【Agent.03】带你学会写一个基础的Prompt

欢迎阅读慕雪撰写的AI Agent专栏，本专栏目录如下

本文介绍了如何写好一个分为多个步骤的Prompt，让AI输出更符合我们要求的答案。这部分慕雪理解的也不是很透彻，所以只是一个抛砖引玉，仅供参考。

1. 名词解释

以下是本文涉及到的部分AI大模型领域专有名词的解释

名词解释	详细说明	实际举例
Prompt（提示词）	Prompt（提示词）就是你在 AI Chat 框中，发送给 AI 的内容。
Token	大模型语言以Token数计算处理信息的数量。你可以将一个 Token 简单地理解为你输入的一个字符，输入的字符越多，占用的 Token 也就越多。	实际上，一个Token可以包含多个英文单词和中文字符，左侧描述“一个Token是一个字符”只是为了帮助理解。你可以使用Token计算器计算你输入的信息占用的Token数量。
上下文 Token	对于大语言模型而言，它们能够接纳和处理的信息是有上限的，这个限制，就是最大上下文 Token 数。AI无法处理超过模型自身上下文Token限制的数据。注意，AI输出的内容也是上下文Token的一部分。	例：模型的最大上下文 Token 数为 8000，那么 AI 输出的内容加上用户输入的内容总和不能超过 8000 个 Token。如果用户输入的内容已经占用了较多的 Token，那么 AI 输出的内容就会相应减少，以确保总和不超过最大上下文 Token 数。
最大输出 Token（max_tokens)	最大输出 Token 是指 AI 在一次回复中能够生成的最大字符数量。这个是一个单独的限制，同时这个数量同样受到模型上下文 Token 数的限制。	例：模型的最大上下文 Token 数为 8000，最大输出 Token 数为 2000，那么 AI 输出的内容加上用户输入的内容总和不能超过 8000 个 Token，即便用户输入的内容远远少于8000个Token，AI也会在输出了2000个Token之后，由于最大输出Token限制而无法输出。

2. 引言：乔哈里视窗

2.1. 什么是乔哈里视窗？

要想写好一个Promp，最基础的问题，自然是一个好的Prompt应当需要包含哪些内容了。回答这个问题之前，我们需要先了解一个概念：乔哈里视窗（Johari Window）

乔哈里视窗并不是AI时代才提出的概念，它是由乔瑟夫（Joseph）和哈里（Harry）在20世纪50年代提出的。视窗理论将人际沟通的信息比作一个窗子，它被分为4个区域：开放区、隐秘区、盲目区、未知区，人的有效沟通就是这四个区域的有机融合。

同理，我们和AI的有效交流，也符合乔哈里视窗四个区域的概念：

开放区：我们知道，AI知道。此类问题，在Prompt中无需多言。
- 举例：你想让AI帮你写一个C语言的hello world，你不需要把C语言的编程手册全部发给AI，因为这个知识，是AI已经知道的内容。
隐蔽区：我们知道，AI不知道。此类问题，在Prompt中需要着重描述。
- 举例：你希望让AI帮你补充论文中的一部分内容，此时你希望AI以学术论文的风格输出文字。但如果不将“以学术论文的要求输出"在Prompt里面告诉AI，AI就不会知道这个需要，大概率会用口语化表达输出你想要的内容，而这部分内容并不是你需要的结果。
盲点区：我们不知道，AI知道。很多时候我们需要AI帮忙解决问题的时候，就是想让AI补充我们的盲点区。
- 举例：你让AI帮你实现一个脚本的时候，只说了需求，没有指定脚本的编程语言，此时AI会根据你的上下文推测你想要的编程语言是谁，最终输出这个语言的脚本。
未知区：我们不知道，AI也不知道。常见于头脑风暴、文字续写等探索性的场景。

2.2. 善用乔哈里视窗

不管是和AI交流还是和其他人交流，善用乔哈里视窗理念，能帮助你减少交流中出现的误解，提高交流体验和效率。最佳实践如下：

一、扩大开放区：

把心里想要的都说出来，不要留在“隐藏区”。
例如：“写一篇论文” → “写一篇 2000 字的中文论文，主题是人工智能对社会发展的影响，用正式学术风格”。

二、缩小盲区：

通过反馈或示例，让 AI 知道你没意识到的重要信息。
比如AI输出后，你觉得风格不对，就要补充：“希望风格更口语化”。下次就能提前写进 Prompt。

三、利用未知区：

当你不确定需求时，可以明确说“请先给我几个方向/示例让我选择”。这样 AI 可以帮你探索需求。
相反，如果你明确自己需要获得什么类型的答案的时候，也可以明确表明让AI往某个方向输出结果，这样AI也不会发散的给你提供多种方案了。

3. 阐述：Prompt应包含的内容

引入了乔哈里视窗这个概念之后，我们再来看看，一个好Prompt需要包含什么内容吧。

首先，一个好的Prompt，通常需要具备 清晰性、完整性和可操作性。这三个特性可以分成如下的关键要素：

3.1. 身份/角色设定

对于大语言模型而言，我们和它们的所有交流都是“无状态”的，为了更好的激活大语言模型中的特定参数区，我们可以给大语言模型提供一个身份设定。最简单的方式就是告诉AI，现在它是什么领域的专家、面试官、编辑、导师……，让AI扮演起这个角色，能让AI在这个领域的问题中正确思考，输出更好的答案。

比如，你需要咨询C/C++编程语言的问题，就可以在你的Prompt开头带上这样一句话：“你是一位C/C++编程领域的专家，擅长解决C/C++学习者在学习过程中会遇到的问题。”

这样，AI就会立马知道自己需要帮助你解决C/C++方向的问题，从而省去了AI从你的输入中推导你需要什么类型的辅助这一步骤。

3.2. 任务目标

任务目标明确你需要AI做什么，避免模糊的需求描述。

比如，当你需要AI分析一段代码报错的时候，直接告诉AI：“请帮我分析这段Python的报错堆栈，告诉我出现了什么问题”，就比“帮我看看”这种简单的描述更好。

3.3. 上下文信息

“在没有错误日志的情况下诊断任何问题，无异于闭眼开车。”

咨询问题的时候，一定需要提供相关的上下文背景。比如分析报错，就需要告诉AI你的报错日志是什么、是在什么情况下发生的、你希望这个程序达到的目标是什么。

此类上下文信息，越多越好。它们是AI理解任务需求的重要参考资料。

同时，提供上下文信息的时候，需要遵循上文乔哈里视窗理念，不要给AI提供过量的上下文信息。比如某个编程语言的语法、某个常见Python库应该如何调用（比如requests库和aiohttp库）、如何使用g++编译程序等等……这类信息，虽然也是和你的需要息息相关，但它们都是AI已经知道的内容。过量提供上下文，会占用AI的上下文token，token占用过多，会导致AI更容易出现“幻觉”，无法理解你的需求，最终输出牛头不对马嘴的答案，浪费时间。

3.4. 输入数据

这部分和上下文信息有一定区别，上下文信息是你当前操作项目的背景信息。而输入数据是你需要AI解决某个问题的直接信息输入。

你需要AI查询最新的大模型论文，此时“帮我查询最新的大模型论文”就是你的直接输入数据，也是你的直接要求。
你需要AI帮你解决代码报错的时候，“帮我解决这个Python的报错”就是你的直接输入，而报错的日志属于这个输入的附加信息。

3.5. 输出要求

输出要求的目标是指定结果的格式和风格

“用表格展示”、“用markdown输出”
“用C++实现”
“控制在300字以内”
“分点叙述，逻辑清晰”
“以xxx格式输出结果”

这里对格式限制做特殊说明：为了实现大模型辅助我们完成一些自动化任务，我们必须限制大模型输出信息的格式，以方便我们在代码中接收了数据之后，进行格式化处理。

比如：“请以JSON格式输出你的分析结论”。这样，AI大模型就会以JSON格式输出结果，我们就可以在脚本中对AI输出的这条信息进行序列化处理。

如果不进行格式限制，AI输出纯文本信息，我们是无法在代码中对纯文本信息进行解译的，也就没办法自动化的应用AI输出的结果。因此，针对此类自动化需求，一定一定要牢记和AI约定要一个输出格式的限定条件，且此限定条件需要多次强调，才能保证AI遵循。

3.6. 限制条件

说明必须遵守的规则：字数、语气、禁止输出的内容、引用文献的方式、是否允许使用外部知识等。

比如你需要AI根据某个文档输出结论的时候，就可以在Prompt中添加“必须以文档中的信息总结并回答我的问题，严禁使用任何外部知识”。

3.7. 示例或期望风格（Examples / Style Guide）

很多时候，我们希望AI以某个风格输出答案，此时就可以添加上风格要求的描述。

比如“参考下面这个写法……”或者“生成和这段风格类似的文本”。

4. 速查：Prompt检查单

了解了上述内容后，想必你已经清楚了应该如何写一个好的Prompt了。

这里需要说明的是，这些Prompt的约束更多是在项目实战环节，也就是你需要AI长期稳定地给出你想要的答案时，才需要遵循的。日常我们和AI咨询问题，没必要死守这些原则，得到的答案好不好先不提，日常随便问个问题都死守原则，肯定会让自己的心情不好。

在后续的项目实战环节，会给大家展示好的Prompt和坏的Prompt的差距。你也可以自己测试一下，同一个问题，依照上述内容编写，和不遵循上述内容编写，咨询AI获得的答案的差距。

这里慕雪给大家一个简化的Prompt编写检查单，方便快速自检：

任务目标：我要让 AI 做什么？
上下文：需要提供哪些背景？
输入：AI 需要处理的内容是什么？
输出要求：希望结果的形式/风格/长度？
补充：有没有我没说清的，AI 可以提醒或给选项。

5. The end

本文到这里就结束啦，有任何问题，欢迎评论区讨论！