编写高质量Prompt的14个有效方法
明确「好结果」的标准：在编写 Prompt 之前明确任务的预期结果，这有助于将这些要求转化为 Prompt，从而更准确地传达用户的意图
精准表达任务指令：使用正式、礼貌、严谨、精炼的语言撰写 Prompt，避免语法结构复杂、语义模糊不清、逻辑混乱的语言，以及歧义、语病、拼写/标点错误
为否定句设置兜底策略：避免大模型完成某些任务时可以使用否定句，但应为每一个否定句设置一个兜底策略，使大模型在识别到不应当做什么的时候，给出预设的回复
指定模型所扮演的角色：指定模型扮演的角色/身份，可以帮助模型更好地定位答复的内容与风格
指定生成结果的格式：显式规定模型返回结果的格式，以便后续使用 regex 或 json 处理生成结果
增加强调词和强调符号：将重要的需求放在前面，并在最后加以重复，可以起到强调的作用；因为当 Prompt 包含的指令过多时，模型可能会更关心靠前和靠后的指令，忽略中间的指令
撰写模块化的 Prompt：将 Prompt 划分成边界清晰的模块，减轻模型的理解负担，也便于开发者修改与维护
在真实场景下迭代 Prompt：Prompt 的设计是一个迭代的过程，需要大量的实验来获得最佳效果
测试 Prompt 的稳定性：优质的 Prompt 应具备良好的稳定性，在不同的输入上有一致良好的表现
使用思维链：在设计 Prompt 时，让模型给出具体的思考过程，通常能够取得更好的结果，尤其是在涉及逻辑推理与数学计算的任务上
使用Few-shot Prompt：为大模型提供一个答案的参考框架，通过模仿的方式来生成我们期望的结果
设置拒答策略：让模型在没有把握的时候拒绝回答问题，提高生成数据的质量
权衡 Prompt 的精度与召回率：一般来说 Prompt 表述越细致越严格时，生成结果的精度越高，召回率越低；根据业务需求找到平衡点即可
使用大模型辅助 Prompt 撰写：向大模型寻求撰写 Prompt 的灵感并整合到 Prompt 中，让大模型能够更好地理解某些抽象名词背后的具体含义
