提示工程大模型人工智能AI 技能/插件Prompt 模板【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址https://gitcode.com/gh_mirrors/la/LangGPT点击查看免费下载导读本文以 LangGPT 仓库中的《Prompt 形式论文质彬彬》为思想骨架系统阐述形式即内容的提示词设计哲学。你将理解模板思维的优势与陷阱、三种天然结构形状树、网、河、不同任务类型对应的形式选择以及如何把仓库中的结构化模板Role 模板、miniRole 模板、YAML 模板从固定模具转化为贴合思想的脚手架最终掌握一种让 prompt 从自身意图中生长出来的写作手艺。一、文质彬彬Prompt 形式论的核心命题孔子说质胜文则野文胜质则史文质彬彬然后君子。质朴超过文采就粗陋文采超过质朴就浮华两者恰当相称才算合宜。这句两千五百年前关于人格修养的话放在今天的 prompt 设计语境下依然成立——甚至更加迫切。因为 prompt 的本质就是一次意图的表达而表达天然是形式与内容的合体。在 LangGPT 的形式论文章 中作者给出了一句极具操作性的断言不是先有结构再装内容而是先让内容充分展开观察它天然的形状然后让结构去贴合这个形状。这里文是形式质是内容彬彬是两者完美咬合、不可分离的状态。最好的 prompt 不是把思想装进结构里而是让结构本身就是思想的形状——读完形式你已经理解了内容。形式不是内容的包装纸形式就是内容的一部分。一封外交照会和一封情书不只是内容不同它们的句式、节奏、留白、语气构成完全不同的有机体。Prompt 也是如此。当你写下一个 prompt你写下的不只是要什么更是这件事在我心里长什么样。二、模板思维的得与失LangGPT 结构化范式再审视当下 prompt 工程的主流范式是模板思维。无论什么任务先铺一个角色设定你是一位资深的……再交代背景用户正在……接着列约束条件规定输出格式最后附上一两个示例。这套结构像一只标准集装箱任何货物都往里塞。模板的价值入门阶段的拐杖模板思维在入门阶段有效——正如填写表格能帮不知从何下手的人至少把事情做完。LangGPT 之所以能成为最流行的提示词落地范式正是因为结构化模板把写 prompt 的门槛降到了极低miniRole 模板 提供了最精简的骨架Role → Profile → Rules → Workflow → Initialization五分钟即可套用Role 模板 提供了面向复杂任务的完整骨架额外包含Output输出格式、Examples示例、Tools工具声明等模块baseRole 模板 加入了Reminder自我提醒与Commands命令系统miniRole.yaml 与 miniRole.json 提供了适合工程化开发的数据结构形态。这些模板让不知道从哪开始的人有了确定的起点。模板的陷阱忘记意图本身的形状但模板思维的危险在于用得越久越容易让人忘记一个根本问题这个意图本身想要什么形状集装箱式的模板假设所有任务共享同一种内部结构这显然与事实相悖精确的事实核查不需要角色扮演不需要背景渲染不需要输出格式的华丽排版开放的创意探索如果被层层约束锁死就失去了探索的可能严密的逻辑推演如果被打散成散文化的描述模型就会在散漫中迷路。模板是拐杖不是骨骼方法论是地图不是道路。辩证视角LangGPT 模板本身就是反固定模具的值得注意的是LangGPT 仓库中的模板设计从一开始就为结构服从内容预留了空间属性词可替换结构化 Prompt 系统论述 明确写道标识符、属性词都是可替换的可以替换为你喜欢的符号和内容。Profile一词就是从Features改名而来Rules可以用Constraints、中文规则替代Role可以用Expert、Master替代模块可增删同一份论述指出当你需要格式化输出时完全可以增加Output或OutputFormat模块参见 AutoGPT 模板 中的Goals/Constraints/Response Format结构模型能力不足时可以降维结构复杂度GPT-3.5 版本将多级结构降为二级结构形态可切换同一套角色信息仓库同时提供了 MarkdownminiRole.md与 YAMLminiRole.yaml两种形态说明形式载体本身是可以按用途选择的。也就是说LangGPT 的模板与形式论并不矛盾模板是起点形式论是终点。形式论批判的不是结构而是结构先于内容的思维顺序。三、三种天然形状树、网、河形式论给出的关键实践框架是后退一步先问我要做的事它的内在结构是什么样的一个清晰的意图其结构通常可以归纳为三种基本形状形状特征典型场景对应 Prompt 形式树层次分明有主干和分支角色扮演、领域专家、知识体系构建层级标题结构#、##、###网多个节点交叉关联多角色协同、多 Agent 系统、交叉学科分析JSON/YAML 数据结构、Input/Output 接口定义河线性流动有上下游流程执行、逻辑推理、步骤化任务Workflow 链式模块、CoT 思维链树层次即主次树形结构的 prompt 天然适合用 Markdown 标题表达。LangGPT 的 miniRole 模板 就是一棵标准的树# Role: Your_Role_Name ## Profile - Author: YZFly - Version: 0.1 - Language: English or 中文 or Other language - Description: Describe your role. Give an overview of the characters characteristics and skills ### Skill ## Rules 1. Dont break character under any circumstance. 2. Dont talk nonsense and make up facts. ## Workflow 1. First, xxx 2. Then, xxx 3. Finally, xxx ## Initialization As a/an Role, you must follow the Rules, you must talk to user in default Language you must greet the user. Then introduce yourself and introduce the Workflow.注意这里Role用一级标题作用是告诉模型之后的所有内容都是描述你的覆盖范围为全局Profile、Rules用二级标题统摄局部内容Author、Version、Language作为关键词统摄相应句子。树的分叉位置就是语义的主次关系位置——这就是结构的显影。河线性即因果河流形结构用于线性流动的任务。LangGPT 模板中的Workflow模块就是一条河## Workflow 1. 让用户以 形式[], 主题[] 的方式指定诗歌形式主题。 2. 针对用户给定的主题创作诗歌包括题目和诗句。逻辑推演类任务对 prompt 的形式要求正是这种链式结构前提明确每一步推导扣着下一步中间不跳跃、不省略。这种 prompt 的形式本身就是论证的脚手架——模型沿着你搭建的阶梯走每一层都有落脚点。结构化 Prompt 系统论述 将这条河概括为一条全局思维链Role → Profile → skill → Rules → Workflow → Initialization并指出一个好的 Prompt内容结构上最好也是逻辑清晰连贯的结构化 prompt 方法将久经考验的逻辑思维链路融入了结构中。网关联即接口网形结构适合多个节点交叉关联的场景。当你要构建由多个 agent 组成的 chain 时各节点之间的数据接口本身就是结构的核心——结构化 Prompt 系统论述 给出了具体做法在 prompt 里添加Input输入和Output输出模块告诉大模型接收的输入是怎样的、需要以怎样的方式输出。此时用 miniRole.yaml 这类 YAML 数据结构来表达比 Markdown 更贴合节点-字段的网状语义Role: name: Your_Role_Name Profile: Author: YZFly Version: 0.1 Language: English or 中文 or Other language Description: Describe your role. Give an overview of the roles characteristics and skills Skills: - Skill-1: - skill description 1 - skill description 2 Rules: - Dont break character under any circumstance. Workflow: - First, xxx - Then, xxx - Finally, xxx结构一旦清晰prompt 的形式几乎是自动浮现的因为形式本来就是结构的显影。四、形式与内容对齐任务类型决定形式选择三种形状的划分背后是一个更根本的原则形式必须与意图对齐。具体到任务类型LangGPT 形式论给出了三组鲜明的对照。手术刀精确核查任务要收敛当你需要一个精确的事实核查时prompt 应该像手术刀一样收敛一个清晰的问题一组明确的判断标准没有多余的修饰。任何冗余的角色描写、客气的寒暄、展开的背景段落都是噪声都在稀释那把刀刃的锋利。一个收敛形态的核查 prompt骨架大致是# 事实核查 ## 判断标准 1. 每条陈述必须标注可证实 / 不可证实 / 与已知事实矛盾 2. 只依据训练数据中可确认的知识不确定时明确说不确定 3. 禁止推测性补全 ## 输出格式 对每条陈述给出结论 依据一句话注意这里没有角色描写没有寒暄没有背景铺陈——形式本身就是精确这个意图的显影。邀请创意探索任务要松弛反过来当你需要一次开放的创意探索时紧缩的指令式 prompt 反而成了束缚。创意需要空间需要歧义需要一定程度的模糊授权。这时候 prompt 的松弛本身就是信号它告诉模型这里没有唯一正确答案你可以漫游、试探、岔开。最好的创意 prompt 往往读起来不像指令而像邀请像一句如果这样的话会怎样# 灵感漫游 如果一座城市是一首诗的意象它会是怎样的不要追求正确允许荒诞。 可以从任何一个切入点开始允许跑题允许混合不相干的元素。 请给我三个彼此完全不同方向的尝试。这里不要追求正确允许跑题彼此完全不同都是刻意的结构宽松——形式直接参与塑造输出。脚手架逻辑推演任务要链式逻辑推演类任务对 prompt 的形式要求又不一样。它需要链式结构前提明确每一步推导扣着下一步中间不跳跃、不省略。如果你用散文化的描述去布置一个需要严密推理的任务模型会在你的散漫中迷路因为你的形式暗示了这件事不需要那么精确即使你的内容在说请务必精确。# 分步推理 ## 前提 [列出所有已知条件] ## 推理规则 1. 每一步只能从前一步的结论推出 2. 不允许跳跃不允许省略中间步骤 3. 每步标注依据 ## 输出 步骤列表 最终结论形式打架双重信号的代价这就是形式与内容打架的情形。当 prompt 的语气和它的意图彼此矛盾时模型实际上收到了两个信号显性的指令说请严谨隐性的形式说我其实不太在乎。模型会在两者之间摇摆输出一种不上不下的折中——既不够严谨也不够松弛。最差的 prompt 就是这种内在分裂的 prompt最好的 prompt 则是形式与内容完全对齐你读它的时候会觉得这件事只能这样问。从 Prompt 的本质 的视角看这背后是概率空间的塑造prompt 将P(输出)转变为P(输出|prompt)在高维语义空间中重塑势能地形——某些路径被抑制某些路径被放大。形式与内容打架的 prompt等于同时向两条相反路径施加牵引模型只能停在中间的鞍点。形式不是内容之外的东西形式本身就在改变模型输出的分布。五、形式探索即思想探索写 prompt 就是逼思想成形形式论里还有一层更微妙的道理。Prompt 的形式不只是在对模型发出指令它同时也是在给自己的思维做一次定型。写 prompt 的过程迫使你明确我到底想要什么我的思考到什么程度了我对答案的预期是精确的还是模糊的当你认真去找这个意图自己的形状时你往往会发现意图本身还没有成型。所谓形式的探索其实是思想的探索。这和写作是一回事——初稿之所以难写不是因为文字难找而是因为想法还没有想清楚。Prompt 设计中的找形式实质上是逼思想成形。这也解释了为什么最好的 prompt 设计者往往不是最懂技术的人而是最善于反思自身意图的人。他们的第一步不是翻出模板而是后退一步问我要做的事它的内在结构是什么样的实践印证先展开内容再设计形式仓库中另一篇方法论文章 面向结果的提示词写作方法 给出了这一哲学的可执行版本——五阶段结构化对话阶段名称做什么与形式论的关系阶段0现状诊断回答为什么需要这个 prompt用问诊式对话缩小问题边界让内容质先充分展开阶段1目标对齐定义成功标准、失败案例、优先级排序必须/重要/可选摸清内容的天然边界阶段2框架设计确定模块、模块关系、刚性/灵活边界产出带注释的空骨架让结构贴合内容的形状阶段3内容填充AI 依据对齐结果生成初版 prompt人负责审核结构与内容合体阶段4迭代优化区分修补级问题与正骨级问题单变量实验驱动改进维护形式与内容的咬合关键洞察是前三个阶段不写一个字 prompt全是对话。这正是在实践先让内容充分展开观察它天然的形状然后让结构去贴合这个形状——先用对话把需求、目标、结构全部理清楚清楚到 AI 一听就能写出八成符合要求的初版。地基打好了房子歪不了内容展开充分了形式自然浮现。六、从模板到手艺LangGPT 形式论的实践路径LangGPT 的形式论归结到底只有一个主张不要用固定的模具去铸造每一次对话要让每一次对话从它自己的意图中生长出来。但这不意味着抛弃模板。仓库给出了清晰的实践路径第一步用模板起步但带着可修改的认知LangGPT 的模板是设计良好的起点——miniRole 模板 内置的全局思维链Role → Profile → Skill → Rules → Workflow → Initialization本身就是久经考验的逻辑链路。但使用时要记住模块是为你服务的不是你要去适配的。翻译任务只需要任务说明 输出格式就别硬塞角色背景简单问答不需要 Workflow就别为了完整而补全结构。第二步用语义一致性校验形式结构化 Prompt 系统论述 提出了形式与内容对齐的两个操作性检查格式语义一致性标识符的标识功能前后一致。#既用于标题又用于变量就会干扰模型对层级结构的识别内容语义一致性属性词与模块内容语义匹配。Rules部分就只放角色要遵守的规则不要堆砌技能和描述。这两条校验就是把形式与内容打架从感觉层面落到可执行层面。第三步从遵循最佳实践转向找到属于它的说法当你从我怎样遵循最佳实践转向我怎样让这个念头找到属于它自己的说法时prompt 设计就从流水线作业变成了一种手艺——一种对语言形式的敏感、对沟通意图的自觉。仓库中 Prompts 目录下的实战案例如 马斯克AI分身、巴菲特AI分身、梵高AI分身展示了同一棵树形骨架如何被不同角色长出不同的枝干——结构相同但因为内容不同而形态各异这正是文质彬彬的具象化。七、结语文质彬彬然后君子形式论与 LangGPT 结构化范式并不冲突而是互补的两层结构化解决写得出模板、属性词、标识符让任何人能在五分钟内产出一个可用的 prompt见 README 快速开始 中的基础结构;形式论解决写得好让结构从内容中生长出来让形式成为意图的显影。文质彬彬然后君子。让内容决定容器的形状让结构本身就是思想的形状——这才是提示词设计的最高形态。当你学会先让内容充分展开、再让结构贴合它时你写出的每一个 prompt 都会让人感到这件事只能这样问。延伸阅读LangGPT 形式论原文 —— 本文的思想源头结构化 Prompt 系统论述 —— 标识符、属性词与全局思维链的完整技术细节面向结果的提示词写作方法 —— 形式论的工程化落地五阶段结构化对话Prompt 的本质 —— 形式为什么能改变输出概率空间与符号约束LangGPT 模板目录 —— Role / miniRole / baseRole / autoGPT / YAML 多种模板形态LangGPT 论文中文版 —— 结构化提示词的学术论证官方 README —— 快速开始与生态全景赞分享提示工程大模型人工智能AI 技能/插件Prompt 模板【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址https://gitcode.com/gh_mirrors/la/LangGPT点击查看免费下载相关推荐RPG-DiffusionMaster本地部署指南如何用开源LLM实现高效图像生成RPG DiffusionMaster本地部署指南如何用开源LLM实现高效图像生成 RPG DiffusionMaster是一款基于ICML 2024论文实现G-Helper AMD CPU降压优化指南实现温度降低15℃与功耗控制的技术突破G Helper AMD CPU降压优化指南实现温度降低15℃与功耗控制的技术突破 G Helper作为华硕笔记本的轻量化控制工具在2.0版本中引入了AMD桌面应用系统编程LangGPT 年度复盘从提示词本质到结构化范式2023 提示工程实践全景解析LangGPT 年度复盘从提示词本质到结构化范式2023 提示工程实践全景解析 导读 本文基于 LangGPT 项目作者云中江树在 2024 年 1 月 1提示工程大模型人工智能AI 技能/插件Prompt 模板创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
