為什么有些人隨手寫個 Prompt 就能生成一款小游戲、一個運營文案，甚至一整個功能代碼，而自己試了半天，結果不是風馬牛不相及，就是跑偏到離譜？問題很可能就出在提示詞的“結構”上。隨便說幾句話和有條理地引導模型，其實是兩回事。結構化提示詞，說白了就是把你想讓模型干的事，拆清楚、說明白、講具體。只有寫得準，模型才聽得懂、干得對。

在本篇文章中，就來聊聊怎么寫好結構化提示詞，讓大模型更乖乖按你的想法工作。

本文摘自《智能體設計指南》

投稿 | 機械工業出版社

出品 | CSDN（ID：CSDNnews）

如何寫好結構化提示詞

結構化提示詞格式

使用格式來區分提示詞的各個部分是編寫提示詞的常用技巧，那么，為什么選擇結構化提示詞而不是格式化提示詞呢？格式化只是結構化提示詞的一部分。

對于格式化提示詞而言，格式是目的，只表明了提示詞的內容組織格式，而提示詞更關鍵的思維和語義結構卻被忽略了。對于結構化提示詞而言，格式只是組織思維和語義結構的手段，而不是目的。

結構化提示詞的設計重在思維和語義結構的組織，強調將諸多提示詞技術（例如面向角色的提示詞設計）有機融入提示詞，而非格式設計。

日常文章的結構通常通過字號大小、顏色、字體等樣式來標識。 ChatGPT 接收的輸入不包含樣式，因此可以借鑒 Markdown 、YAML 等標記語言的方法或者 JSON 等數據結構，實現提示詞的結構表達。JSON 、YAML 等格式對軟件開發者更友好，而 Markdown 等格式對大眾更友好。

理論上，可以使用任意格式來編寫結構化提示詞，甚至可以自定義一套格式規則來描述提示詞。實踐中，ChatGPT 等大模型對 Markdown、JSON 格式的識別度較好，而 Claude 由于官方針對 XML 格式進行了專門優化，在 XML 格式下表現會更好。以下是一個使用 Claude 進行法律合同分析的 XML 提示詞示例。沒有 XML 標簽時，Claude 的分析缺乏條理，容易遺漏關鍵點；而使用標簽后，它能提供結構化的、全面的分析，便于法務團隊采取行動。

分析這份軟件許可協議中的法律風險和責任。我們是一家跨國企業，正 在考慮將此協議用于我們的核心數據基礎設施。


 {{CONTRACT}} agreement> 這是我們的標準合同，供參考： 

 {{STANDARD_CONTRACT}} standard_contract> 

 1. 分析以下條款：- 賠償 - 責任限制 - 知識產權所有權。 2. 注意不尋常或值得關注的條款。 3. 與我們的標準合同進行比較。 4. 在 

  標簽中總結發現。 5. 在 

  標簽中列出可執行的建議。  instructions> 

本書推薦使用 Markdown 格式編寫提示詞，原因如下：

• 便于模型理解：大模型的訓練語料數據中，常見格式的數據較多，因此模 型對常見格式的理解較為順暢。

• 便于人的閱讀理解：人們對常見格式的了解和掌握更多，因而不必單獨學習語法結構。
  

目前國內常用的大模型大部分支持 Markdown 格式，而且這種格式對程序員和非程序員都非常友好。為方便廣大讀者，本書采用輕量化的 Markdown 語法，僅涉及一些簡單的符號。對 Markdown 格式感興趣的讀者可自行搜索相關知識， 學習約半小時即可上手。

構建全局思維鏈

一個好的結構化提示詞模板，在某種意義上就構建了一個好的全局思維鏈。 如 LangGPT 中展示的模板設計時就考慮了如下思維鏈：

Role（角色）→ Profile（角色簡介）→ Profile 下的 Skills（角色技能）→ Rules（角 色要遵守的規則）→ Work?ow（滿足上述條件的角色的工作流）→ Initialization（進行正 式開始工作的初始化準備）→開始實際使用

一個好的提示詞在內容結構上應當邏輯清晰連貫。結構化提示詞方法將久經考驗的思維鏈融入結構中，大大降低了思維鏈的構建難度。

構建提示詞時，可以參考優質模板的全局思維鏈。熟練掌握后，可對其進行增刪改調整，以得到一個適合自己使用的模板。例如，當需要控制輸出格式，特別是需要格式化輸出時，可以增加 Output（輸出）或者 OutputFormat（輸出格式） 這樣的模塊。

保持上下文語義一致性

創作高質量提示詞時，需要注意保持上下文語義的一致性。這包括兩個方面：格式語義一致性和內容語義一致性。

格式語義一致性是指標識符的標識功能前后一致，最好不要混用。例如，如果將# 既用于標識標題，又用于標識變量，會造成前后一致性的破壞，從而對模型識別提示詞的層級結構造成干擾。

內容語義一致性是指思維鏈上的屬性詞語義合適。例如，LangGPT 中的 Profile（簡介）屬性詞， 原來用的是 Features（特征），但實踐與思考后， 筆者將其更換為 Profile，使其功能更加明確，即表示角色的簡介。結構化提示詞思想被諸多朋友廣泛使用后，衍生出了許多模板，但基本保留了 Profile 的諸多設計，說 明其設計是成功且有效的。

為什么 LangGPT 前期會用 Features 呢？因為 LangGPT 的結構化思想受到 AI-Tutor（ AI 導師）項目的啟發，而 AI-Tutor 項目中并無 Profile 一說，與之功能 近似的是 Features。但 AI-Tutor 項目中的提示詞過于復雜，并不通用。為形成一套簡單有效且通用的提示詞構建方法，筆者結合自己的提示詞工程經驗和大模型 的特性，提出了本書中的結構化提示詞思想，設計并構建了結構化提示詞模板。

內容語義一致性還包括屬性詞和相應模塊內容的語義一致。例如，在 Rules （規則）部分，角色需要遵守規則，因此不宜在此處堆砌大量的角色技能描述。

其他提示詞方法

結構化提示詞思想是一種方法，與CoT 、ToT 、Think step by step 等其他技巧和 方法并不沖突。在構建高質量提示詞時，這些方法可以結合使用，結構化方式更便 于各個技巧間的協同組織。例如，將CoT 方法融合到結構化提示詞中編寫提示詞。

此外，所有提示詞方法完全可以用于結構化提示詞。建議讀者靈活結合多種提 示詞方法，以在復雜任務中實現使用不可靠工具（如LLM）構建可靠系統的目標。

提示詞編寫的自動化

日常簡單使用時，直接詢問大模型即可達到目的。而若希望構建一套功能復 雜且性能穩定的提示詞，則通常需要以下幾個環節：

1 ）提示詞編寫；

2 ）提示詞效果驗證；

3 ）提示詞修改和調整。

若提示詞較長，例如有幾百甚至上千字，則編寫環節會耗費不少時間。同 時，若提示詞所面向的領域是你不熟悉的，你往往會面臨無從下筆的困境。

在提示詞初版完成后，就進入后兩個環節，你需要使用提示詞驗證效果，然 后依據效果不斷修改和調整提示詞。因此，第2 和第3 兩個環節往往是交替進行 的，需要耗費大量時間，依賴豐富的提示詞經驗和技巧。

一個好的提示詞往往要經過大量的修改、迭代和調試，因此編寫和優化提示 詞是一項非常耗時的工作。在 1.10 節中，我們已經專門說明了如何進行提示詞迭 代。本節主要論述如何使用提示詞工具實現提示詞的自動優化工作流，以大大加 速提示詞的編寫過程。

手工編寫工作流

在結構化提示詞的基礎上，由于模板的存在，提示詞編寫這一“作文題”變 成了“填空題”，大大降低了提示詞編寫的難度。結構化提示詞的手工編寫工作 流如下：

手工套用現有模板→手工迭代調優→符合需求的提示詞

編寫提示詞時，學習者可以通過手工編寫工作流來加深對提示詞編寫的理解。

自動化編寫工作流

對于剛入門的提示詞學習者而言，如需快速上手，建議使用自動化創建提示 詞的方法。構建復雜、高性能的結構化提示詞可采用以下自動化編寫工作流：

自動化生成初版結構化提示詞→手工迭代調優→符合需求的提示詞（推薦）

自動化生成的初版結構化提示詞，可以通過提示詞專家智能體完成。大模 型Kimi 的智能體板塊Kimi+ 上有這本書提到的結構化提示詞驅動的提示詞專家， 讀者可以使用該提示詞專家智能體創建自己的結構化提示詞，如圖2-2 所示。

圖2-2 Kimi×LangGPT 提示詞專家

上述提示詞專家核心也是通過提示詞實現的。若讀者感興趣，可以參考下面 的提示詞。這是一個在LangGPT 提示詞社區廣受好評的用于提示詞自動生成的 提示詞。你可以將這個提示詞復制到大模型的對話框中，然后描述自己的需求， 大模型將會為你自動生成初版提示詞。

# 角色
- 你是：提示詞專家，設計用于生成 ** 高質量（清晰準確）** 的大語言模 型提示。
- 技能：
+ 皿 分析、寫作、編碼 + 齡 自動執行任務
+ 么 遵循提示工程的行業最佳實踐并生成提示詞 # 曰輸出要求：
- 結構化輸出內容。
- 使用 Markdown 格式以提高清晰度（例如，` 代碼塊 ` ，** 粗體 ** ，> 引用，- 無序列表）。
- 為代碼或文章提供 ** 詳細、準確和深入 ** 的內容。
# 圓 你應遵循的提示詞模板（使用代碼塊展示提示內容）： ```
# 角色：（在此處填寫角色名稱）
- 你是：（描述角色） - 技能：
- 皿分析、寫作、編碼
- 貿 自動執行任務 # 曰 輸出要求：
- 結構化輸出內容。
- 為代碼或文章提供 ** 詳細、準確和深入 ** 的內容。 -（其他基本輸出要求）
# 公 工作流：
- 仔細深入地思考與分析用戶的內容和意圖。
- 逐步工作并提供專業和深入的回答。 -（其他基本對話工作流）
# v 初始化：
- 歡迎用戶開始對話。  -（其他對話開始要求） ```
參照上述要求和模板撰寫提示詞，記住你的輸出內容應與用戶語言保持一致。

自動化工作流能夠大大減少工作量。在能夠熟練編寫提示詞后，可以靈活搭 配使用自動和手工的各種工作流。更進一步，讀者可以嘗試自動化分析與評估提示詞，使用提示詞分析與評估類提示詞實現。

經典模板

有的讀者可能會好奇：是否存在一些通用的經典模板可以套用？這里提供一 些結構化模板供大家參考。

LangGPT中的Role 模板

這是本書作者之一云中江樹在提出結構化提示詞時為GPT-4 創建的提示詞模 板，也是首個明確提出結構化提示詞概念的結構化模板，其中包括Profile（簡介）、 Skill（技能）。

# Role：你的角色名稱
## Profile
- Author：云中江樹
- Version ：0.1
- Language ：English、中文或其他語言
- Description ：描述你的角色。概述角色的特征和技能。
### Skills
1. 技能描述 1
2. 技能描述 2
## Rules
1. 在任何情況下都不要打破角色設定。
2. 不要胡說八道，不要編造事實。
## Workflow
1. 首先，… …
2. 然后，… …
3. 最后，… …
## Initialization
作為一名 

 ，你必須遵守 

 ，你必須用默認的 

  與 用戶交談，你必須向用戶問好。然后介紹你自己并介紹 

 。 

LangGPT中的Expert模板

這是LangGPT 針對ChatGPT 3.5 這類能力較弱的小模型開發的簡化結構化提示詞模板，更加契合小模型特性，并且在小模型上的表現更加出色。

1. 專家：LangGPT
2. 檔案：
- 作者：云中江樹
- 描述：你是 {{ 專家 }} ，善于幫助人們編寫精彩且強大的提示詞。
3. 技能：
- 精通 LangGPT 結構化提示詞的精髓。
- 編寫強大的 LangGPT 提示詞以最大化 ChatGPT 的性能。
4. LangGPT 提示詞示例： {{
1. 專家：{ 專家名稱 }
2. 檔案：
- 作者：云中江樹
- 版本：1.0
- 語言：中文
- 描述：描述你的專家。概述專家的特征和技能。
3. 技能：
- {{ 技能 1}}
- {{ 技能 2}}
4.  目標：
- {{  目標 1}}
- {{  目標 2}}
5. 約束：
- {{ 約束 1}}
- {{ 約束 2}}
6. 初始化：
- {{ 設置 1}}
- {{ 設置 2}} }}
5.  目標：
- 幫助編寫強大的 LangGPT 提示詞以最大化 ChatGPT 的性能。
- 以 Markdown 代碼格式輸出結果。
6. 約束：
- 在任何情況下都不要破壞角色。
- 不要胡說八道和編造事實。
- 你是 {{ 角色 }} ，{{ 角色描述 }}。
- 你將嚴格遵守 {{ 約束 }}。
- 你將盡最大努力完成 {{  目標 }}。
7. 初始化：
- 要求用戶輸入 [ 提示詞用途 ]。
- 根據 [ 提示詞用途 ] 幫助用戶編寫強大的 LangGPT 提示詞。

公文筆桿子模板

這是本書作者之一李繼剛常用的結構化提示詞模板，基于這套模板開發的公 文筆桿子智能體在國內外獲得了數萬提示詞愛好者的喜愛和應用。

# Role：公文筆桿子
## Background
我是一位在政府機關工作多年的公文筆桿子，專注于公文寫作。我熟悉 各類公文的格式和標準，對政府機關的工作流有深入了解。
## Profile
- Author：李繼剛
- Idea source ：熱心群友
- Version ：0.3
- Language：中文
- Description：我是一位政府機關的材料寫作者，專注于為各種公文寫作 提供優質服務。
## Goals
- 根據用戶輸入的關鍵詞，思考對應的公文場景，展開寫作。
- 輸出一份完整的公文材料，符合規范和標準。
- 輸出的公文材料必須準確、清晰、可讀性好。
## Constraints
1. 對于不在你知識庫中的信息，明確告知用戶你不知道。
2. 你可以調用數據庫或知識庫中關于公文語料的內容。
3. 你可以較多地使用來自域名“ .gov.cn ”的語料內容。
## Skills
1. 具有強大的文章撰寫能力。
2. 熟悉各類公文的寫作格式和框架。
3. 對政府機關的工作流有深入了解。
4. 擁有排版審美，會利用序號、縮進、分隔線和換行符等來美化信息排版。
## Examples
---
輸入：關于組織年度會議的通知
輸出：
關于組織年度會議的通知
根據工作安排和需要，我局決定于 2022 年 3 月 15  日召開年度會議。特 此通知，請各有關單位和人員做好相關準備工作。
一、會議時間：2022 年 3 月 15  日上午 9 時至 11 時
二、會議地點： ×× 會議廳
三、會議議程：
1. 2021 年度工作總結和 2022 年工作計劃的匯報。
2. 評選表彰先進單位和個人。
3. 其他事項。
請各單位和人員按時參加會議，準備好相關材料和匯報內容，并保持手 機暢通。
特此通知！
×× 局
年度會議組織委員會 2022 年 3 月 1  日
---
## Workflow
你會按下面的框架來幫助用戶生成所需的文章，并通過分隔符、序號、 縮進、換行符等進行排版美化。
- 理解用戶輸入的關鍵詞對應的公文場景，思考該場景的公文特點。
- 結合自己的公文經驗和該場景特點撰寫公文，需注意如下要點： + 語言通俗流暢，選擇貼近生活的詞語；
+ 運用大量明喻、擬人手法，增加畫面感； + 使用兩兩相對的排比句，加強節奏感；
+ 融入古詩詞名句，增強文采；
+ 重點選取關鍵精神意蘊的語錄； + 結尾帶出正面的價值觀念；
+ 尊重事實，避免過度美化；
+ 主題突出，弘揚中國社會主義核心價值觀； + 具有知識性、可讀性與教育性。
- 在文章結束時，思考該文章的最核心關鍵詞，插入一個如下形式的鏈接內容：
不要有反斜線，不要用代碼塊，使用 Unsplash API（source.unsplash.com 

 ）。 例如： - 如果思考該段落的核心關鍵詞為 "hero" ，那就插入如下內容： ![Image](source.unsplash.com ×900?hero) - 如果思考該段落的核心關鍵詞為 "fire" ，那就插入如下內容： ![Image](source.unsplash.com ×900?fire) ## Initialization 簡要介紹自己，提示用戶輸入公文場景關鍵詞。 

AutoGPT提示詞模板

這是著名的智能體項目AutoGPT 中使用的提示詞模板，不僅啟發了許多提 示詞方法的應用，還啟發了許多智能體應用。

名稱：CMOGPT
描述：一個專業的數字營銷人員 AI ，通過提供解決 SaaS、內容產品、代 理等營銷問題的專業知識，幫助個體創業者發展業務。
目標：
- 作為虛擬 CMO（首席營銷官），參與問題解決、優先級排序、計劃執行， 以滿足你的營銷需求。
- 提供具體、可操作和簡潔的建議，不使用陳詞濫調或過于冗長的解釋， 幫助你做出明智的決定。
- 識別并優先考慮速贏和具有成本效益的活動，以最少的時間和預算投資 實現最好的結果。
-  當面臨不清楚的信息或不確定性時，主動引導你并提供建議，以確保你 的營銷策略保持在正軌上。

CO-STAR提示詞模板

這是新加坡政府科技局（GovTech）組織的首屆 GPT-4 提示工程大賽中冠軍 Sheila Teo 使用的提示詞框架，這個框架在國內外具有廣泛的影響力。

# CONTEXT（上下文） #
我想推廣公司的新產品。我的公司名為 Alpha，新產品名為 Beta ，是一 款新型超快速吹風機。
# OBJECTIVE（目標）   #
幫我創建一條 Facebook 帖子，目的是吸引人們點擊產品鏈接進行購買。 # STYLE（風格）       #
參照戴森等成功公司的宣傳風格，它們在推廣類似產品時的文案風格。 # TONE（語調）        # 說服性
# AUDIENCE（受眾）   #
我們公司在 Facebook 上的主要受眾是老年人。請針對該群體在選擇護發 產品時的典型關注點來定制帖子。
# RESPONSE（響應）   #
保持 Facebook 帖子簡潔而深具影響力。

局限性

結構化提示詞在不同模型中的適用性

對于一些簡單的任務，使用簡單的提示詞即可。不同模型的能力維度不同，從最大化模型性能的角度出發，有必要針對性地開發相應的提示詞。對于一些基礎簡單的提示詞（例如只有一兩句話的提示詞），可能在不同模型上表現差不多， 但是隨著任務難度變復雜，提示詞也相應變復雜以后，不同模型的表現則會出現明顯分化。結構化提示詞方法也是如此。

結構化提示詞的編寫對模型的基礎能力有一定要求，要求模型具有較好的指令遵循和結構識別分析能力。從實踐來看， GPT-4 是最佳選擇，Claude 模型次之。根據筆者和身邊朋友的反饋，GPT-4 和 Claude 模型的表現不錯，國內的阿里通義千問模型和月之暗面 Kimi 的表現也都不錯。

當你發現結構化提示詞在小模型上表現不佳時，可以考慮降低結構復雜度、調整屬性詞、迭代修改提示詞。例如， LangGPT 助手的 Expert（專家）模板，將原本的多級結構降維為二級結構（“1. ”“2. ”“3. ”為一級，“ - ”為二級），同時參考AutoGPT 中的提示詞，使用了 4.Goals 、5.Constraints 等屬性詞。依據提示詞的表現，不斷修改和調優提示詞。

總之，在模型能力允許的情況下，結構化確實能提高提示詞性能，但在不符合實際需要時，仍然需要使用各種方法進行調試和修改。

其他局限

結構化提示詞依賴基座模型的能力，無法解決模型自身的問題，也不能突破大模型提示詞方法的局限性。目前已知的無法解決的問題如下：

• 大模型自身的幻覺問題。

• 大模型自身知識陳舊問題。

• 大模型在數學推理能力上的不足（解決數學問題）。

• 大模型視覺能力弱的問題（如構建 SVG 矢量圖等場景）。

• 大模型字數統計問題（無論是字符數還是 token 數，大模型都無法準確統計。當需要輸出指定字數時，建議將數值設定得高一些，后期自己調整， 比如希望輸出 100 字文案，可以告訴它輸出 150 字）。

• 同一提示詞在不同模型間的性能差異問題。

• 其他已知問題。

常見誤區

1. 結構化等同于Markdown格式化

首先需要明確，提示詞的格式不等同于提示詞的結構。結構化提示詞不是一種格式，也不綁定于某一具體格式。

前文有格式化技巧的說明。使用格式來區分提示詞的各個部分是提示詞編寫的常用技巧，但格式化只是結構化提示詞的一部分。重要的是提示詞內容，格式只是內容的呈現形式。好比你寫了一篇文章，重要的是文章中的精彩內容，至于文件格式，用 .docx 還是 .pdf 分享文章都可以。

作者考慮到 Markdown 語法簡潔明了、使用廣泛，選擇了 Markdown 格式來編寫提示詞。網絡上也流傳著大量使用 Markdown 語法的結構化提示詞。但是需要說明的是，Markdown格式化并不代表結構化提示詞，Markdown 格式也不是唯一的選擇，你可以自由地選擇你喜歡的格式。

2. 結構化提示詞的各個模塊都不可調整

法無常法，勢無定勢；兵無常勢，水無常形。提示詞編寫也是這樣，在實踐 中，不能機械、死板地套用結構化提示詞方法論。

結構化提示詞中的各個模塊都很靈活，可以調整、刪改。例如，“簡介”中 的“版本”是為了方便提示詞迭代記錄使用，與模型表現無關，在實際使用時可以刪除。同樣，提示詞中許多與任務無關的內容在實際使用時都可以刪除。也可以依據實際需要增加、刪減、修改、調整各個模塊。

正確的做法應該是理解結構化提示詞背后的思想，掌握其體現的提示詞技巧，明白其增強了模型哪方面的表現和緩解了模型哪方面的缺陷。在能夠熟練編寫提示詞后，完全可以跳出原來的模板，按照自己的心意編寫提示詞，只要編寫的提示詞能夠滿足現實需求即可。

3. 結構化提示詞必然很長

流行的結構化提示詞往往篇幅較長，給許多人留下了結構化提示詞冗長的印象。同時，有人反饋說，結構化提示詞比一般提示詞內容多，在使用 API 時花費更多。然而，提示詞冗長的根本原因并不在于結構化的編寫方式。

提示詞的長度主要由任務的復雜程度以及模型在該類任務上的能力強弱決定。

任務越復雜，所需的提示詞必然越長。模型在該任務上的能力越弱，就需要越長的提示詞來引導輸入。

如圖 2-3 和圖 2-4 所示，我們進行了文心一言和 ChatGPT 在創作五言絕句上的對比。在此任務上，文心大模型的能力優于 ChatGPT，一句話即可達到預期效果。相比之下，ChatGPT 在創作五言絕句上的表現不理想，常輸出七言絕句或五言律詩。感興趣的讀者可以嘗試對比這個任務。

圖2-3 文心大模型 3.5 創作五言絕句示例

圖2-4 ChatGPT 4o 創作五言絕句示例

為了防止提示詞內容的冗余，在使用結構化提示詞時，不能簡單機械地套用 模板。實際運用中，應靈活應用結構化思想，根據具體情況對提示詞中的各部分 內容進行增減和調整。

若希望縮減提示詞長度，尤其是API 使用者為了節省費用而減少token 的消 耗，可以考慮從以下幾點著手優化：

• 去除提示詞中與任務無關的內容，比如結構化提示詞中的版本、語言等。

• 避免對模型已知事實過多描述。比如某一專業術語，若詢問模型時，模型能夠正確回答，則無須在提示詞中過多描述。

• 將中文提示詞改寫為英文。使用英文描述相比中文能夠節省 token 數量。

• 采用概括性描述，使用如七言律詩、莎士比亞風格等模型能理解的概括性描述，以節省大模型使用費用。

CSDN創始人蔣濤「對談」 浙大求是特聘教授方興東。作為中國互聯網30年的見證者，從鴻蒙操作系統的艱辛破曉之路，聊聊中國高科技的崛起大時代。華為數百人深度分享的技術傳奇《鴻蒙開物》來了！直播間抽福袋，領「限定簽章版」。