提示词工程框架：从Google示例库总结的最佳实践

Google生成式 AI 提示示例
https://cloud.google.com/vertex-ai/generative-ai/docs/prompt-gallery?hl=zh-cn

基于对Google Cloud Vertex AI提示词库的全面分析，我们为您提炼并汇总了一个结构化的提示词工程框架。该框架旨在帮助您构建清晰、高效且能充分发挥大型语言模型能力的提示，无论是进行简单的分类任务，还是复杂的创意生成，都可以套用此框架进行扩展。

核心理念：从“对话”到“指令”

撰写提示词的核心，是将模糊的对话式请求，转变为清晰、结构化的计算机指令。模型本身没有主观意图，它的所有输出都源于您提供的输入。因此，输入的质量直接决定了输出的质量。一个优秀的提示词，应该像一份详尽的工作任务书，消除所有可能的歧义。

提示词工程框架 (The R-C-T-I-F-E Framework)

我们将一个优秀的提示词结构拆解为六个核心要素：角色 (Role)、背景 (Context)、任务 (Task)、指令 (Instruction)、格式 (Format) 和示例 (Example)。并非每个提示都需要包含所有要素，但要素越完备，模型输出的结果就越可控、越精准。

1. 角色 (Role)：设定模型的身份

• 目的：为模型赋予一个特定领域的专家身份，引导其使用特定的语⽓、风格和专业知识进行回应。
• 关键问题：我希望模型扮演什么样的专家？（例如：营销专家、资深程序员、剧作家、财务分析师等）
• 应用示例：
  • 任务：为视频生成广告文案。
  • 提示词：“你是一位专业的市场营销创意专家...”
  • 分析：这个角色设定会引导模型生成更具创意和吸引力的营销语言，而不是平铺直叙地描述视频内容。

2. 背景 (Context)：提供必要的信息

• 目的：为模型提供完成任务所需的所有相关信息、数据或约束条件。背景信息越充分，模型的回答就越贴切，避免其依赖内部知识进行不准确的“猜测”。
• 关键问题：模型在回答我的问题之前，需要知道哪些背景知识？
• 应用示例：
  • 任务：回答关于一份财务报告的问题。
  • 提示词：“背景信息：[此处粘贴完整的财务报告文本] 根据以上背景信息，回答以下问题...”
  • 分析：这种方法将模型的回答范围严格限制在您提供的文本内，是实现“基于文档的问答”或RAG（检索增强生成）的基础。

3. 任务 (Task)：明确核心目标

• 目的：用一句话清晰、明确地定义需要模型完成的核心任务是什么。
• 关键问题：我需要模型做什么？（例如：总结、分类、提取、生成、翻译、改写等）
• 应用示例：
  • 任务：对新闻标题进行分类。
  • 提示词：“任务：将以下新闻标题分为“体育”、“娱乐”或“科技”三类。”
  • 分析：任务描述必须直接且无歧义，让模型第一时间理解其核心目标。

4. 指令 (Instruction)：分解任务步骤与规则

• 目的：提供完成任务的具体步骤、要求和约束条件。这是整个提示词的“操作手册”。
• 关键问题：模型应该如何一步步地完成任务？有哪些必须遵守的规则或需要避免的陷阱？
• 应用示例：
  • 任务：创建一个博客文章。
  • 提示词：“...请遵循以下步骤：1. 首先，生成5个吸引人的博客标题。2. 接着，为每个标题撰写一段引言。3. 最后，选择其中一个标题和引言，并以此为基础，撰写一篇至少500字的完整博客文章。文章风格应轻松有趣。”
  • 分析：将复杂任务分解为简单的步骤，可以极大地提高输出结果的结构性和完整性。明确的指令（如字数要求、风格定义）进一步约束了模型的“自由发挥”，使其更符合预期。

5. 格式 (Format)：规定输出的样式

• 目的：明确指定模型输出内容的格式，便于后续的程序处理或人工阅读。
• 关键问题：我希望以什么样的格式接收结果？（例如：JSON、Markdown、列表、表格等）
• 应用示例：
  • 任务：从发票图片中提取关键信息。
  • 提示词：“...请将提取的实体以JSON格式输出，包含以下键：'invoice_number', 'vendor_name', 'total_amount'。”
  • 分析：对于需要进行数据处理的下游应用，结构化的输出格式（如JSON）至关重要。这使得模型的输出可以直接被程序解析和使用。

6. 示例 (Example)：提供模仿的范本 (Few-Shot Prompting)

• 目的：为模型提供一个或多个“输入-输出”的范例，让其通过模仿来理解复杂的、难以用语言描述的任务模式。
• 关键问题：我能否提供一个或几个具体的例子来帮助模型理解我的确切意图？

• 应用示例：

  • 任务：为文章生成一个精炼的标题。

  • 提示词：
    “`文章：[文章A的文本]
    标题：文章A的精炼标题

    文章：[文章B的文本]
    标题：文章B的精炼标题

    文章：[需要生成标题的文章文本]
    标题：`”

  • 分析：这种“小样本（Few-Shot）”提示方法在处理需要特定风格或模式的任务时非常有效。模型会学习示例中的逻辑和风格，并将其应用到新的输入上。

框架应用与总结

这个R-C-T-I-F-E框架为您提供了一个构建高质量提示词的路线图。在实践中，您可以根据任务的复杂性，灵活组合这些要素。

• 简单任务：可能只需要 任务 (Task) 和 格式 (Format)。
  • "总结以下文本：[文本]，请用三点式列表输出。"
• 复杂任务：可能需要完整的六个要素，构建一个详尽的“任务说明书”。
  • "你是一名资深旅行规划师（角色）。客户是一对希望在欧洲进行为期10天蜜月旅行的夫妇，预算为8000美元，喜欢自然风光和美食，不喜过于拥挤的城市（背景）。你的任务是为他们设计一份详细的旅行计划（任务）。请按天列出行程，包括城市、推荐的住宿（中档酒店）、至少两项活动以及推荐的餐厅。避免提及任何与历史博物馆相关的内容（指令）。请使用Markdown格式输出，以日期作为一级标题（格式）。"

通过系统性地运用此框架，并不断地对提示词进行测试和迭代，您将能够更精准地驾驭大型语言模型，使其成为解决实际问题的强大工具。