问题示例，以展示预期问题的类型。"]}

○        {"答案" ["针对示例提供一个答案，确保答案清晰且简洁。"]}

○        {"重复模式" ["提供多于一个示例以加强预期答案的模式。"]}

○        完整 示例 :

■ 问题: "什么是月食？"

答案: "当地球位于太阳和月亮之间时，发生月食，阻挡太阳光线，无法照射到月亮。"

■ 问题： “流星和陨石有什么区别？”

答案： “流星是一颗进入大气层燃烧的太空岩石，而陨石是撞击地球表面后剩余的物质。”

使用上述技术进行的提示练习

1. 提供两个关于动物及其答案的问题示例。然后创建一个关于不同动物的新问题，并要求模型遵循相同的回答模式。

2. 创建一个示例，其中模型必须解释如何执行两个物理活动。然后要求他解释另一个类似的物理活动，遵循提供的示例相同的风格。

3. 创建两个简单的食谱示例（问题和答案）。然后要求模型解释一个新食谱，遵循提供的示例相同的模式和风格。

4. 自我反思提示（模型自我反思）

[什么是]

自我反思提示，或模型自我反思，是一种提示工程技巧，它鼓励 LLM 反思其自身响应的质量和准确性。在这种方法中，模型被提示去评估自身，纠正潜在的错误，并在呈现最终结果之前改进响应。这是一种“自我校对”的方式，旨在提高提供响应的置信度和准确性。

理念是模型不仅生成一个响应，而且还回顾你所写的内容，寻找不一致性或可能不正确的信息。这导致更准确的交互，增加可靠、高质量响应的机会。

[你的主要目标是什么]

自我提示的主要目标是通过提示模型回顾和改进其推理，在将其作为最终呈现之前，提高模型提供的响应质量。通过使模型反思其生成的内容，它增加了识别错误和添加可能被遗忘的相关细节的可能性。

另一个目标是促进更多批判性和细致的推理，确保答案的适当性、一致性和清晰性。这种技术在准确性一致至关重要的环境中特别有价值，例如在回答复杂问题时或需要确保提供的信息正确时。

[它是如何工作的]

自我反思提示通过让LLM对生成的初始响应进行批判性分析。分析应考虑响应是否清晰、完整、正确。通过引入“反思”这一步骤，LLM被鼓励审查细节，并在必要时进行调整，从而提高最终响应的质量。

要应用这种技术，提示通常被分为两部分：首先，要求模型回答问题；然后，要求它评估刚刚提供的答案。模型应寻找漏洞或潜在问题，例如缺失细节、不一致性、或事实错误。

此外，这种方法也可以用来鼓励对观点或分析问题进行更深入的反思，通过让模型考虑不同的视角并证明其选择的合理性。这样一来，技术不仅能够改进答案，还能提供对主题的更丰富的见解。

[何时使用]

自我反思提示在准确性和质量是首要考虑因素时很有用。如果问题需要详细的答案，或者错误可能产生严重后果，例如在医疗领域、科学领域，或者在深入分析一个主题时，使用这种技术有助于最小化潜在错误。

当您希望模型提供更稳健的回答时，这也很有用，因为自我反思会促使 LLM 添加初始回答中可能未包含的细节。这对于希望获得更详细或修订结果的用户来说是一种有价值的方法，而无需手动进行修订。

当处理复杂、长信息或可能具有多种解释的信息时，自我反思提示可以确保模型以更结构化和更不模糊的方式呈现答案，提供更可靠和可验证的解释。

[使用提示]

● 请为模型提出清晰的审阅请求，例如“请审阅您的回答并纠正任何错误。”您的审阅请求越具体，结果越好。

● 鼓励模型思考回答的清晰度和完整性。例如，问题“这个回答完整吗？”或“有什么重要的信息遗漏了吗？”可以促进自我反思。

[技术差异]

自我反省激励与其他技术，如思维链，不同，因为它不是专注于生成一步一步的解释，而是在审查已经做的理由并改进它。虽然思维链试图从开始到结束引导思维过程，自我反省激励在一个初始答案被生成后应用。

与少量提示相比，其中提供例子来指导答案的格式，自我反省激励侧重于审查。也就是说，这里的重点不是提供例子，而是确保模型能够评价并改进它的答案。

与角色扮演不同，其中LLM承担一个特定的角色，自我反省激励要求模型对已产生的内容进行批判性评价，而不是采取一个人的角色。这使得这种技术对于提高准确性和一致性有效，而不是改变风格或语气。

[例子]

●        基本：

○        问题： "什么是光合作用？"

○        初步答案： "光合作用是植物制造食物的过程。"

○ 审查： "审查我的答案，我意识到它被大大简化了。光合作用是植物、藻类和某些细菌将阳光、二氧化碳和水转化成葡萄糖和氧气的过程。"

●        中级：

○        问题 : "解释高蛋白饮食的好处。"}

○        初始答案 : "高蛋白饮食有助于肌肉生长。"}

○ 回顾 : "通过回顾，我可以扩展答案。除了有助于肌肉生长外，高蛋白饮食还能促进组织修复、增加饱腹感，并在减肥期间维持瘦肉质量。"}

●        高级 :

○        问题 : "全球变暖对海洋生态系统有什么影响？"}

○        初始响应 : "全球变暖正在使海洋变暖。"}

○ 回顾 : "在回顾后，我发现这个答案非常笼统。全球变暖不仅会增加海洋温度，还会导致酸化、影响珊瑚礁、改变海洋环流模式，并影响海洋生物多样性，对许多物种造成伤害。"}

[上述技术使用的结构]

●        自我反思结构化提示 :

○        {"问题" ["请求 LLM 回答问题或任务"]}

○        {"初始响应" ["允许LLM生成基于其知识的初始响应"]}

○ {" 自我反思" ["要求 LLM 回顾自己的响应并寻找不一致或改进的领域"]}

○        完整示例 :

■        问题: "肝脏在人体中扮演什么角色？"}

■        初始答案: "肝脏有助于食物的消化。"}

自我反思：“回顾我的答案，我发现它不完整。肝脏也过滤血液中的毒素，产生对凝血重要的蛋白质，并储存维生素和矿物质。”

使用上述技术进行提示练习]

1. 请模型回答问题“什么是生物多样性？”并提供一个答案，然后回顾该答案以改进其清晰度和深度。

2. 指令模型回答问题“水循环是如何工作的？”然后回顾其答案，添加细节并纠正任何可能的错误。

3. 请模型解释“为什么回收很重要？”并要求他们回顾答案，确保它完整并且没有遗漏任何重要信息。

4. 基于指令的提示（基于指令的提示）

[什么是]

基于指令的提示，或基于指令的提示，是一种提示工程技术，其中 LLM 被给予关于做什么、如何响应以及包含或排除哪些信息的具体和详细的指令。在这种方法中，模型通过明确的指令逐步引导，这些指令清晰地指导它完成所需的任务。

这种技术有助于确保提供的答案精确地遵循用户的指示，没有歧义。LLM 接收清晰的指南，例如“简要解释”、“仅列出好处”或“使用真实生活例子”。

[你的主要目标是什么]

基于指令的提示的主要目标是获取一致且准确的响应，通过调整LLM 的输出以确保它精确地遵循给出的指令。这有助于减少不确定性，并使模型的行为更加可预测，即使在不同的主题上也是如此。

另一个目标是提高LLM 的响应效率，通过指导它如何处理和结构化信息来实现。详细的指令可以帮助它精确地实现预期的结果，无论是简短、直接的解释，还是详细的分析。这对于实现不同复杂程度的不同需求是有用的。

[它是如何工作的]

基于指令的提示通过将请求分解为清晰、具体的部分来工作。用户向 LLM 提供一系列详细的指令，它必须遵循这些指令来生成预期的响应。指令可以指定语气（正式、非正式）、风格（解释性、列举性）以及内容（包括例子、避免术语等）。

例如，用户可能会要求，“用简短的句子解释光合作用的过程，并且不使用技术术语。”这个具体的指令指导模型如何生成答案。提供给 LLM 的指示有助于避免过于宽泛、不精确或脱离所需上下文的答案。

这种技术要求指令清晰且直接。指令越详细，LLM 就越有可能精确地遵循所要求的内容。这种方法可能包括不仅限于答案的内容，还包括其呈现方式，例如，“以项目符号形式列出”，“使用日常生活中的例子”等。

[何时使用]

基于指令的提示在您为 LLM 的响应设定一个明确且具体的目标时非常有用。如果您需要一个遵循特定格式或风格的响应，例如列表、逐步指南或简短的分析，这种方法是理想的。

在响应中存在大量可能变化的情况下，这也被推荐使用。通过提供精确的指令，模型被引导以以特定方式响应，这有助于确保一致性，特别是在细微差别可能导致误解的任务中。

例如，在教育环境中，当需要确保答案适应学生的理解水平时，或者在需要遵循特定信息和指示的工作环境中，这种技术非常适合确保清晰度和准确性。

[使用技巧]

● 在提供指令时尽可能具体。你提供的细节和指示越多，答案就越有可能符合你的期望。

● 指示模型关于内容的类型、深度或响应的语气，例如“用简单、儿童友好的语言回答”或“使用特定术语提供技术分析”。

[该技术的区别]

基于指令的提示与零样本提示不同，因为它不仅仅简单地询问一个直接的答案，而是包括如何构建答案的详细指示。这有助于避免模糊或不相关的答案。

与少量样本提示相比，后者中 LLM 通过先前示例进行引导，基于指令的提示专注于通过清晰的指令指导模型的行为了，而不需要提供先前示例。这在需要单个、直接风格的响应时最为有效，无需用先前示例训练模型。

此外，与角色扮演不同，在角色扮演中LLM扮演一个角色或人物，指令基于的提示更侧重于如何措辞回答，而不是塑造主题的个性。这使得它成为确保回答符合所需标准的直接方法。

[示例]

●        基础 :

○        问题 : "什么是水循环？用简短、简单的句子解释。"

○ 回答 : "水循环是水从表面到大气以及再次返回的过程，通过蒸发、凝结和沉淀。"

●        中级 :

○        问题 : "列出植物丰富饮食的主要益处。使用非正式和清晰的语言。"

○        回答 :

■        "1. 有助于维持心脏健康。"

1. 改善消化。

2. 提供必需的维生素和矿物质。

3. 它可以帮助控制体重。"

●        高级 :

○ 问题 : "解释空气污染对人类健康的影响，但不要使用医学术语。提供两个日常生活中影响的例子。"

○ 回答 : "空气污染可能导致呼吸问题并使人们更加疲劳。例如，有人在散步时可能会感到呼吸困难，而当污染严重时，儿童可能会有更多的咳嗽。"

[上述技术使用的结构]

●        基于指令的结构化提示 :

○        {"问题/任务" ["提供对模型的主要问题或请求"]}

○ {"具体说明" ["包括明确的指示，例如：'用一句话解释', '列出主要观点', '使用日常例子'"]}

○        {"细节要求" ["如有必要，包括额外的请求，例如：音调、回答的深度等。"]}

○        完整示例：

■ 问题：“血液循环系统是如何工作的？请用简单术语解释，并且不要超过两句话。”

■        说明：“使用适合小学生的语言，适合小学生理解。”

使用上述技巧进行提示练习]

1. 给出模型解释“植物如何生长”的任务，并包括以下说明：使用简单、非专业术语在三个句子或更少的篇幅内进行解释。

2. 请向模型列出“物理活动三个益处”的清单，并使用旨在针对初学者进行物理锻炼的激励性语言。

3. 指导模型解释“什么是日食？”并提供额外的说明：“用科学语言描述这一现象，但要确保内容能够被高中生理解。”

4. 反思

[什么是]

Reframing , or Reframing, is a prompt engineering technique that involves reformulating the problem or question presented to the LLM so that it is seen from a new persective. The goal is to help the model respond differently, offering a more comprehensive or in-depth view of the same topic, depending on the approach taken.

In other words, Reframing is a way of guiding the model to consider a different aspect of the initial question by changing the way the prompt is asked. This might include rephrasing the prompt , inverting the point of view, or asking the model to consider other contexts and angles.

[What is your main goal ?]

The main goal of Reframing is to obtain a richer and more diverse answer by exploring different facets of the same question. Often, a direct question can generate a limited answer; by reframing the problem, the LLM is encouraged to analyze and provide more creative or complete answers.

Another goal is to address situations where the model appears to have misunderstood the initial question or provided an inadequate answer. Reframing the question gives the model a new opportunity to interpret the problem in a different way and bring in information that was not considered in the original answer.

[How it works ]

重构通过重新表述初始提示，使模型对问题有不同视角。这可以通过多种方式实现，例如改变提示的语气、添加或删除细节，甚至询问模型如何回应他人的问题。重构改变了上下文和方法，从而扩展了生成响应的类型。

例如，而不是直接询问，“锻炼有哪些好处？”，你可以将问题重新表述为，“锻炼如何有助于我的身心健康？”或者“为什么很多人推荐将锻炼作为健康生活方式的一部分？”这些重新表述允许模型考虑同一问题的不同方面。

此外，当生成的答案不符合预期时，重构是一种有用的技术。通过修改提问方式，模型被鼓励采取新的角度，这通常会导致更相关或更详细的答案。这在尝试获取更全面或更详细答案时尤其有用。

[何时使用]

重述应在答案最初提供的似乎有限或没有充分探索主题时使用。如果答案不符合你的期望，重述问题可以帮助你得到一个更符合你寻找的内容的新结果。这种技术适用于你想要探索一个主题的不同视角的情况。

它也是一个非常有价值的技术，在创造性环境中，例如想法开发或头脑风暴。通过重述问题，模型可以提供对同一想法的不同方法，帮助在创造和探索新可能性的过程中。

此外，重述在处理可能难以在一开始理解的复杂主题时非常有用。通过改变问题的角度，它成为可能探索问题的细微差别，导致模型提出不同的元素和主题的部分，使理解变得更容易。

[使用技巧]

● 尝试用不同的词语或短语重述问题。一个小小的改变可以极大地改变模型的视角。

● 考虑改变请求的语气。例如，如果你正在请求一个详细的分析，尝试将问题重新表述为询问一个观点或总结，并反之亦然。

[技巧的差异]

重构 与 零 次 提示 和 少量 次 提示 不同 ，因为它 不是 直接 提问 或 提供 示例 ，而是 重构 问题 以 探索 新的 回答 .虽然 零 次 提示 和 少量 次 提示 关注 初始 提示 和 提供的 示例 ，但 重构 改变 问题 本身 以 鼓励 不同的 方法 .

与 角色 扮演 相比 ，其中 涉及 让 LLM 扮演 一个 特定的 角色 ，重构 关注 改变 对 问题的 视角 ，而不 必 改变 模型的 角色 。而不是 试图 让 模型 像 另一个人 一样 回答 ，它 简单地 改变 它们 看待 问题的 方式 .

在 思维 链 的 背景下 ，其中 重点 在于 创建 一个 详细的 推理 线路 ，重构 不一定 涉及 逐步 解释 ，而是 更 关注 生成 新的 视角 .其 思想 在于 拓宽 对 问题的 理解 ，而不是 详细 阐述 单一 视角 背后的 推理 .

[示例]

●        基础 :

○        原始 问题 : "什么是 日 食? "

○ 重构 : "如何 发生 日 食 以及 它 对 地球 有何 影响? "

○ 答案 : "当月亮在地球和太阳之间移动时，会发生日食，在短时间内阻挡阳光。这会在地球表面形成阴影，并暂时减弱某些地区的亮度。"

●        中间 :

○        原始问题 : "什么是回收利用的益处？"

○        重构 : "为什么回收利用对环境和人民都很重要？"

○ 答案 : "回收利用很重要，因为它有助于减少垃圾填埋场的垃圾量，节约自然资源，并减少污染。它还促进了环境意识，并为社区创造了经济机会。"

●        高级 :

○        原始问题 : "解释进化理论的重要性。"

○ 重构 : "进化理论是如何有助于我们理解生物学和生命多样性的？"

○ 答案 : "进化理论为理解物种如何适应和随时间变化提供了基础。它解释了生命的多样性和自然选择的过程，这对于遗传学、生态学和甚至医学的研究至关重要。"

[上述技术使用的结构]

●        重构结构化提示 :

○        {"原始问题" ["请提供主要问题或请求"]}

○ {"重构" ["重构问题以改变观点，添加细节，或扩展范围"]}

○ {"改进响应" ["使用新视角来生成一个响应，探索新元素或提供更多细节"]}

○        完整例子：

■        原始问题： "植物中叶子的功能是什么？"

■ 重构： "叶子如何促进植物生存以及它们如何执行其主要功能？"

■ 改进答案： "叶子负责光合作用，将阳光转化为植物的能量。它们还帮助进行气体交换，吸收二氧化碳并释放氧气，并通过蒸腾作用调节水分流失。

使用上述技术进行促导练习]

1. 将问题“什么是细胞？”重构为“细胞如何作为生命的基本单位发挥作用？”并要求模型从这个新视角回答。

2. 重新构建问题“为什么蜜蜂很重要？”为“蜜蜂如何影响环境和我们的农业？”并看看模型如何从更广阔的视角回答。

3. 提出“什么导致气候变化？”然后将其重构为“气候变化对人类人口有什么影响？”以探索问题的新角度。

4. 语境扩展（语境扩展）

[什么是 ]

上下文扩展，或称为上下文扩展，是一种提示工程技术，它通过在询问主要问题之前向 LLM 提供关于主题的更广泛或更详细的信息来实现。目标是确保模型更好地理解整个场景，从而允许更准确和更全面的信息回答。

上下文扩展通过在你直接询问 LLM 之前添加相关信息来工作。这可以包括背景信息、额外的描述、术语定义或有助于模型更好地理解问题的示例。而不是直接提问，你通过为 LLM 创建一个更丰富的场景来设定舞台。

你的主要目标是什么？

上下文扩展的主要目标是提高 LLM 回答的相关性和准确性，通过提供他需要理解问题所需的所有信息。这在问题复杂或依赖于特定细节时尤为重要，这些细节如果没有适当的上下文，可能会被误解。

另一个目标是确保 LLM 对特定目标受众做出适当的响应。通过扩展上下文，你可以向 LLM 提供有关期望和将要使用的语言类型的信息，例如，响应应该是技术性的还是简单的，或者它应该面向儿童还是专家。

[How it works ]

上下文扩展通过在主要问题之前添加介绍性信息来工作。这些信息有助于“设置”模型，提供一个关于主题的完整画面。这样，LLM 在回答时就有更多的元素要考虑，因此，相应地，生成更一致和详细的答案。

例如，在询问“太阳能的优势是什么？”之前，你可以通过以下方式扩展上下文：“鉴于太阳能是一种可再生的电力形式，特别是在全年阳光充足地区非常重要，这种类型能源的优势是什么？”通过在主要问题之前提供更多细节，LLM 会被引导考虑这些观点来回答。

Another example of how this works would be if you were explaining 一个概念 给一个孩子。 在问“什么是重力？” 之前， 你可能会说， “想象一下你手里拿着一个球，然后把它扔出去。球会落回地面，因为有一个叫做重力的力。” 然后， “现在，什么是重力？” 这种类型的 方法 创建了一个场景， 其中 LLM 理解答案应该是孩子友好的。

[When to use ]

The Context Expansion technique should be used when the problem being addressed is complex 或 需要先前的知识 以便提供正确的答案。 当简单答案不足以解决问题时， 这种技术 也会有所帮助， 因为通过提供额外的环境， LLM 可以被引导生成更完整和更信息丰富的答案。

This technique is useful when dealing with different audiences, such as explaining 一个科学概念 给一个非专业人士或一个孩子。 通过提供适当的环境， 模型 可以适应 听众 的需求。

Additionally, it is recommended in cases 当 LLM 最初提供了一个不完整或错误的答案时， 因为通过提供更多的环境， 可以重新引导模型 的焦点 到重要的和必要的点上， 帮助它避免错误。

[Tips for use]

● 包括相关的背景信息，但避免在上下文中过度扩展。目标是直接并提供仅用于指导模型的信息。

● 当扩展上下文时，考虑谁将阅读响应。例如，根据你的目标受众调整细节的程度和语言的类型。

[技术差异]

上下文扩展与零次和少次提示不同，因为它不是仅仅提供示例或直接提问，而是在请求之前扩展信息库。这给模型提供了更多元素来生成与预期相符的响应。

与角色扮演相比，角色扮演中LLM扮演一个特定的角色或视角，上下文扩展的重点在于扩展问题将被提出的场景。模型不是“扮演”一个特定的角色，而是接收额外的信息来更好地理解上下文。

与Reframing相比，Reframing的目标是改变问题的视角，上下文扩展关注在提问之前向模型提供更多信息。它不会改变问题的角度，而是增加模型可用于给出更好答案的信息量。

[示例]

●        基本 :

○ 扩展内容： "太阳能 是 最广泛使用的可再生能源之一，特别是在阳光充足的地区。它通过太阳能电池板直接将阳光转化为电能。"

○        问题： "太阳能的主要好处是什么？"

○ 回答： "太阳能的主要好处是它是一种清洁、无污染且可再生的能源，同时也能减少对化石燃料的依赖。"

●        中级：

○ 扩展内容： "海洋覆盖了地球表面约 70%，在调节气候和维持海洋生物方面发挥着至关重要的作用。"

○        问题： "海洋如何调节地球的气候？"

○ 回答： "海洋吸收来自大气的大量热量，有助于调节全球温度。此外，它们负责释放水蒸气，这影响降雨循环。"

●        高级：

○ 扩展内容： "在爱因斯坦的相对论理论中，空间和时间是相互依赖的，并形成一个可以被大量物质，如行星和恒星的存在所变形的织物。"

○        问题： "如何 解释 爱因斯坦的相对论？"

○ Answer : "相对论解释了重力是空间-时间结构在巨大物体周围的曲率。较小的物体沿着这个曲率移动，我们感知为重力。"

[Structureof the technique used above]

●        Context Expansion Structured Prompt :

○ {"Expanded Context" ["Provideintroductoryinformationoradditionalcontextaboutthetopic,settingthestageforthemainquestion"]}

○ {"Main Question" ["Make the request specific, ensuring that the contexthas already providedthe basis for a informedanswer"]}

○        {"Response" ["LLM uses contexttorespondacccuratelyandindetail"]}

○        Complete Example :

■ Expanded Context: "光合作用是植物利用阳光、水和二氧化碳产生能量的基本过程。"

■        Main Question: "光合作用如何作为整个生态系统的一部分，对生态系统有哪些益处？"

■ Answer: "光合作用不仅为植物生产葡萄糖，还释放氧气，这对其他生物的呼吸至关重要，有助于维持生态系统的平衡。"

Prompt exercises using the above technique]

1. Give the model the context "Recyclingisanimportantprocessforsolidwastemanagement,reducingtheamountofwastethatgoestolandfills."andaskthemodeltoexplain"Whatarethepositiveimpactsofrecyclingontheenvironment?"

2. 给出模型上下文“传粉动物，如蜜蜂，在许多植物的繁殖中扮演着至关重要的角色，确保食物生产。”然后问“为什么保护蜜蜂对农业至关重要？”

3. 提供上下文“人工智能日益在我们的日常生活中出现，从虚拟助手到医疗诊断。”然后问“应用人工智能在医学中的好处和挑战是什么？”

4. 消除

[什么是]

消除，或称为消除法，是一种提示工程技术，它包括明确限制不应包含在 LLM 响应中的信息或视角。重点在于过滤掉无关信息或消除不希望的方法，从而使模型生成的响应与真正重要的事项保持一致。

消除技术涉及让 LLM 在构建响应时忽略某些元素、术语或细节。这种方法特别适用于缩小响应范围并确保内容高度聚焦，不受干扰或歧义的影响。

[你的主要目标是什么？]

消除的主要目标是通过对上下文中任何可能导致答案过于宽泛或分散的噪音或元素进行移除，从而提高 LLM 响应的相关性和清晰度。通常，模型可能包含对用户特定目的来说虽然正确但并非有用的信息。消除技术有助于避免这种情况。

另一个目标是使你的答案更加高效和具体。这在信息量很大，但你只想得到一个专注、具体答案的情况下尤为重要。该技术还可以用来避免你不想涉及的某些角度，例如，当你的听众是非专业人士时，消除科学术语。

[如何工作]

消除通过在提示中包含一个提示来实现，该提示明确指出应避免哪些元素。用户指示 LLM 不要提及或考虑某些方面，这缩小了响应的范围。这可能包括术语、主题、示例或不应使用的语言风格。

例如，如果你在为一个孩子寻找关于引力的简化解释，你可能会要求 LLM 说：“解释什么是引力，但不要使用复杂的科学术语。”另一个例子可能是：“素食饮食有哪些好处，但不要提及环境方面。”这种类型的提示确保答案专注于用户确切需要的内容，而不包含分散信息。

这种技术也可以用来避免包含敏感或不相关的信息。这有助于保持对特定受众的回应适当，并避免不必要的信息，使互动更加可控。

[何时使用]

当话题包含大量可能的信息，但你只需要一个专注于单一特定方面的答案时，应使用排除法。这在例如向不需要技术细节的受众解释复杂概念或保持答案与特定目的一致时很有用。

当你想要消除歧义时，推荐使用。通常，LLM 可能会包含一个长答案，涵盖话题的所有方面。如果你只对某一特定视角或快速、直接的答案感兴趣，使用排除法可以帮助你将信息限制在真正相关的内容上。

这种技巧在需要根据听众的理解水平调整你的回答时也同样有效。例如，当向孩子们解释一个科学概念时，你可能会要求他们不要使用技术术语或省略复杂细节。

[使用技巧的提示]

● 关于应该避免的内容要具体明确。你越清楚不应该包含什么，LLM 的回答就会越聚焦。

将消除法与其他技巧结合使用可以提高准确性。例如，提供上下文（上下文扩展）然后消除与所呈现场景无关的方面。

[技巧的区别]

消除法与其他技巧，如上下文扩展不同，因为虽然上下文扩展通过添加信息来丰富答案，消除法则是移除某些元素以缩小范围。这使得答案针对必要点，消除不相关元素。

与重新审视相比，后者改变问题的视角以探索新的观点，消除法只是从答案的上下文中移除不必要的信息。它是一种旨在缩小范围和避免不相关细节的技术，而重新审视则试图改变问题的角度。

关于基于指令的提示，具体指令是关于答案格式的，消除法关注于确保不应包含的内容，而基于指令的提示则关注于如何构建答案。消除法旨在通过避免分散元素来确保答案的准确性，而基于细节的指令则指导应做什么。

[示例]

●        基本:

○        问题: "温室效应是什么？"

○        删除指令: "解释温室效应是什么，但不要提及具体气体。"

○ 答案: "温室效应是大气捕捉来自太阳的热量的过程，使地球保持温暖，足以维持生命。"

●        中级:

○        问题: "素食饮食的好处是什么？"

○        删除指令: "列出好处，但不要提及环境影响。"

○ 答案: "素食饮食可以帮助改善心脏健康，控制体重，降低某些慢性疾病的风险，并提供富含纤维和维生素的营养。"

●        高级:

○        问题: "气候变化对城市有什么影响？"

○        删除指令: "解释影响，但不要提及自然灾害。"

○ 答案 : "气候变化通过增加对基础设施的压力、为水资源供应创造挑战、增加冷却能源成本以及增加由于极端高温而导致的公共卫生问题的风险来影响社会。"

[上述技术的结构]

●        消除结构化提示 :

○        {"问题/任务" ["为模型提供主要问题或请求"]}

○        {"消除指令" ["包含关于在答案中应避免的内容指令"]}

○        {"响应" ["LLM根据请求生成响应，避免指示的元素"]}

○        完整示例 :

■        问题: "什么是日食？"

■        删除指令: "简单解释，但不要提及术语 'umbra'。"

■ 答案: "日食发生时，月亮在太阳和地球之间通过，暂时阻挡太阳的光线。"

使用上述技术进行提示练习]

1. 向模型提问 "食物链是什么？" 但指示其或她不要提及具体动物的例子。评估模型在没有这些例子的情况下如何保持专注。

2. 向模型提问 "太阳能的好处是什么？" 并消除对成本或财务节省的任何提及。注意答案如何改变，仅关注环境或可持续性方面。

3. 提问：“水对人类身体有多重要？”但消除对水在消化过程中作用的任何提及。看看答案是如何在没有包括那个具体方面的情况下被塑造的。

4. 目标分解（目标分解）

[What is ]

目标分解，或称目标分解，是一种提示工程技术，它包括将一个复杂的请求分解成更小、更易于管理的步骤。这种技术帮助 LLM 处理涉及多个相互关联任务或部分的问题，通过将整体目标分解成多个子目标来简化响应过程。

中心思想是将一个更大的任务分解成逻辑上组织的部分，指导LLM 逐一解决它们，直到达到完整的解决方案。采用这种方法，较小的部分可以更容易地被理解和回答，从而导致一个更准确和结构良好的整体答案。

[What is your main objective ]

目标分解的主要目标处理那些可能过于复杂而无法一次性解决的问题。通过将问题分解，LLM 可以专注于清晰地、精确地解决每个子问题，从而提高最终答案的质量。这种方法在任务包含多个步骤或需要分别处理的不同方面时尤其有用。

另一个重要目标是促进对如何实现最终目标的更深入理解。将目标分解有助于模型逐步走过每个必要步骤，避免逻辑跳跃，并提供更易于理解且详细的答案。这种技术在处理需要更深入分析的主题时至关重要，可以避免提供泛化和简化的答案。

[如何工作]

目标分解通过让 LLM 将任务分解成多个步骤来实现。最初，用户可以要求 LLM 识别完成整体目标所需的子任务。然后，这些子任务可以单独回答。这个过程可以通过提示来引导，这些提示鼓励逻辑划分和规划要遵循的步骤。

例如，如果你要求模型解释“我如何开发一个移动应用？”，目标分解的一个例子就是将答案分解成以下部分：“定义应用想法”，“选择编程语言”，“设计用户界面”，“实现功能”，以及“测试应用”。这样，LLM 可以按顺序回答每个部分，提供一个清晰的整个过程的视图。

这种方法在解决涉及多个变量的问题时是理想的。将目标分解成更小的部分，允许 LLM 在将它们整合到整体解决方案之前，专注于每个单独的组成部分。

[何时使用]

当请求涉及可能过于宽泛或复杂，无法在一个目标中回答的任务时，应使用目标分解。这种技术在解决涉及多个步骤或需要详细解释，涵盖多个方面的话题时非常有用。

它适用于需要计划的情况，例如当目标是创建某些东西、组织复杂信息或解决具有多个层的问题时。该技术也广泛应用于教育环境中，因为它允许学生逐步看到过程，帮助他们理解整个概念。

此外，当用户需要包含所有重要细节的答案时，建议使用目标分解，而不会遗漏任何方面。通过分解目标，LLM 可以详细且连贯地处理每个方面，从而避免遗漏。

使用技巧

● 当您要求您的 LLM 将目标分解为更小的部分时，首先要求一个子任务列表，然后要求它们解释每一个。这将确保在详细说明之前，每个步骤都被理解。

● 在向模型解释如何将目标分解为更小的部分时，要尽可能具体。告诉模型关注“将其分解为简单、逻辑的步骤”，然后要求模型对每一步进行展开。

技术差异

目标分解与思维链不同，思维链侧重于通过步骤进行思考以对问题进行推理，但通常旨在得出一个单一的特定答案。另一方面，目标分解涉及创建多个子任务，这些子任务需要完成才能实现一个更大的目标。思维链更像是一条连续的逻辑线，而目标分解则是将任务分解为离散的部分。

与少量提示相比，其中示例被提供给模型，以便模型理解预期的响应，分解重点在于将原始请求分解成几个更小的部分。虽然少量提示有助于塑造响应的风格，但目标分解处理内容的复杂性。

此外，与基于指令的提示不同，后者提供关于如何响应的具体指令，目标分解指导模型创建一个结构化的计划来响应目标，按顺序处理不同的部分。它不像关注响应应该如何结构化那样关注响应的结构，而是关注问题应该如何分解。

[示例]

●        基础 :

○        问题 : "如何在花园中种树？"

○        目标分解概述 :

■        选择适合您气候的树。

■        准备种植土壤。

■        步骤 1 : 挖一个合适的洞。

■        放置树并覆盖土壤。

■        种植后浇水和照料树。

○        回答 :

■ 1. 选择适合您气候的树 : 选择一种适应您地区气候的树种，以确保健康生长。

■ 2. 准备种植土壤 : 确保土壤排水良好，如有必要，添加肥料。

■        (继续详细说明每个步骤).

●        中级 :

○        问题 : "如何计划一次国际旅行？"

○        目标分解 :

■        设置 目的地 和 日期.

■        为 旅行 制定 预算.

■        预订 机票 和 住宿.

■        规划 旅游 行程.

■        准备 文档 和 演讲稿.

○        回答 :

■ 1. 定义 目的地 和 日期 : 根据 你的 兴趣 和 你 能 旅行的 时间 选择 目的地.

■        2. 制定 旅行 预算 : 估算 交通、住宿、餐饮和旅游的费用.

■        (继续 以下 步骤).

●        高级 :

○        问题 : "如何为一家科技创业公司制定一个商业计划?"

○        目标分解 :

■        定义 价值 主张 和 将要解决 的问题 : 第一步是理解你的创业公司解决的是什么问题，以及它为顾客带来的价值主张是什么.

■        分析 目标 市场 和 竞争.

■        开发 商业模式.

■        规划 市场营销 和 销售 策略.

■        制定 一个 包含 预测的 财务 计划.

○        回答 :

■ 1. 定义 价值 主张 和 将要解决 的问题 : 第一步是理解你的创业公司解决的是什么问题，以及它为顾客带来的价值主张是什么.

■ 2. 分析 目标 市场 和 竞争 : 评估 目标 受众 并对 竞争 进行 详细 分析，识别 机会.

■        (继续 以下 步骤).

[上述 技术 结构 的 结构]

●        目标分解 结构化 提示 :

○        {"问题/任务" ["请模型提供主要问题或要求"]}

○        {"目标拆解" ["请模型将目标拆解为清晰、逻辑的子任务"]}

○ {"答案至于子任务" ["请模型提供每个步骤的答案，以详细和顺序的方式"]}

○        例子：

■        问题：“如何组织一场公司活动？”

■        目标拆解：

■        确定事件的目的。

■        选择日期和地点。

■        制定预算。

■        制定问题清单。

■        聘请供应商。

■        答案：

■ 1. 确定事件的目的：了解事件的目的是什么—网络联系、培训、庆祝—所以，所有的计划都围绕这个目的进行。

■        (继续详细列出每个子任务)。

促进使用以上技术的练习]

1. 请模型解释“如何写一部小说？”，通过将目标分解为几个部分，并描述每一个。

2. 请模型详细解释“如何开设一家小型服装店？”，将任务分解为明确的步骤，如选择地点、财务规划、购买存货等。

3. 指示模型解释“如何学习一门新语言？”，通过将目标分解为更小的部分，如设定学习目标、选择资源、日常练习等。

4. 逐步细化（Step-by-Step Detailing）

[什么是]

逐步细化，或称为逐步细化，是一种提示工程技巧，其中 LLM 被引导通过提供每个步骤的详细信息来描述一个过程或响应一个请求，一次一个步骤。目标是让模型以清晰、引导和组织的方式引导解释，从而促进对复杂或多阶段过程的了解。

这种技术对于将大块信息分解成小块、易于消化的部分非常有用，为读者提供一种逻辑和直观的顺序。逐步细化的目的是确保过程的每个方面都不会被忽视，并且每个步骤都以一种可理解的方式呈现。

[你的主要目标是什么]

逐步细化的主要目标是确保答案的清晰性和完整性。当面对那些具有多个步骤或难以一次性理解的任务时，逐步细化通过提供小块具体指令，使得理解变得更加容易。

另一个重要目标是避免混淆或遗漏。在许多情况下，一个一般性的答案可能过于宽泛，并遗漏重要细节。通过详细说明每个步骤的过程，LLM 被引导不要跳过任何步骤，提供一个全面、涵盖所有相关细节的答案。

[如何工作]

逐步细节通过指导 LLM 按顺序、编号或列表形式描述答案，来工作。提示应包括诸如“逐步”，“详细说明每个步骤”或“描述每个阶段”等词语，以鼓励模型将答案分解成更小、更解释性的部分。

例如，如果你问，“如何制作蛋糕食谱？”你可能会说，“解释从准备原料到完成步骤的逐步过程。”LLM 将会然后将答案分解成如下步骤，“步骤 1：收集所有必要的原料”，“步骤 2：预热烤箱”，等等。

这种技巧特别有效，当用户需要遵循特定指令执行一个动作时。无论是烹饪、组装一件设备，还是解决一个数学问题，逐步细节提供了清晰的指南来遵循。

[何时使用]

逐步细化在需要一个组织良好且清晰的关于如何执行复杂任务的答案时很有用。这种方法非常适合教程、手册、科学解释或任何涉及一系列必须遵循的动作的情况。

它在需要通过确保 LLM 提供结构化的答案来避免混淆的情况下推荐。这种方法特别适合首次学习一个主题的听众，他们需要精确的指导。

此外，逐步细化可以在需要逻辑解决方案的情况下使用。将问题分解为步骤允许 LLM 以结构化的方式构建推理，这对于数学或逻辑问题非常重要，确保每个步骤都被解决并适当地处理。

[使用技巧]

● 使用鼓励将答案分解为步骤的术语，例如“逐步”、“每步编号”或“分别解释每个部分”。

● 请确保模型在每一步都具体说明，提供关于每个动作的详细信息，并且不跳过任何过程的一部分。

[技术差异]

逐步细化与目标分解不同，尽管这两种技术都涉及将问题分解成部分，但逐步细化关注于引导读者通过线性方式，一步接一步地通过一个过程，而目标分解可以简单地描述构成目标的元素，而不必必要地引导它们在一个线性序列中。

与思维链相比，思维链试图通过逐步解释每个步骤直到得出结论来解释原因，逐步细化更专注于解释如何执行一项任务，提供清晰、连续的指令，使读者能够从开始到结束跟随整个过程。

关于少样本提示，逐步细化关注于构建答案的几个步骤，而少样本提示则更多地关于展示例子来引导回答。通过逐步细化，没有先前的例子，而是一种方法性的方法来解决请求。

[示例]

●        基础：

○        问题："如何制作奶酪三明治？"

○        逐步细化：

1. 取两片面包。

2. 在面包之间放一片奶酪。

3. 加热一个平底锅并加入少量黄油。

4. 将三明治放在平底锅中，直到两面都变成金黄色。

5. 热食。

●        中级：

○        问题：“我如何在手机上设置电子邮件账户？”

○        逐步：

1. 打开您的手机设置应用。

2. 前往“账户”或“电子邮件”选项。

3. 点击“添加账户”。

4. 选择您的账户类型（例如：谷歌，雅虎）。

5. 输入您的电子邮件地址和密码。

6. 完成设置过程并调整偏好设置。

●        高级：

○        问题：“我如何解一个二次方程？”

○        逐步：

1. 将方程写成标准形式：ax² + bx + c = 0。

2. 确定 a、b 和 c 的值。

3. 巴希卡拉公式：x = (-b ± √(b² - 4ac)) / 2a。

4. 计算判别式（b² - 4ac）。

5. 将值代入公式并计算 x 的可能值。

6. 检查找到的根以确认它们是有效的。

[上述技术使用的结构]

●        逐步详细结构提示：

○        {"问题/任务" ["向模型提供主要问题或请求"]}

○        {"逐步分解" ["指导 LLM 将过程分解为编号步骤或清晰的阶段"]}

○ {"每一步的答案" ["要求 LLM 详细描述每一步，确保清晰和完整性"]}

○        完整示例：

■        问题：“如何在花园里种植番茄种子？”

■        逐步细节：

1. 在花园里选择一个阳光充足的地方。

2. 在地面上钻一个小洞。

3. 将番茄种子放入孔中并用土壤覆盖。

4. 轻轻浇灌土壤。

5. 确保定期浇水并移除周围的杂草。

■ 回答：“每个步骤都解释清楚，以确保即使是初学者也能跟随并成功种植。”

使用上述技巧进行提示练习]

1. 要求模型描述“如何制作橙汁？”以清晰的步骤，从选择橙子到将果汁倒入玻璃杯中。

2. 要求模型解释“如何组装一辆新自行车？”通过将其分解为包括卸车、调整车轮和安装把手等步骤的步骤。

3. 指导模板解释“如何准备一份财务报告？”的每个步骤，从收集财务数据到以清晰和客观的格式展示结果。

4. 反馈循环提示

[什么是]

反馈循环提示，或反馈循环，是一种提示工程技巧，涉及让 LLM 根据特定标准修订或改进其响应，以迭代方式。目标是生成一个不断改进的响应，直到它达到一个令人满意的准确性、清晰度或完整性的水平。

在这种技术中，LLM 被指导提供初始响应，然后被要求评估其或自己响应的质量，进行调整或改进。这创造了一个循环，其中响应会不断进化，直到达到更令人满意的水平。

[What is your main goal ?]

[The main goal of Feedback Loop Prompting is to improve the quality of the response through iterative review. Often, the model’s first attempt may contain inaccuracies or be insufficient. By constantly reviewing the response and seeking improvements, this technique aims to ensure that the final result is as accurate, detailed, and useful as possible.

另一个目标是促进发展一个与用户期望更一致的响应。当 LLM 审查其或他人的响应时，它或她可能会被指导关注特定方面，补充可能被遗漏的细节，或简化过于复杂的部分。

[How it works ]

反馈循环提示通过将响应过程分解成多个生成和审查步骤来工作。最初，LLM 提供一个对提示的答案。然后，用户或模型本身会根据某些标准，例如“这个答案完整吗？”或“有没有什么可以更好地解释的地方？”，提出问题以审查和改进那个答案。在每个循环中，答案都会进行调整和改进，直到它变得令人满意。

例如，如果模型被要求解释一个科学概念，它可能会先给出一个初始答案，然后被要求对其进行修订：“现在，回顾你的答案并看看是否有任何重要的细节可能被遗漏。” 这个反馈循环会重复进行，直到答案清晰且正确。

审查过程可能包括关于响应不同方面的具体问题，例如准确性、风格或完整性。这种技术鼓励模型识别自身响应中的弱点，并做出适当的改进。

[何时使用]

反馈循环提示应该在响应质量特别重要的情况下使用，例如在需要精确和详细的情况下。它非常适合解决复杂问题、回答技术问题或处理需要细节的关键主题。

这种技术在创建需要持续改进的内容时也很有用，例如教育文本或报告，在这些内容中，确保每个细节都清晰易懂非常重要。反馈循环可用于根据目标受众调整回答的深度。

此外，当你想在改进自身回答的过程中涉及 LLM 时，反馈循环提示非常有用，鼓励自我反思并提供一个更接近用户预期的回答。

[使用提示]

● 使用具体问题来指导你对模型的回顾。例如，“回顾答案并查看是否有任何相关信息缺失”或“简化解释以便初学者更容易理解”。

● 重复循环直到你对答案满意。每次迭代都应该改进答案，因此为每次循环提供清晰的指导很重要。

[技术差异]

反馈循环提示与自我反思提示不同，因此，虽然自我反思提示涉及模型评估其回答以识别和纠正错误，反馈循环则涉及多次修订和改进，创建一个迭代过程，直到回答足够充分。

与少量示例提示相比，后者试图根据示例塑造答案，反馈循环提示更加动态和适应性强。它不是在提前设置一个基于示例的标准，而是在实时中根据持续的质量标准来细化答案。

关于逐步细化，这里的重点是提供逐步解释，反馈循环提示专注于不断改进一个已经给出的答案。目标是使答案更加精确和详细，而逐步细化旨在引导读者通过一个过程。

[示例]

● 基础：

○ 问题："什么是日食？"

○ 初始答案："日食是当月亮在地球和太阳之间经过时。"

○ 回顾（反馈循环）："请回顾这个解释的完整性。请再次回答。"

○ 改进后的答案："日食发生在月亮直接位于地球和太阳之间，完全或部分遮挡太阳的光。它只能从地球的一些部分在短时间内看到。"

● 中间步骤：

○ 问题："可再生能源的主要好处是什么？"

○ 初始答案："可再生能源是清洁的，并且不会污染。"

○        Review ( Feedback Loop) : "Revise and expand the answer, including other relevant benefits."

○ Improved Answer : "Renewable energy is clean and non-polluting. It also reduces dependence on fossil fuels, promotes long-term sustainability, and can contribute to the local economy by creating jobs in sectors such as solar and wind power."

●        Advanced :

○        Question : "Explain the impact of the theory of relativity on modern science."

○        Initial Answer : "The theory of relativity changed our understanding of time and space."

○        Review ( Feedback Loop) : "Review and expand the answer, specifying modern scientific applications."

○ Improved Answer : "The theory of relativity has changed our understanding of time and space, showing that the two are interconnected. This theory has fundamental applications in modern technologies, such as the global positioning system (GPS), which must take into account the temporal distortions predicted by relativity in order to function properly. In addition, it has contributed significantly to the development of nuclear physics and cosmology. "

[Structure of the technique used above]

●        Structured Feedback Loop Prompt :

○        {"Question/Task" ["Provide the main question or request to the model"]}

○        {"Initial Response" ["Allow LLM to provide an initial response based on their knowledge"]}

○ {"审查请求" ["请 LLM 审查您的答案以改进、精炼或添加更多细节"] }

○ {"改进后的回答" ["LLM 根据反馈进行改进和调整，重复循环直到达到所需的品质"] }

○ 完整示例 :

■ 问题: "光合作用是如何工作的？"

■ 初始答案: "光合作用是一个植物将阳光转化为能量的过程。"

■ 审查请求: "请审查并添加更多关于该过程中涉及步骤和组件的细节。"

■ 改进后的答案: "光合作用是植物、藻类和某些细菌将阳光转化为化学能量的过程。它发生在细胞的叶绿体中，其中阳光、水和二氧化碳被用来产生葡萄糖和氧气，这对植物和其他生物的生存至关重要。"

使用上述技术进行提示练习

1. 请模型解释“水循环是如何工作的？”然后，请模型修订并添加细节，具体说明循环的每个阶段。

2. 问“什么是气候变化？”然后，在初始答案之后，指示模型修订，并添加关于人为原因和全球影响的信息。

3. 给出模型问题“运动的好处是什么？”并要求他/她回答后审查和扩展答案，包括与心理健康和社会健康相关的内容。

4. 迭代改进 (迭代改进)

[什么是 ]

迭代改进，或称为迭代改进，是一种提示工程技术，涉及通过询问 LLM 根据增量反馈改进响应来多次迭代地改进响应。在每次新的迭代中，模型都会调整以改进响应的特定方面，例如清晰度、精确度、风格或深度，直到达到令人满意的水平。

与单个反馈回路不同，迭代改进涉及多个改进步骤。重点是持续改进答案，每一轮修订都比上一轮更具体。因此，这种方法旨在确保最终答案是清晰、正确且与用户的期望完美对齐。

[你的主要目标是什么 ]

迭代改进的主要目标是通过对响应进行多级改进，以实现响应的最高可能质量。通过在多个阶段审查响应，模型可以识别和纠正潜在缺陷，消除歧义，并添加使内容更具价值和准确性的细节。

另一个目标是使响应更加针对特定的受众或情境。在每次迭代中，响应可以根据特定受众进行调整，根据目的调整语调，并提高连贯性。该技术旨在通过确保信息尽可能清晰和恰当地传达来使沟通更有效。

[How it works ]

迭代改进通过一系列步骤进行，其中 LLM 根据用户提供的特定标准来指导其响应的改进。在生成初始响应后，LLM 被指导进行审查和调整。这些调整可能包括添加更多细节、简化、澄清某些点或消除歧义。

用户可以使用具体问题来指导每次迭代，例如“解释一下 X 部分”、“简化技术语言”或“添加一个实际例子来说明”。通过这种方式，LLM 逐步改进和调整其答案，直到完全符合用户的需求。

例如，当被要求解释汽车发动机是如何工作时，最初的回答可能是一个基本的总结。第一次改进可能要求你添加不同类型发动机的例子，第二次可能要求你详细说明内部组件，而第三次可能专注于简化语言以便于普通听众理解。

[何时使用]

当需要通过多个步骤提高答案质量时，应使用迭代改进，特别是在涉及复杂主题且单次版本可能不足以涵盖所有必要细节的情况下。它非常适合开发教育、技术或创意内容，其中持续的改进可以帮助提供更准确和更贴合的答案。

它也推荐用于初始 LLM 响应仅作为基准，并且需要根据特定受众或上下文进行调整的情况。当处理不同受众时，迭代改进可以用来调整语言水平和信息深度，以适应读者的先验知识。

此外，在处理歧义时，这种方法也有效，因为通过不断改进回答，LLM 有机会澄清在第一稿中可能没有足够清晰地表达的观点。

[使用技巧]

● 以一种特定方式指导每一轮迭代。要求有针对性的改进，例如“增加技术细节”或“简化以适应初学者听众”，以确保每次修订都有一个明确的目的。

● 使用多轮迭代来审查响应的不同方面。例如，首先关注响应的深度，然后是清晰度，最后是调整语调。

[技术差异]

迭代优化与反馈循环提示不同，在于反馈循环提示可能只涉及一到两次修订来改进响应，而迭代优化是一个更深入和持续的流程，使用多轮优化来达到更高的质量水平。

与少样本提示相比，后者使用示例来指导答案的格式，迭代优化专注于在生成第一个版本后持续调整和改进答案。这种技术更少关注于教学格式，而更多关注于逐步提高答案的质量。

关于自我反思提示，其中模型自我反思以提高其响应的准确性，迭代优化是一个涉及多轮调整的持续过程，确保更深入和更全面的优化。

[示例]

● 基本：

○ 问题：什么是可再生能源？

○ 初始答案 : "可再生能源是来自自然资源的能量，如阳光和风。"

○        第一次迭代（细化） : "现在，更详细地解释太阳能和风能是如何工作的。"

○ 细化答案 : "通过面板获取太阳能，这些面板捕获阳光并将其转化为电力。风能是通过风力驱动涡轮叶片产生的，这些叶片由风力驱动。"

○        第二次迭代（细化） : "简化解释，以便孩子理解。"

○ 改进答案 : "可再生能源是指我们使用自然界的资源，如阳光和风，来发电。例如，我们使用面板将阳光转化为能量，并使用风力驱动螺旋桨产生电力。"

●        中间环节 :

○        问题 : "解释光合作用。"

○        初始答案 : "光合作用是植物利用阳光制造食物的过程。"

○        第一次迭代（细化） : "添加更多关于光合作用所需元素的信息。"

○ 细化答案 : "光合作用是植物利用阳光、水和二氧化碳产生葡萄糖的过程，这是它们的食物，并且释放氧气到大气中。"

○        第二次迭代（细化） : "以更技术的方式解释，包括叶绿素的作用。"

○ 改进后的答案： "光合作用发生在植物细胞的叶绿体中，其中叶绿素吸收阳光。光能被用来分解水分子，并将它们的组成部分与二氧化碳结合，形成葡萄糖并释放氧气作为副产品。"

●        高级：

○        问题： "什么是爱因斯坦相对论的重要性？"

○        初始答案： "相对论改变了我们对时间和空间的理解。"

○        第一次迭代（改进）： "添加该理论的实际应用示例。"

○ 改进后的答案： "相对论改变了我们对时间和空间的理解，并且有多个实际应用，例如 GPS，它需要考虑到相对论的影响以提供准确的坐标。"

○        第二次迭代（改进）： "解释相对论如何影响 GPS。"

○ 改进后的答案： "GPS 与环绕地球的卫星一起工作，相对论理论表明，由于这些卫星以高速移动以及与地球表面相比的较低重力，它们的时间流逝不同。如果没有相对论校正，GPS 将会有几米的位置误差。"

[上述技术使用的结构]

●        迭代式结构化提示：

○        {"问题/任务" ["提供模型的主要问题或请求"]}

○        {"初始响应" ["允许 LLM 提供基于其知识库的初始响应"]}

○ {"改进请求" ["指导 LLM 改进答案，阐述要点，简化，或在每个新迭代中添加具体的例子"]}

○ {"改进后的响应" ["对每个具体的改进请求进行改进，直到答案足够充分和完整"]}

○        完整例子 :

■        问题: "什么是黑洞？"

■ 初始答案: "黑洞是空间区域，那里的引力如此之强，以至于没有任何东西可以逃脱。"

■        第一次迭代（改进）: "解释黑洞是如何形成的。"

■ 改进后的答案: "黑洞形成于非常巨大的恒星在耗尽燃料后发生坍缩，形成一个奇点，那里的引力极其强烈。"

■        第二次迭代（改进）: "添加一个黑洞如何被观测到的实际例子。"

■ 改进后的答案: "黑洞通过对其周围物体的影响被观测到，例如恒星和气体，这些物体被其引力吸引，发射出高能量辐射，这些辐射可以通过望远镜检测到。"

使用上述技术进行的提示练习]

1. 向模型询问"什么是化学反应？"然后让他们添加一个实际例子并详细说明简单反应中涉及的步骤，例如水从氢和氧形成。

2. Ask “How does the human circulatory system work?” and after the initial answer, instruct the model to revise, adding details about the role of blood vessels and the heart.

3. Ask the model to “Describe the impacts of climate change,” and in each iteration, instruct it to add practical examples, discuss specific impacts for different regions of the world, and finally suggest solutions to mitigate those impacts.

4. Hypothetical Reasoning (Hypothetical Reasoning)

[What is ]

Hypothetical Reasoning , or Hypothetical Reasoning, is a prompt engineering technique in which the LLM is guided to consider hypothetical scenarios or situations in order to develop a response. This technique encourages the model to explore possibilities and deduce what might happen under certain conditions, which is useful for dealing with complex problems, exploring consequences, or stimulating creative thinking.

The idea is to ask the LLM to think in terms of “what would happen if…” or “imagine that…”, encouraging them to explore multiple ramifications and outcomes of a hypothetical scenario. This helps to reveal possible consequences and insights that a direct question would not necessarily provide.

[What is its main objective ?]

假设推理的主要目标是促进对替代情景的探索和分析。这有助于理解决策的潜在影响，预测复杂情况的可能结果，甚至探索哲学、科学和战略规划等领域的理论情景。

另一个目标是利用这种技术通过推动模型考虑超越常规的想法和解决方案来促进创造力。通过与假设一起工作，LLM 可以提供更广泛的视角，这在头脑风暴、创造故事情景或分析科学和社会中的“如果”问题时非常有用。

[How it works ]

假设推理通过提供一个假设情景的模型，并要求详细探索它，考虑结果、影响或后果来实现这一点。指令可能类似于“想象一下……”或“如果发生了这样的和那样的事情，结果会是什么？”这允许 LLM 将自己置于一个想象情景中，并通过可能的反响进行推理。

例如，如果你问模型，“如果地球有两个太阳会怎样？”它可以探索气候、光线甚至活体有机体行为的可能变化。通过让 LLM 就情景进行推理，它使用其关于物理、天文学和生物学的知识来预测这个假设世界可能如何运作。

这种技巧可以通过让模型分阶段发展其推理来构建，逐个探索每个假设的后果。这个过程允许 LLM 深入到关于一个情景的推理中，考虑到多个变量和可能的后果。

[何时使用]

假设推理应在你想要探索可能性以及替代情景时使用，无论是为了预测后果、测试一个假设，或者简单地创造性地探索一个想法。它对于理解不同的变量如何影响一个结果，或者决策在不同情境中可能产生不同的效果是非常理想的。

这种技巧在教育情境中被推荐，其目标是为了教授某些行为或政策的后果。通过想象假设情景，学生可以更好地理解复杂概念及其可能的含义。

它也在创意脑力激荡会议中有效，在这里，探索“什么会是”的自由可以导向新的思路和解决方案。假设性思考也能够自然地用于战略规划，以预测可能的障碍并制定基于不同情景的准备计划。

[使用方法]

● 使用能激发想象的问题，如“什么会是…？”或“想象这样…。”情景越明确，LLM能提供的细节越多。

● 将假设性推理技术与其他技术，如步骤-步细化，结合起来，这样，模型才能分步发展，探索每个后果，以一种合理和有序的方式。

[技术的差异]

假设性推理与步骤-步细化或目标分解等技术不同，因为它不是将任务分解为实际、合理的步骤，而是创造想象的情景并探索它们。它是一种重点在“什么会是”和可能的影响，而其他技术则重点在如何在具体、实践的步骤中做某事。

与重构相比，重构是将问题重构以提供新的视角，假设推理则超越了重构，引导 LLM 创造一个完全新的场景。重构是关于改变一个人看待问题的方式，而假设推理是关于探索不真实或尚未发生的事情。

关于反馈循环提示，其焦点在于回顾和改进一个现有的响应，假设推理则是关于创造一个新的叙事或推理线路，而不需要调整原始答案。反馈循环旨在改进已经说过的话，而假设推理旨在探索可能发生的事情。

[示例]

● 基础：

○ 问题：“如果人类能够在水下呼吸，会发生什么？”

○ 回答：

■ “如果人类能够在水下呼吸，那么在探索海洋方面将会有更少的限制。我们可以创造水下城市，并生活在近海礁石附近。然而，我们需要开发一种方法来承受海底的压力，并且基础设施需要适应这个新的环境。”

● 中间：

○ 问题：“如果电力从未被发明，会发生什么？”

○ 回答：

■ "如果电力从未被发明，我们的社会将更多地依赖蒸汽动力和基于燃料如煤油的光源。工业和交通可能会更加受限，我们不会有许多现代技术，如计算机和即时通信。夜生活将几乎不存在，生产力将严重依赖于日光。"

●        高级 :

○        问题 : "如果人工智能变得自主并且有意识，社会会是什么样子？"

○        回答 :

■ "如果人工智能要变得自主并且有意识，社会许多方面可能会发生戏剧性的变化。我们可能会看到人工智能主张权利，甚至讨论它们自己的身份和自由。就业市场也会受到深远的影响，因为许多角色可能会被完全自动化。这可能会创造关于人工智能权利和人类对它们的道德责任的新伦理和法律困境。关于人工智能在关键决策中的作用，如正义和治理，也会有重大辩论。"

[上述技术结构的结构]

●        假设性推理结构化提示 :

○ {"假设性问题" ["提出一个涉及一个想象或可能情景的问题，以 '如果' 或 '想象一下' 开头" ]}

○ {"假设性推理" ["要求 LLM 探索假设性场景，详细说明可能的后果和影响"]}

○ {"详细回答" ["LLM 准备的回答包括对场景后果的探讨，探索每个相关方面及其影响"]}

○        完整示例 :

假设性问题："如果人类能够通过心灵感应进行交流，会怎么样？"

假设性推理："这种影响会如何在隐私、技术和个人关系方面影响社会？"

详细回答："如果人类能够通过心灵感应进行交流，隐私将面临重大挑战，因为思想可以在没有适当同意的情况下被暴露。这将极大地改变我们互动的方式以及通信技术的工作方式，使 spoken language 变得过时。我们可能会成为一个更加紧密联系的社会，但我们也将面临诸如思想控制和通信的监管等挑战，这些挑战无法被 '关闭'。"

使用上述技术进行提示练习]

1. 提出问题："如果国家之间没有更多的边界，会发生什么？" 并解释可能的社会、经济和文化影响。

2. 提出问题："如果所有车辆都使用太阳能供电？" 并让 LLM 探索这将对化石燃料产业、经济和环境产生怎样的影响。

3. 指令模型，想象一个人类不需要睡觉的世界。这将如何改变人们的日常生活、生产力和健康？并要求对个人生活和社会影响进行详细的回答。

4. 比较提示（比较提示）

[什么是]

比较提示，或比较提示，是一种提示工程技术，涉及要求 LLM 比较和对比两个或更多想法、概念、对象或场景。这种技术允许 LLM 突出主题之间的相似性、差异、优点和缺点，从而促进对主题的更全面和详细的了解。

比较可以是直接的，例如比较两种技术、理论或方法，或者更主观地，例如比较对某一问题的不同观点。目标是提供一个详细的视角，允许对被比较的项目进行批判性分析。

[你的主要目标是什么]

比较提示的主要目标是帮助用户更好地理解被比较的元素，通过突出它们的相似性和差异。这有助于他们做出更明智的决定，无论是技术选择、哲学观点还是生活选择。

另一个 重要 目标 是 促进 批判性 和 分析性 思考。 通过 要求 学生 比较 一个 主题 的不同方面， 他们 被 鼓励 深入 探索 每个 项目 并 评估 使其 独特 的因素。 这在 教育和 决策 制定 环境中 尤其 有用， 在这些环境中， 理解 不同 选项 的 利弊 可能是 至关 重要的。

[如何工作]

通过 构建 提示 ， 使 LLM 明确 被 指导 去 比较 或 对比 两个 或 更多 项目。 提示 通常 包含 诸如 “比较”，“对比”，“这些 相似之处 和 不同之处 是什么”，“这些 利弊 是什么” 之类的 词汇。 这 指导 模型 不仅 通过 提供 关于 每个 项目的 信息 来 接近 主题， 而且 通过 以 一种 强调 这些 项目 如何 相互 关联 的方式 组织 这些 信息。

例如， 当 要求 模型 “比较 太阳能 和 风能” 时， LLM 将 通过 描述 这两种 能源 的关键 特征， 它们的 生产 方式， 它们的 优点 和 缺点， 并 可能 通过 强调 哪些 情境 最适合 每种 能源 来 回答。 这种 回答 结构 允许 读者 清楚地 看到 共同 点和 区别， 使 理解 变得 更容易。

比较提示可以用来探索多层次的比较，从基本的相似性和差异性到深入的优势和劣势或在不同场景中的影响。它还可以是一种有用的技术，用于突出在特定情境中某个元素可能比另一个元素更合适的地方。

[何时使用]

当你需要批判性地分析两个或更多主题以理解它们相对于彼此的特征时，应使用比较提示。这在你试图在两个选项之间做出选择并需要知道利弊，或当你想要了解为研究或分析目的的相似性和差异时很有用。

这种技术在需要学生比较理论或概念以发展批判性思维技能的教育情境中被推荐。它也在决策制定情境中很有用，例如选择适合项目的正确技术或评估针对特定问题的不同解决方案。

比较提示在创意情境中也很有价值，例如头脑风暴，当你想要探索不同方法或替代方案的有效性时。通过比较场景，LLM 可以帮助揭示可能最初不明显的新见解。

[使用技巧]

● Use keywords that clearly instruct the model to make comparisons, such as "compare," "contrast," or "what are the pros and cons."

● If possible, provide a context for the comparison to ensure that the LLM understands the purpose of the comparison. For example, "Compare solar and wind energy in terms of environmental impacat."

[The difference of technique ]

Comparative Prompting differs from Step-by-Step Detailing because, instead of breaking a process down into steps, it aims to create a parallel analysis, where different elements are contrasted. While Step-by-Step Detailing focuses on guiding someone through a process, comparison aims to place two topics side by side to analyze their relative qualities.

In relation to Reframing , where you reformulate a ssission to gain a n ew perspective, Comparative Prompting does not change the way the issue is viewed, but rather puts two issues or concepts together so that the y are viewed in relation to each other. This creates a n ew layer of understanding, but does not necessarily change the perspective, as in Reframing.

Compared to Iterative Refinement , which involves improving a single response over multiple steps, Comparative Prompting focuses on developing a parallel analysis and comparing different aspects simultaneously, without necessarily reviewing a single answer multiple times.

[示例]

●        基础 :

○        问题： "比较猫和狗作为宠物的不同。"

○        回答 :

■ "猫比狗更独立，不需要那么多的关注。狗，另一方面，更社交，倾向于更依恋它们的的主人。两者都是伟大的宠物，但猫更适合那些日程繁忙的人，而狗更适合那些喜欢花更多时间玩耍和照顾宠物的人。"

●        中级 :

○        问题： "太阳能和风能之间有什么区别？"

○        回答 :

■ "太阳能是通过将阳光转化为电能来产生的，而风能是通过风的运动驱动涡轮机来产生的。太阳能最适合阳光充足的地方，并且可以在小规模上使用，例如在家庭中，而风能通常需要开阔的空间，例如平原或沿海地区。两者都是可再生能源，但效率可能取决于当地的天气条件。"

●        高级 :

○ 问题： "比较爱因斯坦的广义相对论和量子力学对现代物理学的影响。"

○        回答 :

爱因斯坦的广义相对论彻底改变了我们对引力的理解，将其描述为时空的曲率，并对研究大尺度现象，如黑洞和宇宙膨胀至关重要。量子力学是描述亚原子粒子行为的基础，并引入了如叠加和纠缠等概念。虽然相对论适用于大质量和高速运动，但量子力学适用于微观世界。统一这两种理论的困难仍然是物理学中最大的挑战之一。”

[上述技术结构]

比较结构化提示 :

比较问题：["提供一个涉及比较两个或更多元素的问题，例如思想、技术、理论或物体。"]

比较标准：["要求 LLM 详细说明特定点，例如差异、相似性、利弊，以及在不同环境中的适用性。"]

比较响应：["LLM 开发出一个突出每个方面的响应，提供对元素在不同维度上如何比较的清晰视图。"]

完整示例 :

比较问题："比较太阳能和水电能的益处。"

比较标准："考虑诸如成本、环境影响和可扩展性等因素。"

■ 比较答案：“太阳能的环境影响较低，因为它不涉及淹没大面积地区，如水力发电所发生的情况。然而，太阳能可能由于面板的安装而具有很高的初始成本，而水力发电可以持续提供大量能源，这使得它更适合大型城市中心。”

[使用上述技术进行的提示练习]

1. 询问模型比较“面对面教学和在线教学的优缺点”，考虑因素如灵活性、社交互动和成本。

2. 询问模型“比较北极和热带地区气候变化的影响”，并要求模型突出不同的环境和社会影响。

3. 指令模型“比较基于规则和基于深度学习的智能的特征”，提及效率、适用性和实施难度。

4. 场景规划

[什么是]

场景规划，或场景规划，是一种提示工程技术，它涉及让 LLM 创建可能的场景，通常是在不确定或探索替代未来情况的情况下。这种技术的重点是预测或想象基于不同初始条件的几个可能结果，帮助可视化决策或环境变化的影响。

This technique is especially used to understand the implications of events, aid in strategic decision-making, and explore the range of possible futures, whether in a business, environmental, or social context.

[What is your main objective ?]

The main objective of Scenario Planning is to predict possible developments and prepare appropriate solutions for different futures. By exploring a range of likely scenarios, it becomes possible to anticipate challenges and identify opportunities, helping in the decision-making process and in the creation of robust strategies.

Another goal is to stimulate critical and creative thinking about the multiple possibilities for the evolution of a context. This technique allows the LLM to describe “what if” scenarios in detail, showing how different variables can affect the outcome, assisting in planning and risk analysis processes.

[How it works ?]

Scenario Planning works by asking the LLM to imagine and describe multiple scenarios that could unfold based on different initial conditions or specific decisions. The prompt might include a request to describe, for example, the “best”, “worst”, and “most likely” possible outcomes, or any other set of desired variables.

例如，如果你在问，“未来 20 年可再生能源的前景将是什么样子？”，模型可以描述三种情景：一种是在清洁能源上有大量投资，一种是在清洁能源上投资很少，还有一种是在政策上不一致。每个情景都是通过考虑元素如何变化以及每种情况下的后果来描述的。

情景规划之所以有效，是因为它允许分析不确定性，并帮助为不同的可能结果制定行动方案。这包括识别创新的风险和机会，这对于管理动态和不可预测的情况至关重要。

[何时使用]

情景规划应在存在显著的不确定性和多种可能未来时使用。它是制定商业策略、环境规划和公共政策中的基本技术，在这些领域中，决策可能具有长期影响，并且需要为不同的结果做好准备。

它适用于存在多个答案或变量可以以不同方式影响结果的情况。这种技术对于准备应对意外情况、识别差距以及开发缓解风险或抓住机会的替代方案非常有用。

此外，这种技术在需要理解某些变化如何改变一个人所处环境的背景下被推荐。情景规划允许一个人探索政策或外部事件（如技术进步、经济危机或气候变化）的影响，创建一个可能的路径心理地图。

使用技巧

● 请让LLM想象不同的情景，例如“乐观”、“悲观”和“现实主义”，以涵盖广泛的可能情况。

● 使用涉及条件或假设的问题，例如“如果……会发生什么……”或“如果……会发生什么……”。这有助于明确定义每个情景的初始条件。

技术差异

情景规划与假设推理不同，因为假设推理专注于探索一个单一假设或想象事件的结果，而情景规划涉及创建多个替代情景，每个情景基于不同的假设。假设推理是关于探索一条路径，而情景规划是关于同时可视化多条可能的路径。

关于比较情景规划，它比较两个或更多元素，情景规划为每个可能的未来创建独立的叙述，而不必在它们之间做出明确的比较。情景完全独立地描述，有助于构建每个可能性的清晰画面。

与逐步细化相比，情景规划并不旨在解释线性过程，而是描述依赖于变量条件的不同发展。每个情景是现实的一种替代版本，而不是过程中的一个详细步骤。

[示例]

●        基础 :

○        问题 : "在接下来的 50 年里，农业将如何受到气候变化的影响？"

○        情景 :

■ 乐观情景 : "如果政府采用有效的碳减排政策和可持续的农业技术，农业可以通过提高水资源利用效率和发展新的耐热品种来适应。"

■ 悲观情景 : "如果排放量继续以当前速度增长，由于干旱和极端天气事件，将会有显著的产量减少。许多生产地区可能会变得贫瘠。"

■ 中等情景 : "如果措施不一致地实施，一些地区将看到改进，而其他地区将因缺乏适应性而遭受损失，从而在食品生产中造成不平等。"

●        中间 :

○        问题 : "什么 是 到 2050 年 大量 采用 电动汽车 的影响 ？"

○        场景 :

■ 乐观 场景 : "大量 采用 电动汽车 ， 伴随 着 清洁 能源 充电 ， 可能 显著 减少 运输 部门 的 CO2 排放 ， 改善 城市 空气质量 ， 减少 气候变化 的影响 。"

■ 悲观 场景 : "如果 电动汽车 充电 基础设施 无法 跟上 需求 的增长 ， 并且 使用的 能源 仍然 主要 来自 化石 燃料 ， 积极 影响 将 有限 ， 基础设施 问题 可能会 阻碍 车辆 的使用 。"

■ 中等 场景 : "采用 将 逐步 进行 ， 随着 基础设施 的 逐步 改善 。 排放 将 减少 ， 但 不会 达到 实现 重大 转型 所需的 规模 ， 维持 对 化石 燃料 的部分 依赖 。"

●        高级 :

○ 问题 : "人工智能 技术 将 如何 在 未来 30 年内 改变 就业 市场 ？"

○        场景 :

■ 乐观 场景 : "人工智能 将 被 用于 提高 生产力 ， 同时 实施 再培训 计划 ， 允许 工作者 转向 更 有 创造性 和 较少 重复性 的角色 ， 提高 工作和 生活质量 。"

■ 悲观情景 : "缺乏再培训计划将导致许多人因自动化而失去工作，增加失业和社会不平等。劳动力市场将变得两极分化，只惠及那些能够获得技术学习的人。"

■ 中等情景 : "人工智能将被不均匀地整合；一些行业将平稳过渡，而其他行业将面临大量裁员和技能短缺。政府和商业将扮演关键角色，但反应将不一致。"

[上述技术使用的结构]

●        情景规划提示结构 :

○ {"主要问题" ["提供一个涉及事件或趋势的问题，以探索不同未来情景" ]}

○        {"乐观情景" ["描述一个乐观情景，其中一切都会顺利，强调积极的成果"] }

○        {"悲观情景" ["描述一个结果不利的情景，突出风险和障碍"] }

○ {"平均情景" ["描述一个更温和的情景，其中存在成功和失败的混合，结果平均"] }

○        完整示例 :

■ 主要问题: "在接下来的 20 年里，基因医学的进步将产生什么影响？"

■ 乐观情景: "基因编辑的进步将允许治疗多种遗传疾病，延长预期寿命并提高人们的生活质量。"

■ 悲观情景：“进步将受到伦理问题和高昂成本的限制，导致治疗可及性不平等，仅惠及人口的一小部分。”

■ 中等情景：“将有显著进步，但可及性将不平等，好处集中在发达国家，在欠发达国家有限。”

使用上述技术进行提示练习]

1. 询问模型想象“在未来 50 年，核能可能会如何发展？”并描述三种情景：乐观、悲观和平均。

2. 提出模型来探索“到 2050 年，城市化对农村地区的影响将是什么？”的问题，开发一个可持续适应的乐观情景，一个环境退化的悲观情景，以及一个渐进城市化的中等情景。

3. 询问模型，“私人空间探索的可能未来有哪些？”并让它探索不同的情景，考虑金融、政治和技术问题。

情景规划帮助我们理解和准备应对不同的未来可能性，增加我们做出战略决策和预见挑战的能力。如果您有任何其他问题或想了解更多关于任何技术的信息，我在这里随时为您服务！

17. 角色反转提示（角色反转）

[什么是]

角色反转提示，或简称为角色反转，是一种提示工程技术，涉及让 LLM 通过假设与传统视角相反或不同的视角来回答问题或探索场景。而不是简单地从传统视角回答问题，模型被邀请“切换角色”并从替代视角看待情况，从而提供更深入和更揭示性的分析。

这种技术用于探索情境中不同角色的含义，提供了一个更广泛的视角，考虑了多个视角。例如，这可能包括让模型扮演一个批评者而不是一个倡导者的角色，或者想象一个受政策影响的人的视角，而不是执行该政策的人。

[你的主要目标是什么？]

角色反转提示的主要目标是通过让模型“站在他人的立场”来提供对情境的全面和同理心视角。这对于理解决策的益处以及潜在的负面影响都极为有用，同时也有助于促进批判性和多维分析。

另一个目标是探索论点和反论点，以促进对问题的更深入理解。通过让语言模型从与最初采纳的观点相反的视角进行回答，角色反转帮助通过探索问题的两个方面来发展更平衡的推理。

[它是如何工作的]

角色反转提示通过要求语言模型采纳一个替代视角，通常是从涉及该情境的另一个人、群体或实体的观点出发。它可以用来分析从不同受影响者的视角看，例如，公共政策、商业决策或社会问题。

例如，当被问及“自动化工厂的好处是什么？”时，语言模型可以从工厂主人的角度回答，强调生产力的提高和成本的降低。然后，使用角色反转，模型可以被指示从工人的角度探索这种情况，强调关于失业和对他们家庭影响的担忧。

角色反转允许模型探索同一问题的多个方面，提供从单一视角可能不会出现的见解。这对于辩论、战略规划和教学批判性分析特别有用。

[何时使用]

Role Reversal Prompting should be used when you want to explore a issue from multiple angles and ensure that a ll sides of a debate or situation are considered. It is especially useful in discussions in volving conflicts of interest or social impacts, where it is important to see the situation of each of the parties in volved.

This technique is recommended in educational contexts, such as debates or simulations, where it is crucial to understand different perspectives in order to form a well-founded point of view. It is also very valuable in policy planning, where the interests of multiple parties — such as citizens, businesses, and governments — must be considered.

Additionally, Role Reversal is useful in brainstorming situations when you ’re trying to come up with a solution that benefits everyon in volved. By exploring alternative perspectives, the model can help identify potential obstacles or offer more balanced solutions.

[Tips for use]

● Clearly specify the role you want to adopt. For example, “Respond as if you were a worker affected by automation” or “Adopt the role of a unhappy customer.”

● Use consecutive questions that alternate between different roles to ensure multiple perspectives are considered in the answer.

[技术差异的The difference in technique ]

角色反转提示与角色扮演不同，尽管两者都涉及 LLM 承担一个角色。在角色扮演中，模型承担一个特定的角色来模拟一个交互或以定义好的声音说话。在角色反转中，焦点在于反转视角以更广泛地看待一个问题并探索不同的含义。

与比较提示相比，后者中 LLM 比较两个元素，角色反转提示则涉及在每个场景中假设一个特定的角色并探索该方的视角。目标不仅仅是比较，而是真正地采纳另一方的立场，这使得分析更加同理心强和引人入胜。

关于反馈循环提示，其中模型被提示去修订其响应以提升其准确性或深度，角色反转提示则更侧重于完全切换视角，而不仅仅是改进或修订一个特定的答案。

[示例]

● 基本：

○ 问题："素食饮食有哪些好处？"

○ 初始响应（论文 A）："素食饮食带来诸如改善心血管健康、降低某些疾病风险以及通过减少碳足迹对环境保护做出贡献等益处。"

○ 角色反转（角色 B）："现在从一个难以坚持素食饮食的人的视角来回答。"

○ 反向回应 : "对于一些人来说，由于缺乏多样化的食物选择、某些新鲜食品的成本，或者在没有肉类的情况下获取某些蛋白质的困难，素食饮食可能难以遵循。"

●        中间回应：

○        问题 : "自动化对工作场所的影响是什么？"

○ 初步回应（角色 A - 企业主）: "自动化提高生产力，降低运营成本，并使公司能够在市场上更具竞争力。"

○ 角色反转（角色 B - 工作者）: "从一个其工作职责已被自动化的工作者视角来看。"

○ 反向回应 : "从工作者的角度来看，自动化可能对就业构成威胁，导致对收入损失和需要学习新技能以在市场上保持竞争力的担忧。"

●        初步回应：

○        问题 : "人工智能如何改善医疗保健行业？"

○ 初步回应（角色 A - 医疗 IT 专业人士）: "人工智能可以提高医疗诊断，预测疾病在出现关键症状之前，并自动执行行政任务，使医疗专业人员能够专注于患者护理。"

○ 角色反转（角色 B - 患者有顾虑）: "从一位对在医疗保健中使用人工智能有顾虑的患者角度出发。"

○ 反转响应 : "作为一个病人，我可能对我的数据隐私和由机器做出的关键健康决策有所顾虑。也存在这样的担忧，即一个 AI 可能会犯下人类医生通过更多情感和个人背景了解病人可以避免的错误。"

[上述技术使用的结构]

●        角色反转结构化提示 :

○ {"主要问题" ["提供模型从特定视角回答的初始问题或提示。"]}

○ {"初始响应（论文 A）" ["要求 LLM 从一个初始视角回应，例如一个企业主、专家、客户等。"]}

○ {"角色反转（角色 B）" ["要求 LLM 从一个替代视角回应相同问题或从新视角回答特定点。"]}

○ {"反转响应" ["LLM 从替代视角提供响应，突出不同或对立的观点。"]}

○        完整示例 :

■        主要问题: "气候变化对沿海社区的影响是什么？"

■ 初始响应（论文 A - 环境科学家）: "气候变化正在导致海平面上升，导致海岸侵蚀和洪水风险增加，这影响了沿海社区。这也影响了海洋和陆地生物多样性。"

■ 角色反转（角色 B - 当地居民）：“从一个对气候变化感到担忧的当地居民的角度来看。”

■ 反向响应：“作为一名沿海地区的居民，我担心我的家园被侵蚀和海平面上升。社区基础设施，如学校和道路，越来越多地受到威胁，而且对现在更加严重的风暴的恐惧是持续的。”

使用上述技术进行提示练习。

1. 请问模型“描述全球化的影响。”首先，他应该采用跨国企业家的观点（角色 A）。然后，要求他或她采用小型本地企业家的观点（角色 B）并比较。

2. 请问“在家工作对公司的影响是什么？”并要求模型首先以雇主（角色 A）的身份回答，然后以一个发现难以将工作和个人生活分开的员工（角色 B）的身份回答。

3. 请问模型“解释在线教育的好处。”首先，他应该以一个容易访问互联网的学生（角色 A）的身份回答，然后以一个对技术访问有限或不稳定的学生（角色 B）的身份回答。

角色反转提示是一种强大的技术，用于确保响应是平衡的，并且所有观点都被考虑，从而提供对每个问题的更深入和更批判性的理解。如果您需要更多细节或有任何关于如何应用这项技术的问题，我很乐意帮助您！

18. 共识构建提示（共识构建）

[什么是]

共识构建提示，或称为共识构建，是一种提示工程技术，涉及要求LLM合成不同的观点或意见，以达成一个共识或解决方案，该解决方案满足多个利益相关者。而不是关注于采用单一视角，该模型旨在结合多个观点，识别共同点，并提出一条所有利益相关者都可以接受的路径。

这种技术基于谈判和调解的理念，帮助找到不同观点之间的共同基础。它对于探索合作和整合解决方案非常有用，其中每个参与方都可以对最终结果做出贡献。

[你的主要目标是什么]

共识构建提示的主要目标是创建一个平衡的解决方案，该解决方案考虑到所有参与问题的利益和关切。这在冲突或辩论的情况下特别有用，其中存在多个分歧观点和寻找共同基础的努力。

另一个目标是促进协作性问题解决。通过识别趋同点和分歧领域，模型可以帮助制定减少差异并最大化所有各方利益的提案。这种方法在战略规划、群体决策制定和组织或社会冲突解决等背景下至关重要。

[它是如何工作的]

共识构建提示通过询问 LLM 分析所呈现的不同观点并寻求共识来工作。提示可能包括诸如“结合观点以找到满足双方解决方案”或“识别共识领域并提出一个既能适应双方观点的行动计划”之类的请求。

例如，如果你提出一个关于“减少碳排放的最佳方式”的问题，LLM 可以要求考虑环保主义者和工业代表的观点。模型随后可以寻找一种解决方案，这种解决方案能够在环境可持续的同时，对工业也是可行的，例如通过财政激励实现渐进式过渡。

这种技术在促进合作方面有效，尤其是在存在明显差异且每个参与者都有其自身优先事项的背景下。通过寻找共同点，模型可以帮助将冲突转化为合作的机会。

[何时使用]

共识构建提示应在涉及多个具有不同利益的持股人的复杂问题时使用。它理想适用于需要找到共同基础的情况，例如在政治辩论、商业谈判或社区冲突解决中。

在规划背景下，推荐制定能够最大程度地受益于最大可能数量的持股人的策略。例如，在规划一项新的公共政策时，必须考虑到公民、私营部门和当局的意见，以确保最终提案是平衡且广泛接受的。

此外，这种技巧可用于辩论和讨论中，以教育人们考虑不同视角的重要性，并促进合作解决方案，而不是极端和单方面的方法。

[使用技巧]

● 清晰地呈现应考虑的不同观点，并要求 LLM 识别共识的领域。

● 鼓励 LLM 提出在平衡和公平的方式下调和不同视角的解决方案，并说明每个方面如何受益。

[技术差异]

共识构建提示与角色反转提示的区别在于，它旨在将不同的观点汇聚在一起并找到共同点，而不是仅仅反转观点和探索不同的视角。角色反转提示旨在理解不同的观点，而共识构建提示旨在将这些观点统一成一个连贯的解决方案。

与简单的比较提示相比，比较提示只是比较和对比两个元素，共识构建提示则超越了比较，寻求整合视角以创造一个所有各方都接受的解决方案。它关于在对立观点之间找到和谐，而不仅仅是识别它们。

关于反馈循环促进，它侧重于通过持续修订来改进响应，共识构建则更侧重于同时整合多个观点，旨在达成单一解决方案或共同理解。

[示例]

基本观点：

问题："我们如何改善城市的公共交通？"

提出的观点：

环保人士："我们需要减少道路上的汽车数量，并增加公共交通的使用，以改善空气质量。"

骑手司机："减少汽车空间会影响我们的工作。我们需要激励措施来使用无污染的车辆。"

共识构建："我们可以增加公交路线数量，并为骑手司机提供使用混合动力或电动汽车的激励措施。这样，我们既鼓励使用公共交通，同时为骑手司机提供可行的解决方案。"

中间观点：

问题："在保持经济增长的同时，保护森林的最佳方法是什么？"

提出的观点：

开采公司："我们需要获取自然资源以确保就业和经济增长。"

环保人士："我们需要保护森林以应对气候变化和保护生物多样性。"

○ 共识构建 : "一个可持续的方法是创建特定区域以进行受控提取，这些区域将随着使用量的增加而替代。此外，鼓励再森林经济，通过创造以保护为导向的工作，可以确保经济发展与保护之间的平衡。"

●        高级 :

○        问题 : "我们如何才能在医疗保健中道德和有效地整合人工智能？"

○        观点要点 :

■ 技术专业人士 : "人工智能可以提高诊断的准确性并减少医生的管理负担。"

■ 患者 : "我们担心我们的健康数据隐私以及机器做出医疗决策的想法。"

■ 医疗保健专业人士 : "我们希望 AI 成为一个支持性工具，而不是取代人类临床判断。"

○ 共识构建 : "我们可以将 AI 整合到医疗保健中作为辅助工具，确保所有最终决策都由人类专业人士做出。数据必须通过严格的隐私标准得到保护，并且患者必须被告知他们的信息是如何被使用的。通过这种方式，技术支持医生和患者，维护信任和安全。"

[上述技术使用的结构]

●        共识构建结构化提示 :

○        {"主要问题" ["提供涉及不同观点和需要共识解决方案的问题或问题"]}

○        {"提出的观点" ["列出涉及该问题的不同利益相关方的不同观点或利益"]}

○ {"共识建设" ["要求 LLM 整合观点，确定共识领域并提出一个对所有相关方都有益的解决方案"]}

○        完整示例：

■        主要问题："如何处理大城市的水短缺问题？"

■        提出的观点：

■        市民："我们需要负担得起、质量高的日常用水。"

■        工业："我们需要水来保持运营生产。"

■        环境保护主义者："我们必须保护水资源并减少废物，以确保一个可持续的未来。"

■        共识建设："我们可以实施一个针对工业的水回收计划，减少对饮用水的需求，同时鼓励市民通过递增税率节约用水。此外，意识提升活动和雨水收集基础设施的改进可以帮助保护可用资源。"

使用上述技术进行提示练习。

1. 向模型“我们如何规划未来智能城市？”提问，并呈现想要生活质量、希望技术基础设施的企业以及关注可持续性的环保主义者的观点。

2. Ask the model to "Find a balance for tourism in protected natural areas", taking into account the views of environmentalists, tourism entrepreneurs and local residents.

3. Ask the model to "Suggest policies for large-scale adoption of renewable energy", considering the interests of consumers (affordability), energy companies (transition cost), and governments (need to reduce emissions).

Consensus Building Prompting is a essential technique for exploring collaborative solutions and fostering understanding between parties that may have conflicting interests, ensuring that everyone is heard and benefits. If you need more details or help applying this technique, I am always available to help!

19. Contrarian Prompting ( Contrary Promt )

[What is ]

Contrarian Promting, or Contrary Promting, is a prompt engineering technique that involves asking the LLM to take a position or argument that is opposite to the common consensus or prevaling perspective on a given issue.The goal is to challenge established opinions and explore possibilities or views that are not normally considered, allowing for broader insight and deeper understanding.

This technique encourages the LLM to be constructivly provocative, providing counterarguments that can help identify flaws in logic, anticipate potential problems, or enrich a discussion with new points of view that are not always explored.

[What is your main objective ]

主要目标是通过挑战传统智慧或质疑广泛持有的假设来促进批判性思考。这鼓励创建更全面的分析，其中正反双方都得到平衡的探讨。通过采取对立的观点，LLM 帮助识别潜在风险，并更好地理解论点的另一面。

另一个目标是鼓励创造力和创新，因为挑战现状可以揭示新的解决方案或解决问题的角度。通常，通过质疑传统假设，可以涌现出具有重大和积极影响的创新想法和方法。

[How it works ]

Contrarian Prompting通过要求 LLM 提供对立回应或对所呈现观点的回应来工作。提示可能包括“反对…”，“…的缺点是什么？”或“挑战主流观点”。这鼓励模型寻找和探索那些可能在一瞥之下不明显或不被认可的讨论或负面方面。

例如，如果共识是“远程工作提高生产力”，那么反证法会要求 LLM 提出相反的观点，识别诸如员工孤立、难以区分个人生活和职业生活，以及保持良好沟通的挑战等方面。

这种方法允许进行更深入的批判性分析，突出潜在的错误或问题，并帮助以更全面和平衡的方式探索问题。

[何时使用]

当你想挑战一个论点、识别提案中的潜在风险和缺陷，或者当你想要全面了解一个有争议问题时，应该使用反证法。它在辩论和讨论中很有用，在这些场合中，你需要探索所有角度来做出明智的决定。

这种技巧在教育环境中特别推荐，尤其是在教授批判性思维技能和鼓励学生看到一个论点的两面时。它也在战略规划中非常有用，因为质疑初始假设可以帮助识别需要缓解的风险。

此外，它在开发创新思想方面也很有价值。通过质疑流行的观点，可以开辟新的可能性，并探索可能证明在特定环境中更有效或更好的替代解决方案。

[使用提示]

● 明确你想让模型挑战的观点。越清楚原始论点，LLM提出的对立观点就越有效。

● 将反事实提示与其他技术，如角色反转结合使用，可以探索不仅对立面，还可以如何与其他观点相结合。

[技术的差异]

反事实提示与角色反转提示不同，因为，虽然角色反转提示关注采用一个替代或对立的观点，反事实提示则关注明确地挑战一个论点或观点。角色反转提示旨在从一个不同的观点来看待一个问题，而反事实提示则试图反驳或找出一个普遍论点的缺陷。

关于比较提示，其目标是比较两个想法或概念，反事实提示专注于质疑或挑战一个特定的论点，而不仅仅是将其与其他观点进行比较。它的目的是破坏或至少识别一个常见想法中的缺陷，而比较提示则更多地关于探索差异和相似性。

与共识构建相比，后者旨在在不同观点之间找到一个中间立场，反事实提示则是关于挑战共识，并且经常是与之对立，以至于新的想法或改进被考虑。

[示例]

●        基础 :

○        常见问题 : "技术提高了教育的质量。"

○        反方提示 : "过度使用技术在教育中的缺点是什么？"

○ 反方回应 : "过度使用技术可能会损害学生的专注力，增加对设备的依赖，并减少社交互动。此外，不平等的技术接入可能会创造一个教育差距，其中一些学生能够获得更好的资源，而其他人则落后。"

●        中级 :

○        常见问题 : "远程工作是未来，并且提供了更大的灵活性。"

○        反方提示 : "反驳远程工作是工作未来的观点。"

○ 反方回应 : "虽然远程工作带来了灵活性，但它也可能导致社会隔离，并使建立强大的组织文化变得困难。缺乏面对面互动可能影响团队合作和协作，许多员工在从家工作时会发现难以维持健康的工作-生活平衡。"

●        高级 :

○        常见问题 : "电动汽车是减少污染的最终解决方案。"

○ 反方提示 : "挑战电动汽车是减少污染的最终解决方案的观点。"

○ 反方回应： "尽管电动汽车不直接排放污染物，但锂离子电池的生产需要大量开采锂和其他金属，这可能导致重大的环境影响。此外，为给汽车充电所需的电力生成，在许多地区仍然依赖于化石燃料。因此，电动汽车并不能完全消除污染，而只是将污染转移到了生产链的其他部分。"

[上述技术结构的结构]

●        相反结构提示：

○ {"常见问题" ["提供一个广泛接受的陈述或既定共识，即模型应该反映的内容"]}

○ {" 相反提示" ["要求 LLM 提出反对或挑战既定观点，强调负面点或缺陷"] }

○ {"反方回应" ["LLM 生成一个与既定观点相矛盾的回答，提供对负面点和局限性的批判性和详细分析"] }

○        完整示例：

■        常见问题： "工业自动化总是对生产力有益。"

■        提示： "挑战工业自动化总是对生产力有益的观点。"

■ Counter-response: "While automation can increase productivity in many cases, it can also lead to problems such as failures due to technical issues, high maintenance costs, and the need to retrain workers for new roles. Furthermore, in industries where creativity and customization are important, automation can limit the ability to innovate. "

[Prompt exercises using the above technique]

1. 要求模型“Challengethe idea that AI always makes processes more efficient.” 要求模型突出使用 AI 在特定行业中的潜在陷阱和挑战。

2. 提问“Is veganism the best option for environmental sustainability？” 并要求模型对此观点进行反驳，提出这种方法的可能负面或局限性。

3. 指示模型“Challengethe idea that globalization always benefits all countries” 并要求一个详细说明全球化负面影响的回答，特别是对发展中国家的影响。

Contrarian Prompting] 是一种强大的技术，用于鼓励批判性思维和更全面、更批判性地检验一个论点，从而促进对任何问题的更完整理解。如果您需要更多示例或帮助应用此技术，我在这里可以帮助！

20. Step-by-Step Analysis (Step-by-Step Analysis)

[What is ]

逐步 分析 ， 或 称为 逐步 分析， 是一种 提示 工程 技术， 涉及 让 LLM 分析 一个问题 或 解决问题， 详细 说明 推理 或 过程的 每 一步。 而不是 简单地 提供 直接 答案， 模型 被 鼓励 描述 每 一步 如何 有助于 解决方案 或 对 问题的 理解。

这种 技术 用于 确保 分辨率 处理 过程 是完全 透明 和 可理解 的， 有助于 阐明 复杂 问题的 所有 方面， 详细 说明 推理 的 每 一步 ， 以便 用户 能够 跟随 思想的 发展 过程。

[它的主要目的是什么？]

逐步 分析 的主要 目的是 通过 将 复杂 问题 分解 成 更小 、 可管理的 部分 来 提高 清晰度 和 理解度。 这使得 逻辑 过程 更容易 理解 ， 并 允许 用户 跟随 推理 的 每 一步， 这在 教育和 技术 环境中 尤其 有用。

另一个 目标是 确保 在 分析 问题时 没有 重要 细节 被 忽略。 通过 将 问题 分解 成 步骤， LLM 可以 独立 探索 每个 部分， 这 有助于 发现 潜在 缺陷 并 确保 答案 是 全面 和 有充分 依据 的。

[它是如何工作的]

逐步分析通过指导 LLM 以有组织的步骤描述问题解决过程来工作。提示可能包括“逐步解决问题”或“详细描述过程，逐步进行”等指令。每个步骤都以逻辑和顺序的方式呈现，使用户能够理解每个阶段如何有助于问题的完成。

例如，当被问及“我如何计算三角形的面积？”时，LLM 可能会首先解释如何识别底和高，然后如何将这些值应用到公式 A = (底 × 高) / 2 中，最后呈现结果。以这种方式，模型描述了过程的每个部分，并展示了它们是如何相互关联的。

这种技术特别适用于涉及逻辑、数学或技术过程的问题，在这些过程中，在继续下一步之前理解每一步是很重要的。当您想要确保用户理解答案背后的基础和逻辑时，它也非常有用。

[何时使用]

当你需要一个清晰且详细的解释来解决问题或执行特定任务时，应使用逐步分析。它适用于可以通过一系列逻辑步骤解决的问题，例如数学计算、科学过程的分析或技术问题解决。

这种技巧在教育背景下被推荐，因为它有助于通过展示每一步必要的推理来教授如何解决问题。它对于教程也很有价值，在那里你需要确保在进入下一步之前，读者理解过程的每个部分。

此外，在技术背景下，例如编程，当问题解决可能涉及多个相互连接的步骤时，这很有用。通过使用逐步分析，LLM 可以确保每个细节都被涵盖，并且用户充分理解代码或过程的每一步。

[使用技巧]

使用像“解释”或“详细”这样的词来确保每个步骤都清楚地描述，并且以一种有组织的方式进行。

如果问题涉及多个元素，请让 LLM 将解释分解成几个部分，并清楚地指出从一个步骤到另一个步骤的过渡。

[技术差异]

逐步分析与目标分解虽然都涉及将问题分解成更小的部分，但两者有所不同。逐步分析侧重于通过一系列连续的、逻辑的步骤来解决一个问题，而目标分解则侧重于识别需要解决以实现更大目标的子目标或任务部分。

与迭代改进相比，迭代改进关注于不断审查答案以改进它，逐步分析更侧重于一次性描述过程的每个步骤，以一种清晰和组织的方式，无需进行连续的修订。

关于思维链，它也涉及到分阶段的推理，逐步分析更侧重于详细解释和描述每个步骤，而思维链可以专注于生成一个逻辑序列以解决问题。

[示例]

● 基本：

○ 问题："如何计算三角形的面积？ "

○ 逐步分析：

步骤 1："确定三角形的底边和其高。底边是三角形的任意一边，而高是垂直于该底边并延伸到对顶点的线段。"

步骤 2："使用公式来计算面积：A = (底边 × 高) / 2。"

■ Step 3 : "Substitute the values for the base and height into the formula and perform the calculation to find the area."

●        Intermediary :

○ Question : "How do I implement a function that calculates the factorial of a number in Python?"

○        Step-by-Step Analysis :

■        Step 1 : "Define a function called factorial that accepts one argument n ."

■ Step 2 : "Check if n is equal to 0 or 1. If it is, return 1, since the factorial of 0 or 1 is 1."

■ Step 3 : "Otherwise, create a variable to store the result and use a for loop to multiply all the numbers from 1 to n ."

■        Step 4 : "Return the final result at the end of the loop."

Code :

python

Copy code

def factorial(n):

if n == 0 or n == 1:

return 1

result = 1

for i in range(2, n + 1):

result *= i

return result

■

●        Advanced :

○ Question : "How to analyze the principal components of a matrix using Principal Component Analysis (PCA))? "

○        Step-by-Step Analysis :

■ Step 1 : "Center the data by subtracting the mean of each variable, so that the mean of each column is zero. This is necessary to ensure that PCA works correctly."

■ Step 2 : "Calculate the covariance matrix of the centered data to identify how the variables vary together."

步骤 3 : "计算协方差矩阵的特征值和特征向量。特征值代表每个主成分解释的方差量。"

步骤 4 : "将特征值按降序排序，并选择相应的特征成分。与这些特征值相关的特征向量用于将原始数据投影到低维空间。"

步骤 5 : "将数据投影到主成分上，以获得数据在低维空间中的表示。"

[上述技术结构的结构]

●        逐步分析结构化提示 :

○ {"主要问题 ["提供涉及需要解决一个问题或解释一个概念的问题或请求"]}

○ {"逐步分析 ["询问 LLM 将问题分解成连续的步骤，详细说明过程的每个阶段，以逻辑和清晰的方式"] }

○ {"详细步骤-逐步分析答案 ["每个步骤都详细描述，展示它如何有助于最终解决方案，并确保步骤之间的过渡清晰易懂"]}

○        完整示例 :

主要问题 : "如何创建一个商业计划？"

逐步分析：

步骤 1 : "定义你的业务的价值主张。是什么让你与众不同，以及为什么客户应该选择你？"

■ 步骤 2 : "通过描述您的潜在客户是谁以及他们的需求来确定您的目标市场。"

■ 步骤 3 : "制定一个营销计划，描述您将如何接触您的客户并推广您的产品或服务。"

■ 步骤 4 : "创建一个包含启动成本、预期现金流和收入目标的财务预测。"

■        步骤 5 : "描述企业的运营结构，包括物流和人员管理。"

使用上述技术进行的提示练习]

1. 询问“巴什卡拉公式”并要求对过程中的每个步骤进行逐步解释。

2. 问“如何使用 HTML 和 CSS 构建一个基本的网站？”并要求 LLM 描述从创建 HTML 文件到使用 CSS 进行样式的每个步骤。

3. 要求模型逐步描述植物中光合作用的过程，从光吸收到葡萄糖生产的每个阶段都进行详细说明。

逐步分析是一种基本技术，用于确保问题以逻辑和可理解的方式解释，使用户能够跟随过程的每一步，并完全理解解决方案是如何实现的。如果您有任何更多问题或想进一步练习这项技术，我在这里可以帮助您！

21. 魔鬼辩护者（魔鬼辩护者）

[是什么 ]

魔鬼 的 辩护 提示 ， 或 魔鬼 的 辩护 ， 是一种 提示 工程技术 ， 涉及 让 LLM 采取 一个 对立 的 立场，通常 是为了 挑战 那些 通常 不会 被 质疑 的观点。这种技术 的目标 是 探索 一个 论点的 弱点 和 可能的 缺陷，质疑 假设 并 促进 更 深入 、 更 批判 的 辩论。

这种方法 类似于 反方 提示 ， 但 而 反方 提示 挑战 主流 观点 并用 反 论 据 ， 魔鬼 的 辩护 则 专注于 通过 扮演 挑衅 和 批判 的角色 来 挑战 一个 特定的 立场，鼓励 更 详细的 分析 ， 并为 反驳 或 确认 论点 开辟 空间。

[你的 主要 目标 是什么] T he

魔鬼 的 主要 目标 辩护 提示 是 通过 鼓励 LLM 质疑 、 挑战 和 严格 检查 论点 来 激发 批判 性 思考。这种技术 旨在 不仅 反驳 ， 而且 寻找 可能的 缺陷 或 推理 中的 漏洞，这些 漏洞 可能 否则 会被 无 阻力 地 接受。

另一个 目标 是 促进 更多 深入的 辩论 ，并为 用户 提供 对 讨论 问题的 全面 视角。经常 通过 扮演 “ 魔鬼 的 辩护者”， 模型 可以 揭示 那些 可能 被 忽视 的 关注 点和 细微 差别，鼓励 更加 平衡 和 信息丰富 的分析。

[如何工作]

魔鬼的辩护者提示通过让 LLM 质疑一个论点或立场，专注于潜在的错误、挑战或矛盾来工作。提示应该以明确指示模型挑战所呈现想法的方式构建，通过提供反论点或突出弱点来做到这一点。

例如，如果问题是“我们应该用电动汽车替换所有化石燃料车辆吗”，魔鬼的辩护者提示将要求模型质疑这种方法，提出诸如支持这种变化所需的基础设施、开采电池对环境的影响以及低收入人群面临的困难等问题。

该模型不仅被指导去批评，而且还被指导去提出可以导致更深入理解和，甚至最终导致更有效解决方案的反思。这种技术在辩论和批判性评估至关重要的环境中特别有效。

[何时使用]

魔鬼的辩护者提示应在你需要探索一个想法的所有可能弱点或劣势时使用，尤其是在决策、战略规划或政策制定的情况下。它有助于避免“群体思维综合症”，即在没有质疑的情况下，每个人都同意。

这种技术在哲学、学术或商业讨论中推荐使用，在这些讨论中，在采取行动之前测试一个论点的有效性是很重要的。通过让模型“反对”一个观点，你可以识别出在承诺采取特定方法之前需要解决的问题。

此外，魔鬼的辩护者在教育环境中很有用，旨在教授批判性论证技巧，鼓励学生从不同的角度看待问题，并质疑他们自己的假设。

[使用技巧]

● 明确需要挑战的论点或想法。越清晰地表达初始想法，LLM 扮演的魔鬼辩护者就越有效。

● 鼓励模型不仅进行批评，而且在适当的时候提出替代解决方案，以便辩论是建设性的。

[技术差异]

魔鬼的辩护者提示与对立提示的不同之处在于，对立提示旨在提供对立或替代观点，而魔鬼的辩护者专注于挑战一个论点的有效性，寻找缺陷并强制进行批判性审查。魔鬼的辩护通常更加深入和具体，试图测试一个论点的稳健性。

与角色反转提示相比，角色反转提示中模型采取不同参与方的视角，而《魔鬼的辩护者》提示则专注于挑战和批判所提出的论点，无论涉及方的立场如何。重点是施加压力于论点，而不仅仅是理解另一个视角。

关于逐步分析，它以步骤解释问题，而《魔鬼的辩护者》提示寻求利用弱点，而不是解释。它并不旨在描述如何做某事，而是测试论点或想法是否真正合理。

[示例]

●        基本：

○        常见问题："每个人都应该采用素食饮食来减少他们的碳足迹。"

○ 《魔鬼的辩护者》提示："广泛采用素食饮食可能存在哪些潜在问题？"

○ 《魔鬼的辩护者》的答案："虽然素食饮食可以减少你的碳足迹，但重要的是要考虑到大规模种植蔬菜，如大豆和鳄梨，可能会导致森林砍伐和土壤退化。此外，世界上一些地区由于气候原因，难以种植足够多样的营养植物，而广泛的转变可能会对这些地区的粮食安全产生负面影响。"

●        中级：

○        常见问题："人工智能可以解决公司中所有生产力问题吗？"

○ 魔鬼辩护者提示："挑战人工智能可以解决公司中所有生产力问题的观点。"

○ 魔鬼辩护者回答："尽管人工智能可以提高许多流程，但它不能解决所有生产力问题。诸如缺乏正确理解和实施人工智能推荐所需的人类技能、员工对技术变革的抵制、以及无法理解公司特定背景的失败等因素都可能限制人工智能的有效性。此外，文化问题和需要创造性协作的需求是人工智能单独无法解决的问题。"

●        高级：

○        常见问题："全球化对发展中国家总是有益的。"

○        魔鬼辩护者提示："全球化对发展中国家有哪些不利因素？"

○ 《魔鬼的辩护者》的答案："全球化可以通过提供对市场和技术的访问来造福发展中国家，但它也可能有严重的弊端。这些国家往往过度依赖外国投资，这些投资在危机时期可能会迅速撤出，从而破坏当地经济。此外，跨国公司的竞争可能会阻碍当地工业，导致失业和文化身份的丧失。全球化带来的好处不平等分配也可能加剧这些国家的内部不平等。"

[上述技术使用的结构]

●        魔鬼的辩护者结构提示：

○        {"常见问题" ["请提供你希望质疑或挑战的陈述或论点"]}

○ {" 魔鬼的辩护者提示" ["向 LLM 提出挑战，通过突出潜在缺陷、风险或脆弱性来质疑所提出的观点"] }

○ {"魔鬼的辩护者回应" ["LLM 提供了一种批判性的回应，通过探讨其弱点以及可能的负面后果来检验论点的有效性"]}

○        完整示例：

■        常见问题："自动驾驶汽车是减少交通事故的理想解决方案。"

■ 魔鬼的辩护者提示："挑战自动驾驶汽车是减少交通事故的理想解决方案这一观点。"

《魔鬼的辩护者》的回答：“虽然自动驾驶汽车承诺减少由人为错误引起的事故，但仍然存在重大挑战。技术问题，如传感器和系统故障，可能导致意外事故。此外，自动驾驶汽车与人类驾驶员在混合道路上的互动仍然存在风险，因为不可预测的人类行为可能会混淆汽车的算法。此外，关于事故责任人的伦理问题尚未解决，并且当前基础设施尚未完全准备好支持这一转型。”

使用上述技术进行提示练习

1. 要求模型“挑战在线学习总是优于面对面学习这一观点”通过强调与访问、教育质量和学生福祉相关的问题

2. 询问“核能是最好的替代化石燃料的能源来源吗？”并要求模型扮演魔鬼的辩护者，强调涉及的安全、废物和成本问题。

3. 指导模型“挑战自动化总是提高工人生活质量这一信念”通过解决失业、心理影响和收入不平等的问题

魔鬼的辩护者提示是一种强大的技术，用于挑战假设并确保在做出决定或接受一个想法之前，探索了问题的所有方面。如果您需要更多示例或帮助应用此技术，我很乐意提供帮助！

22. 场景比较（场景比较）

[什么是 ]

场景比较，或称为场景比较，是一种提示工程技术，涉及让 LLM 比较不同的假设场景以理解每个场景的含义。这种技术允许模型提供对可能性的全面视图，突出每个场景的优势、劣势和潜在结果，帮助用户做出更明智的决定。

场景比较是用于探索不同变量对一个场景的影响并可视化如果采取不同行动可能会发生什么的有用工具。这种技术有助于揭示每个选项可能带来的潜在利益和风险。

[你的主要目标是什么？]

场景比较的主要目标是让用户更好地理解不同决策或情境的含义，评估每个场景的优势和劣势。这有助于做出明智的决定，以更战略的方式规划行动，并清晰地看到可能的路径。

另一个目标是提供在不确定情况下进行决策的基础，在这种情况下可能需要考虑多个选项。通过比较场景，模型可以突出每个选择的临界因素和潜在影响，帮助用户仔细权衡他们的选项并确定实现目标的最佳方法。

[如何工作]

场景比较工作是通过让 LLM 描述两个或更多假设场景并对其执行详细的比较分析来完成的。提示可能包括诸如“比较场景 A 和 B 在环境影响方面的差异”或“描述的场景的优缺点是什么？”等问题。然后，模型呈现每个场景，突出其主要要点，并执行比较分析以突出最重要的方面。

例如，当询问“在特定地区采用太阳能与风能相比会产生什么影响？”时，模型可以提供对这两种选择的好处和局限性的分析，考虑因素包括成本、效率和环境影响。

这种技术在战略规划中特别有效，当你需要考虑不同的选项并理解每个选项与其他选项的比较时。情景比较帮助你以清晰和详细的方式可视化各种选择的结果。

[何时使用]

当存在多个可行的替代方案且你想要更好地理解这些替代方案之间的差异以便做出明智决策时，应使用情景比较。这对于商业规划、投资决策、公共政策或任何你必须从几个可能性中进行选择的情况都是理想的。

这种技术在规划和分析环境中推荐使用，在这些环境中，每个选择的潜在结果可能具有重要的意义。当一个人想要预测不同方法的结果并评估哪种方法在成本、社会影响或效率方面最有益时，它是有用的。

此外，情景比较在以下情况下非常有价值：当你想要讲解不同决策可能带来的潜在影响。比较不同的未来允许用户更广泛地看待问题，并鼓励用户批判性地思考他们的选择。

[使用技巧]

● 明确定义你想要比较的场景并提供比较标准。这将帮助 LLM 结构一个全面且详细的分析。

● 使用多个标准进行比较，如成本、环境影响、可行性和社会效益。分析越详细，结果就越有用。

[技术差异]

场景比较与场景规划不同，后者侧重于创建多个可能场景。在场景规划中，目标是探索开放的可能性，而在场景比较中，重点是比较已经呈现的场景，以更好地理解它们的优点、缺点和影响。

与比较提示相比，后者专注于比较两个元素，如概念、想法或对象，场景比较专注于分析完整的假设情况，考虑每个情况的潜在影响。这种技术更多地探索复杂场景的后果，而不是比较孤立的特征。

关于假设推理，它涉及想象一个单独的假设场景，场景比较旨在探索不同场景如何相互比较，创建一个分析，让你能够在多个可能的选择中做出最佳选择。

[示例]

● 基本：

○ 问题："采用混合学习系统与完全在线学习系统相比，会产生什么影响？"

○        场景比较 :

■        混合教学 :

■ 优势："它为学生提供灵活性，并保持社会、面对面互动，这对于学习和个人发展可能很重要。"

■        劣势："需要为个人和在线课程都提供基础设施，这可能会增加机构的成本。"

■        完全在线教学 :

■        优势："更大的灵活性和可访问性，尤其是对于居住在远离大型城市中心的学生的学生。"

■ 劣势："可能导致学生之间的孤立和脱节，并且对于一些人来说，维持保持自我纪律以保持学习的难度更大。"

■ 比较："混合学习提供了一种平衡，但需要更大的基础设施投资，而在线学习可以以更低的成本触及更多人，但面对面互动的丧失可能会影响学习的质量。"

●        中间 :

○ 问题："用太阳能替代化石燃料与核能相比，在可持续性方面如何比较？"

○        场景比较 :

■        太阳能 :

■        优势："可再生、污染少，并且在运行过程中不排放温室气体。"

■        劣势："依赖于天气条件，并且需要大面积进行面板安装。"

■        核能：

■ 优点： "高效率和产生大量恒定能源的能力，无需直接碳排放。"

■ 缺点： "它产生放射性废物，需要储存数千年，并且存在核事故的风险。"

■ 比较： "太阳能从废物角度来看更安全，但它的稳定性不如核能，而核能由于废物和可能的意外事故，其关联风险更大。"

●        高级：

○ 问题： "比较两个场景对人工智能发展的影响：高度监管的人工智能与轻度监管的人工智能。"

○        场景比较：

■        高度监管的人工智能：

■ 优点： "更高的安全性和保护措施，防止滥用，确保隐私和技术的道德使用。降低歧视和偏见的风险。"

■ 缺点： "由于官僚壁垒，创新速度降低，可能减缓进步并限制新解决方案的发展。"

■        最小监管的人工智能：

■ 优点： "它能够实现快速创新和持续适应，吸引投资并加速新应用的发现。"

■ 缺点： "增加隐私侵犯、不平等、人工智能滥用和偏见传播的风险，可能对社会产生负面影响。"

■        比较："虽然严格的法规促进安全和道德，但它可能减缓技术进步。最低限度的法规鼓励创新和敏捷性，但增加了负面后果的风险，尤其是道德方面的后果。"

[上述技术使用的结构]

●        方案比较结构化提示 :

○        {"主要问题" ["提供一个涉及两个或更多假设性场景以进行比较的问题"]}

○        {"方案 A" ["描述第一个方案，突出优势、劣势和主要特点"]}

○        {"方案 B" ["描述第二个方案，突出优势、劣势和主要特点"]}

○ {"方案比较" ["要求 LLM 比较两个方案，突出主要差异、相似之处和每个方案的潜在影响"]}

○        完整示例 :

■        主要问题："如何在山区比较风能和地热能实施方案？"

■        方案 A（风力能源）:

■        优势："许多山区拥有清洁且可用的能源资源，且风速恒定。"

■        劣势："可能造成视觉和声音干扰，以及依赖于季节性风速变化。"

■        方案 B（地热能源）:

■        优势："稳定且恒定的能量，不受天气条件影响，且排放量非常低。"

■        劣势："钻井成本高，且在资源有限地区实施难度大。"

情景比较：“ 风力 发电 可能 更容易 安装 初始 阶段，但 它是 间歇性 的。地热 发电 提供 稳定 、 可预测 的 输出，尽管 它 有 较高的 前期 成本。”

使用 上述 技术 进行 提示 练习]

1. 问 模型 “ 比较 采用 电动 汽车 与 在城市 地区 使用 公共交通 的影响，” 探索 成本、环境 影响 和 社会 效益。

2. 问，“如何 引入 一个 普遍 基本 收入 体系 与 扩展 目标 性 社会 项目 相比 以 对抗 贫困？” 并 要求 模型 探索 这些 情景 在 经济 和 社会 影响 方面的 术语。

3. 指示 模型 “ 比较 生物燃料 的使用 与 交通 部门的 电气化 在 环境 和 经济 影响 方面的 影响” 并 详细 阐述 每种 方法的 优点 和 缺点。

情景 比较 是一种 探索 不同 可能性 的基本 技术，允许 在 做出 决定 之前 对 几个 选项 进行 清晰 和 批判性 分析。如果 你需要 更多 信息 或 关于 如何 应用 此 技术 的 示例，我 随时 为你 服务！

23. 问题 分解 （ 问题 分解 ）

[什么是 ]

问题分解，或称为问题分解，是一种问题工程技术，它涉及将一个复杂问题分解成更小、更易于管理的部分。这种技术的目标是简化问题，通过处理更小的子问题来使其更容易解决，这些子问题的解决方案可以组合起来解决主要问题。

这种方法有助于解决那些一开始看起来令人畏惧的问题，通过允许模型详细处理每个组成部分，并最终将答案拼接在一起来解决整个问题。

[What is your main goal ?]

问题分解的主要目标是使解决复杂问题更容易，通过将它们分解成更小、更简单的步骤。这种技术允许采取系统性的方法，其中每个子问题都可以独立解决，提高清晰度并确保问题的所有部分都被覆盖。

另一个目标是提高问题解决的组织和效率。将问题分解成更小的部分允许你优先考虑关键步骤，并更有效地逐一解决每个问题，确保在进入下一阶段之前有详细的了解。它还允许你在尝试作为一个整体解决问题之前，识别潜在的痛点或瓶颈。

[How it works ]

问题分解通过指导 LLM 将原始问题分解成更小的部分来实现。提示可能包括“将这个问题分解成更小的步骤”或“这个问题的主要组成部分是什么，我们如何逐一解决它们？”每个子问题都是独立解决的，整体解决方案是由每个部分的解决方案构建而成的。

例如，当询问“我如何开发一个数字营销策略？”时，LLM 可以将问题分解成定义目标受众、选择营销渠道、创建内容和跟踪指标等组成部分。然后，每个子问题分别解决，最终形成一个连贯的策略。

这种技术在处理具有许多相互连接元素的复杂问题时非常有效。通过将它们分解成部分，更容易保持专注并按逻辑和组织方式解决每个组件。

[何时使用]

当存在复杂问题或涉及多个相互依赖步骤的项目时，应使用问题分解。它非常适合战略规划、解决技术或商业问题，以及开发涉及多个元素的过程。

这种技巧在教育和技术环境中特别推荐，尤其是在需要多步骤问题解决的课程中，例如数学、编程或工程。它有助于教授系统推理以及如何分步骤地解决问题，从而促进学习。

它也适用于头脑风暴和创新过程，其中可以通过将其分解为子部分来降低一个想法的复杂性。这样，每个组成部分都可以被详细探索，从而增加识别创造性解决方案的机会。

[使用技巧]

● 将主要问题分解为逻辑上可管理的部分，确保每个子问题都可以独立解决。

● 强调子问题之间的关系以及每个子问题的解决方案如何连接起来以解决整体问题。

[技巧的区别]

问题分解与逐步分析不同，因为尽管这两种技术都涉及将问题分解，但逐步分析专注于通过一系列逻辑行动来解决该问题，而问题分解则专注于将复杂问题分解为更小的子问题，这些子问题可能或可能不是按顺序解决的。

关于目标分解，这两种技术都共享了分解的思想。然而，在问题分解中，重点是将一个特定问题分解成更小的组成部分以进行解决，而目标分解则更多地关于将目标分解成更易于实现的部分。

与迭代改进相比，迭代改进是在迭代中逐步改进，而问题分解则更多地关于分析和分解问题，无需不断回顾每个组成部分。每个子问题都是单独解决的，然后它们被组合在一起。

[示例]

●        基础 :

○        主要问题 : "如何组织一个生日派对? "

○        问题分解 :

■        第一部分 : "选择派对主题. "

■        第二部分 : "定义宾客名单. "

■        第三部分 : "选择派对场所. "

■        第四部分 : "装饰和必要安排. "

■        第五部分 : "食物和饮料计划. "

■        第六部分 : "为宾客提供的娱乐和活动. "

■ 解释 : 每个部分都是单独处理的，并且当它们结合在一起时，它们共同构成了派对的一个完整计划。

●        中级 :

○        主要问题 : "如何制定一个商业计划? "

○        问题分解 :

■        第一部分 : "市场调研和竞争分析. "

■        第二部分 : "定义目标受众. "

■        第三部分 : "营销和销售策略. "

■        Part 4 : "Operational plan (structure and logistics). "

■        Part 5 : "Financial projections (costs, revenues, profits). "

■        Part 6 : "Risk analysis and contingency planning. "

■ Explanation : By dividing the business plan in to several sections, it becomes easier to address each one and ensure that all aspects are covered.

●        Advanced :

○        Main Problem : "How to implement a project management system in a company?"

○        Problem Decomposition :

■        Part 1 : "Assess the company's specific needs regarding project management. "

■        Part 2 : "Selecting the most suitable project management tool or software. "

■        Part 3 : "Training the team to use the tool effectively. "

■        Part 4 : "Establishing a standard project management process. "

■        Part 5 : "Integrating the tool with other company systems. "

■        Part 6 : "Monitor and adjust system usage based on team feedback ."

■ Explanation : By dividinng the system implementation in to specific parts, the complexity of the process is reduced, and the transition becomes more organized, and efficient.

[Structure of the technique used above]

●        Problem Breakdown Structured Prompt :

○        {"Main Issue" ["Please provide the main issue or request in volving a complex task"]}

问题分解：“要求 LLM 将主要问题分解为更小的子问题，并解释每个部分对整个解决方案的相关性”}

子问题解决：“独立处理每个子问题并提供详细的解决方案，将解决方案连接起来以解决主要问题”}

完整示例：

主要问题：“如何在市场上推出产品？”

问题分解：

第一部分：“市场研究以确定需求和竞争对手”

第二部分：“定义目标受众以集中营销努力”

第三部分：“品牌和沟通策略以创造产品形象”

第四部分：“包括分销渠道在内的推出策略”

第五部分：“收集初始反馈并在推出后进行调整”

子问题解决：“每个部分都单独工作，确保推出计划从理解市场到基于反馈的持续调整都得到妥善规划”

使用上述技术进行提示练习]

1. 将“分解房屋翻新问题”模型分解为子问题，包括诸如规划、预算、招聘劳工、选择材料和监控工作等方面。

2. 提问“我如何为一家小型企业创建一个网站？”并指导模型将这个过程分解成子问题，从定义网站的目的到选择平台和开发内容。

3. 指导模型将“在公司实施新的远程工作政策的问题分解成更小的步骤”，详细说明问题，如设置规则、培训员工和监控生产力。

问题分解是一种强大的简化复杂问题的技术，确保每个部分都得到分析和解决，清晰且有效。如果你需要更多关于如何在一个特定情境中应用这种技术的信息或帮助，我在这里为你提供支持！

24. 重复头脑风暴

[什么是]

重复头脑风暴，或称为迭代头脑风暴，是一种提示工程技术，涉及让 LLM 生成一个想法或解决方案列表，然后在这些想法中审查和改进，进行多轮迭代以持续改进它们。重点是使用多次迭代来扩展、细化并逐步选择更优秀和更详细的想法。

这种方法允许一个持续的过程，生成和细化想法，促进创造力和可能最初并不明显的解决方案的发展。模型生成一个初始想法库，并在每一轮迭代中做出调整或添加，使想法更加详尽和相关性更强。

[你的主要目标是什么？]

迭代式头脑风暴的主要目标是刺激创造力和创新，通过生成广泛的想法范围，然后细化它们以找到最佳解决方案。这种技术允许你在承诺于特定方法之前探索多个方向，增加找到真正有效解决方案的可能性。

另一个目标是通过对初始建议的优缺点进行审查，不断改进想法。这创造了一个环境，每个想法都经过测试和细化，从而产生更加深思熟虑和有效的提案。

[它是如何工作的]

迭代式头脑风暴通过让 LLM 从一个系列初始想法开始，为一个问题或项目工作。一旦这些想法被生成，下一步就是根据需要修订它们，以扩展、组合、改进或消除它们。这个过程重复进行几轮，每一轮迭代都会产生一个更加精细的想法集。

例如，当征求针对年轻人群体的新技术产品的想法时，第一轮可能会生成广泛的概念，例如“手持游戏设备”或“教育小工具”。在随后的轮次中，这些想法会根据更多关于功能、功能和它们可以为最终用户带来的价值的细节进行细化。

头脑风暴的每一轮都深入到细节中，LLM 会审查和改进想法或提出新的方法。这种技术有助于避免迅速对第一个想法做出承诺，并允许创造过程发展，从而实现持续改进。

[何时使用]

当你需要生成大量想法并随后对它们进行细化以选择最佳选项时，应使用迭代式头脑风暴。它在诸如新产品开发、制定营销策略或创造性问题解决等情况中非常理想。

这种技术在需要创造力的环境中推荐使用，例如设计、产品创新或战略规划。迭代式头脑风暴允许原始想法发展成实际、经过深思熟虑的解决方案，有助于确保在审查过程中不会失去初始创造力。

此外，它在小组头脑风暴会议中很有用，不同的迭代可以集体讨论和细化，从而产生比个人想法更具创新性和稳固性的共识。

[使用技巧]

● 从一个初始轮开始，目标是尽可能多地生成想法，而不必一开始就担心质量。

● 在每次后续迭代中，要求 LLM 改进或扩展想法，提出使它们更实用或更独特的方法。

[该技术的区别]

迭代头脑风暴与一次性头脑风暴不同，一次性头脑风暴只生成一次想法。迭代头脑风暴涉及多轮，每一轮都为改进先前想法做出贡献，从而产生更深入和更完善的方案。

与逐步分析相比，逐步分析通过一系列逻辑步骤解决问题，迭代头脑风暴旨在探索创意想法并不断扩展它们，没有固定的逻辑顺序，但专注于扩展和改进。

关于反馈循环促进，两种技术都涉及一个改进的迭代过程。然而，虽然反馈循环是关于修订单个答案以使其更准确，但迭代头脑风暴专注于持续生成和细化想法，以达到一系列创造性解决方案。

[示例]

●        基础 :

○        问题 : "对于鼓励健康习惯的应用，有哪些想法？"

○        第一轮想法 :

■        "水跟踪应用."

■        "每日物理活动挑战."

■        "拉伸提醒。"

○        第二次迭代 :

■ "水跟踪应用可以包括游戏化，用户通过达到每日水分摄入目标来赚取积分。"

■ "可以根据用户的健身水平和包括鼓励持续性的奖励来个性化健身挑战。"

■        "添加包含短视频提示的拉伸提醒，特别是针对那些在办公桌工作的人。"

○        第三轮迭代 :

■ "与当地健身房或健康商店合作创建奖励系统，为保持良好习惯的人提供折扣。"

●        中间阶段 :

○        问题 : "我们如何减少餐厅的食物浪费？"

○        第一轮想法 :

■        "捐赠未使用的食物。"

■        "高效的菜单规划."

■        "在丢弃中使用剩余物促销。"

○        第二次迭代 :

■        "与当地机构建立伙伴关系，捐赠新鲜食品，确保遵守食品安全规则。"

■        "基于季节性食材和过去销售的菜单规划，以避免过度购买。"

■        "为使用接近过期成分的食材的顾客提供每日特价，最小化浪费。"

○        第三轮迭代：

■ "开发一个数字监控系统，跟踪库存水平并推荐使用接近过期成分的食谱。"

●        高级：

○        问题："有哪些可能的创新可以使公共交通对用户更具吸引力？ "

○        第一轮想法：

■        "车辆内提供免费 Wi-Fi。"

■        "集成票务，支持多种交通方式。"

■        "提供关于延误的实时信息。"

○        第二轮迭代：

■        "扩展免费 Wi-Fi，包括与流媒体平台的伙伴关系，鼓励在旅行时娱乐。"

■ "集成票务，不仅包括交通，还包括对当地服务如健身房或剧院的折扣。"

■        "与共享出行应用集成，为公共交通受限的地区提供高效的最后一英里服务。"

○        第三轮迭代：

■        "在选定座位添加移动设备充电点。"

■ "为频繁用户启动奖励系统，通过积分激励定期使用，这些积分可以兑换产品和服务。"

[上述技术结构的结构]

●        迭代头脑风暴结构化提示 :

○        {"引导问题" ["提供问题或请求以生成初始想法或解决方案"]}

○        {"第一轮想法" ["请 LLM 提供初始想法列表"]}

○ {"后续迭代" ["请 LLM 在多轮中回顾、扩展和改进初始想法，关注细节和可行性"]}

○        {"最终结果" ["在多次迭代后，展示最终、更精细和详细的想法"]}

○        完整示例 :

■        主要问题: "我们如何改进超市购物体验？"

■        第一轮想法 :

■        "配备平板电脑的购物车，指示产品位置。"

■        结账系统 .

■        " 购物清单应用，通知您优惠信息。"

■        迭代1 :

■        "在购物车表格中添加一个功能，根据购买的产品建议食谱。"

■        带有 RFID 识别的结账系统，以减少等待时间。"

■ "允许购物清单应用在特定商品缺货时建议替代产品。"

■        迭代2 :

■ "在购物车表格中集成虚拟助手系统，帮助用户解答有关产品位置或营养成分信息的问题。"

■        "创建一个面部识别支付系统，使结账体验更加快捷。"

“通过购物清单应用提供奖励，鼓励用户选择新鲜或本地产品。”

使用上述技巧进行提示练习。

1. 使用模板“为公司的员工生成入职活动想法”，然后回顾这些想法，详细说明如何组织它们并使它们更有效。

2. 提问：“为了增加城市中的回收利用，可能有哪些策略？”并让模型进行几次头脑风暴，每次迭代都改进想法。

3. 指示模型“为语言学习应用生成想法”，然后让它细化想法，以添加创新和引人注目的功能。

迭代头脑风暴是生成、发展和在共同基础上完善创意想法的基本技巧，允许每个迭代将提案提升到更高水平的质量和可行性。如果您需要更多示例或帮助应用此技巧，我可以提供帮助！

25. 视角切换

[什么是]

视角切换是一种提示工程技巧，它涉及让 LLM 从多个不同的视角分析问题、想法或情况。这种技巧允许模型以更全面和完整的方式接近一个主题，考虑到不同参与者的影响和观点。

交换视角有助于培养同理心，更好地理解一个议题对多个利益相关者的背景和影响，并识别潜在的冲突和趋同点。当需要更深入地分析问题时，这种方法尤其有用。

[你的主要目标是什么？]

视角转换的主要目标是提供一个对情况的全面视角，帮助用户理解一个决策或事件如何被不同方面所感知和影响。

另一个目标是实现更加平衡和基于信息的分析，特别是在涉及多个利益相关者的争议性讨论或情境中。考虑多个视角有助于更公正地理解问题，并允许创造满足所有相关方利益的解决方案。

[它是如何工作的]

视角切换通过让 LLM 探索从多个不同视角分析问题来工作。提示通常包括指令，例如“从科学家的视角解释这一点”，“现在从消费者的视角来看”或“这如何影响政治家？”这些指令鼓励模型采取新的立场并从所需视角分析问题。

例如，当讨论“社交媒体对社会的影响”时，LLM 可能被要求采取不同的视角：一个青少年的视角、一个心理学家的视角、一个营销专家的视角和一个政策制定者的视角。通过这种方式，每个视角都提供了对社交媒体影响的独特角度，从而丰富用户对该主题的理解。

这种方法对于分析具有多个利益相关者的复杂问题非常有效，因为每个视角可能有不同的关注点、目标和挑战。这种技术使得构建更全面且针对不同需求定制的解决方案变得更容易。

[何时使用]

当你想要更好地理解一个情况对不同人或群体的影响时，应使用视角转换。这对于探索影响员工、客户和投资者不同方式的业务问题是理想的，或者用于理解对不同社会群体产生不同影响的公共政策。

这种技术在决策环境中被推荐使用，在这些环境中，考虑问题的所有方面对于确保决策有充分的依据并且不会产生意外的后果至关重要。它在影响分析和危机管理中也非常有用，在这些情况下，理解不同利益相关者的反应可能是至关重要的。

此外，它还是一个在培训和教育环境中非常重要的工具，帮助人们发展同理心并理解同一个问题可以从不同的角度进行理解。

[使用技巧]

● 清楚地确定你想要探索其观点的利益相关者，并定义他们的具体特征。这将帮助LLM更准确地针对每个角色。

● 使用多次迭代来涵盖所有相关的角度。不要急于得到答案；每个观点都可能揭示对解决问题有帮助的重要细节。

[技术差异]

视角切换与角色反转提示不同，因为，虽然角色反转提示直接探索一个对立的视角，视角切换旨在探索关于同一问题的多个独立观点。角色反转提示可能局限于两个对立的观点，而视角切换则专注于观点的多样性。

关于共识构建提示，它试图找到一个中间立场或不同党派之间的共识，视角切换旨在简单地分别探索每个观点，而不必尝试将它们统一成一个单一的解决方案。它关于理解每个党派如何感知情况，而不必 necessarily 达成一致。

与魔鬼的辩护者提示相比，后者挑战一个特定的论点，视角切换更侧重于理解关于该问题的多个观点，而不是反驳一个特定的论点。重点是感知的多样性，而不是批评或反驳一个论点。

[示例]

●        基本 :

○        问题 : “远程工作的影响是什么？”

○        视角交换 :

■ 员工视角 : “远程工作提供了灵活性和更好的工作-生活平衡，但它也可能导致孤立，并且难以保持工作和休息之间的清晰界限。”

■ 雇主视角 : "远程工作可以降低运营成本，但它也使得监控生产力和团队凝聚力变得更加困难。"

■ 城市规划师视角 : "随着越来越多的人在家工作，交通将会减少，城市可能需要重新思考空间的使用，例如对商业区域的需求。"

● 中级 :

○ 问题 : "实施自动驾驶汽车在城市中的影响有哪些？"

○ 观点交换 :

■ 普通市民视角 : "自动驾驶汽车可以减少驾驶压力并提高安全性，但关于隐私和潜在的技术缺陷也存在担忧。"

■ 出租车司机视角 : "自动驾驶汽车可能会大幅减少运输行业的就业机会，从而对职业的未来产生不确定性。"

■ 政治家视角 : "自动驾驶汽车有可能提高安全性和减少拥堵，但监管需要确保它们既安全又对每个人可及。"

■ 汽车制造商视角 : "这项创新代表了一个巨大的市场机遇，但也需要在高投资和技术以及生产基础设施变革方面进行大量投资。"

● 高级 :

○ 问题 : "可再生能源如何改变经济？"

○ 观点交换 :

■ 一个经济学家的视角："投资可再生能源可以创造绿色就业机会并减少对化石燃料的依赖，促进更可持续和有弹性的经济。"

■ 来自化石燃料工业工人的视角："转型可能会对传统能源部门的就业构成威胁，需要过渡政策以避免大规模失业。"

■ 一个环境主义者的视角："可再生能源可以显著减少碳排放并减少气候变化的影响，这对于保护生态系统和生物多样性至关重要。"

■ 消费者视角："可再生能源因其环境效益而具有吸引力，但人们对在更偏远地区供电的前期成本和可靠性存在担忧。"

[上述技术使用的结构]

● 视角切换结构化提示 :

○ {"主要问题" ["请提供主要问题或您希望从多个角度探讨的问题"]}

○ {"视角 A" ["要求 LLM 从特定的观点分析问题，例如消费者、雇主、公民等。"]}

○ {"视角 B" ["要求 LLM 改变视角并从不同的观点看待相同的问题，识别这一特定部分如何受到影响"]}

○ {"视角 C" ["重复以获得对问题的广泛和完整看法"]}

○ 完整示例：

■ 主要问题："使用人工智能在学校中的影响是什么？"

■ 视角 A（教师）：

■ "人工智能可以帮助自动化行政任务，让教师能够更多地专注于教学，但可能存在关于取代教师角色和教育质量的担忧。"

■ 视角 B（学生）：

■ "人工智能可以提供个性化的学习，但学生也有可能错过与人类互动，这对于发展社交技能是至关重要的。"

■ 视角 C（家长）：

■ "人工智能可以改善学生成就的跟踪和与教师的沟通，但关于儿童数据的隐私也存在担忧。"

■ 视角 D（学校管理员）：

■ "人工智能可以成为优化资源和监控每个学生进步的强大工具，但实施需要高昂的初始成本和对教育专业人员的培训进行改变。"

提示练习使用上述技术]

1. 要求模型“从农民、科学家和政治家的视角探索气候变化的影响”，强调每个群体受到的影响以及他们的主要关切。"

2. 问 ， “ 自 动 化 对 工业 工 人 、 工 厂 所 有 者 和 消 费 者 有 什 么 影 响 ？” 并 请 求 模 型 从 每 个 这 些 角 度 出 发 并 解 释 他 们 的 观 点 。

3. 指 示 模 型 “ 从 医生 、 患 者 、 健 康 保 险 公 司 和 技术 开 发 者 的 角 度 来 描 述 数字 化 对 医 疗 卫 生 部 门 的 影 响 。”

视角 转 换 是 确 保 在 问 题 中 考 虑 所 有 利益 相关者 的一 种 强 大 技 术 ， 它 提 供 了 更 丰 富 、 更 包 容 的 观 点 。 它 促 进 了 共 情 并 通 过 确 保 解 决 方 案 针 对 所 有 涉 及 方 的 利 益 而 提 高 了 决 策 质 量 。 如 果 你 需 要 更 多 信 息 或 例 子 ， 我 在 这 里 ， 准 备 帮 助 你 ！

我们 结 论

我们 结 论 我 们 通 过 探 索 2 5 种 强 大 技 术 ， 从 最 简 单 到 最 复 杂 ， 来 完 成 对 Prompt Engineerin g 的 探 索 。 Promptmake r 专 业 正 在 增 长 ， 并 成 为 必 不可 少 的 ， 因 为 通过 这 个 专 业 ， 我 们 能 够 指 导 人工 智 能 解 决 实 际 问 题 并 在 各 个 领 域 中 创 新 。 这里 讨 论 的 技 术 被 设 计 来 帮 助 你 ， 读 者 ， 在 与 语 言 模 型 交 互 时 更 有 效 ， 从 中 获 得 最 佳 的 表 现 。

提示创建是理解上下文、需求，最重要的是，知道如何激发丰富且相关的响应。正如我们所看到的，有不同的技术可以应用，而正确的使用它们取决于你想要实现的问题或目标的类型。无论是在内容开发、决策支持还是教育中，创建有效提示的能力将允许你以更策略性和自信的方式执行这些IAs。

我希望这本书对你来说是一个有价值的知识来源和灵感。提示工程是一个在人工智能变得普遍的世界中将持续需求的基本技能。继续探索、实践，并磨练你作为提示生成者的技能，并记住：正确的问题能开启通往强大答案的大门，通过它们，我们可以塑造未来。祝你好运，愿你的问题能持续地改变世界！