Prompt提示词——常见的Prompt框架
以下是一些常见的Prompt框架，包括它们的原理、功能、使用场景、优缺点以及示例：
-
BROKE框架：
- 原理：BROKE是一个结合了OKR（Objectives and Key Results）方法论的框架，通过提供背景、角色、目标、关键结果（我要什么具体效果试验并调整）和演变步骤来设计高效的Prompt。
其中演变步骤有三种方法自由组合
a、改进输入：从答案的不足之处着手改进背景B，目标O与关键结果R
b、改进答案：在后续对话中指正chatGPT答案缺点
c、重新生成：尝试在Prompt不变的情况下多次生成结果，做优化 - 功能：帮助用户明确任务的背景、角色、目标和关键结果，并通过迭代和调整来优化输出。
- 使用场景：适用于目标设定和项目管理，特别是在需要明确目标和跟踪进度的情境中。
- 优点：结构化明确，有助于目标的设定和跟踪。
- 缺点：可能需要多次迭代来达到最佳效果。
- 示例：
Background: 作为一名软件开发者，需要提升编程技能以适应新技术。 Role: 你是一名有多年经验的软件工程师。 Objectives: 学习并掌握最新的编程语言和开发框架。 Key Results: 完成3个使用新语言的项目，参与至少2个线上编程课程。 Evolve: 根据项目反馈和课程学习，每月调整学习计划。
- 原理：BROKE是一个结合了OKR（Objectives and Key Results）方法论的框架，通过提供背景、角色、目标、关键结果（我要什么具体效果试验并调整）和演变步骤来设计高效的Prompt。
-
CHAT框架：
- 原理：CHAT框架侧重于角色、背景、目标和任务四个核心部分，以提供全面的交互指导。
- 功能：通过定义角色和背景，明确目标和任务，使得大模型能够提供更有针对性的回应。
- 使用场景：适合于需要个性化响应和深入交流的情况，如客服支持、个性化推荐等。
- 优点：交互更加个性化，能够提供针对性的输出。
- 缺点：可能需要更多的上下文信息来确保准确性。
- 示例：
Role: 营养顾问。 Background: 客户想要健康饮食，但对某些食物过敏。 Ambition: 寻找适合的食物和饮食计划。 Task: 提供一周的健康饮食菜单，考虑到客户的过敏情况。
-
CRISPE框架：
- 原理：CRISPE框架通过定义能力和角色(ChatGPT应扮演什么角色)、提供洞察（提供你请求的背后简介、背景和上下文）、明确声明（你要求GPT做什么）、设定个性（你希望GPT以何种风格、个性或方式回应）和进行实验(请求GPT为你回复多个示例)来创建结构化的Prompt。
- 功能：确保Prompt具有明确的目的和结构，使大模型能够更有效地理解和回应用户请求。
- 使用场景：适用于内容创作和决策支持，尤其是在需要模型提供多样化解决方案时。
- 优点：有助于创建内容丰富、结构清晰的Prompt。
- 缺点：可能需要较多的时间和精力来构思和细化每个部分。
- 示例：
Capacity and Role: 作为市场分析师，分析最新消费趋势。 Insight: 目标受众是年轻消费者，对可持续产品感兴趣。 Statement: 提供关于可持续消费趋势的分析报告。 Personality: 报告应包含数据图表和清晰结论。 Experiment: 探索不同数据源和分析方法，提供多个分析角度。
-
CARE框架：
- 原理：CARE框架强调上下文指导、行动、结果和示例四个关键要素，以确保Prompt的清晰和有效性。
- 功能：通过提供上下文、明确行动和期望的结果，以及给出示例，CARE框架帮助大模型更好地理解和回应用户的需求。
- 使用场景：适用于教育和培训，帮助用户理解复杂概念或流程。
- 优点：通过示例增强理解，使交互更加直观。
- 缺点：可能需要额外的资源来准备和提供示例。
- 示例：
Context: 学生正在学习基础数学概念。 Action: 教授加法和减法的基本原理。 Result: 学生能够解决简单的算术问题。 Example: 给出几个加减法的实际问题和解决方案。
-
COAST框架：
- 原理：COAST框架是一个全面的思维模型，涵盖了背景（Context）、目标（Objective）、行动（Actions）、场景（Scenario）和任务（Task）五个方面。这个模型让用户能够全面、细致地描述一个问题或任务，有助于更加系统地思考和解决问题。
- 功能：通过明确任务的背景、目标、所需采取的行动、具体场景以及具体任务，COAST框架提供了一种全面的方法来理解和应对各种问题和挑战。它有助于用户将复杂的问题或任务分解为更小的、可管理的部分，从而更好地进行规划和执行。
- 使用场景：COAST框架适用于需要全面、系统地分析和解决问题的场景。无论是在个人生活还是工作环境中，当用户面临一个复杂项目、决策制定或问题解决时，都可以使用这个框架来辅助思考和规划。
- 优点：COAST框架的综合性使得它能够应对各种复杂情境，确保考虑到问题的所有关键方面。通过明确各个组成部分，它有助于提高解决方案的有效性和实施计划的成功率。
- 缺点：虽然COAST框架提供了全面的视角，但对于某些简单或直观的问题，使用这一框架可能会显得过于复杂。此外，如果用户不熟悉该框架，可能需要一些时间来学习和适应。
- 示例：
背景（Context）: 一家公司计划推出新产品，并希望进行市场调研来了解潜在客户的意见和反馈。
目标（Objective）: 收集目标受众对新产品的看法，评估市场接受度，以便调整产品策略。
行动（Actions）: 设计并发放调查问卷，收集和分析数据，组织焦点小组讨论。
场景（Scenario）: 在新产品发布前的几个月内，在不同的市场细分中进行调研活动。
任务（Task）: 制定调研计划，明确调研目标、设计问卷、确定样本规模、分析数据并撰写报告。
在这个例子中，COAST框架帮助公司全面地考虑了市场调研的各个方面，从背景到具体任务，确保调研活动的有效性和针对性。
-
CREATE框架：
- 原理：CREATE框架基于清晰度、相关信息、示例、避免含糊不清和迭代修补五个原则，用于创建和优化Prompt。
- 功能：通过明确界定任务或意图、提供必要细节、使用示例、避免模糊和不断迭代，CREATE框架提高了Prompt的质量和效率。
- 使用场景：适用于需要精确输入和输出的场合，如数据分析、报告生成等。
- 优点：简洁明了，易于理解和应用。
- 缺点：可能需要多次迭代来达到最佳效果。
- 示例：
Clarity: 需要一份关于市场趋势的分析报告。 Relevant info: 报告应包含最新的市场数据和趋势预测。 Examples: 提供过去类似市场趋势分析的报告样本。 Avoid ambiguity: 避免使用行业术语，确保报告易于理解。 Tinker: 根据反馈调整报告结构和内容。
-
RACE框架：
- 原理：RACE框架通过定义角色、行动、结果和示例四个步骤来创建结构化的Prompt。
- 功能：帮助用户明确自己在交互中的角色、想要执行的行动、期望的结果和提供示例，以便大模型更准确地回应。
- 使用场景：适用于内容创作和文案撰写，尤其是在需要模型提供结构化和目标导向的输出时。
- 优点：结构化明确，有助于提高输出的质量和相关性。
- 缺点：可能需要更多的前期规划来定义角色和行动。
- 示例：
Role: 旅行博主。 Action: 写一篇关于最新旅行目的地的博文。 Result: 博文应包含目的地的详细介绍和旅行建议。 Example: 参考之前关于热门旅行地的博文。
-
RISE框架：
- 原理：RISE框架包括角色、输入(描述信息或资源)、步骤和期望四个组成部分，旨在为ChatGPT提供清晰的指示。
- 功能：通过定义角色和输入、要求提供详细步骤和描述期望的结果，RISE框架使得用户能够获得符合需求的答案。
- 使用场景：适用于复杂任务的规划和执行，如项目规划、工作流程设计等。
- 优点：有助于详细规划和执行任务，提高任务完成的成功率。
- 缺点：可能需要较多的时间和精力来详细规划每个步骤。
- 示例：
Role: 活动策划者。 Input: 需要组织一场公司年会。 Steps: 列出活动策划的详细步骤，包括预算制定、场地选择、活动流程设计。 Expectation: 活动顺利进行，获得员工的积极反馈。
-
ROSES框架：
- 原理：ROSES框架细分为角色、目标、场景、预期解决方案和步骤五个核心部分，确保清晰、有目的的交流。
- 功能：通过指定角色、描述目标、提供场景信息、定义预期解决方案和询问具体步骤，ROSES框架帮助ChatGPT更好地理解用户需求。
- 使用场景：适合于需要深入分析和解决方案的场合，如商业咨询、策略制定等。
- 优点：全面且深入，有助于提供综合性的解决方案。
- 缺点：可能需要较多的信息输入和处理。
- 示例：
Role: 市场分析师。 Objective: 分析当前市场趋势，为新产品制定营销策略。 Scenario: 新产品即将发布，需要了解目标市场的需求。 Expected Solution: 提供基于市场数据的营销策略建议。 Steps: 收集市场数据，分析消费者行为，制定营销计划。
-
RTF框架：
- 原理：RTF框架由角色、任务和格式三个元素构成，用于明确设定与聊天生成模型的交互。
- 功能：通过指定角色、定义任务和要求特定格式的输出，RTF框架提高了与聊天机器人交流的效率和准确性。
- 使用场景：适用于需要特定格式输出的场合，如报告撰写、信息汇总等。
- 优点：输出格式明确，易于理解和使用。
- 缺点：可能限制了输出的灵活性和创造性。
- 示例：
Role: 金融分析师。 Task: 分析最近季度的股市表现。 Format: 提供一份包含主要发现和趋势的摘要报告。
-
ICIO框架：
- 原理：ICIO框架包括指令、背景信息、输入数据和输出指示器四个主要部分，旨在提高人工智能模型的交互效率和准确性。
- 功能：通过明确的指令使模型清晰理解任务，提供背景信息以帮助模型在特定情境下响应，利用输入数据进行处理，并通过输出指示器明确输出结果的要求。
- 使用场景：适用于需要明确任务指导、背景信息辅助和特定输出要求的场景，如内容生成、智能推荐、语音助手等。
- 优点：提供了清晰的任务指导和背景信息，使得模型能够更准确地理解和执行任务，提高了交互的效率和准确性。
- 缺点：需要用户投入一定时间来学习和适应框架，同时对于信息的清晰度和准确性有一定要求，模糊或不完整的信息可能影响模型的响应质量。
- 示例：
指令: 生成一篇关于二战中诺曼底登陆的简短描述。 背景信息: 诺曼底登陆是第二次世界大战中的关键行动，1944年6月6日发生，盟军在法国诺曼底海滩登陆，以突破德军防线，开辟欧洲第二战场。 输入数据: 无（此任务为文本生成，不涉及具体数据分析） 输出指示器: 描述需包含登陆时间、地点、参与方、目的及重要性，字数控制在200字以内。
-
APE框架：
- 原理：APE框架由行动(Action)、目的(Purpose)和期望(Expectation)三个核心元素组成，旨在帮助明确任务，讨论目标，并设定期望，从而使与人工智能模型的交流更加高效。
- 功能：通过定义要完成的任务（行动），讨论意图或目标（目的），以及阐明所期待的结果或成功的标准（期望），APE框架为用户提供了一种结构化的方法来清晰地传达他们的需求和期望。
- 使用场景：适用于需要向人工智能模型明确传达任务和期望的场景，如求职信撰写、产品推荐、内容创作等。
- 优点：APE框架的明确性和结构性有助于避免模糊和误解，提高了任务执行的成功率。它帮助用户清晰地定义任务、表达意图，并设定明确的期望结果，从而使人工智能模型能够更准确地理解和执行任务。
- 缺点：对于某些复杂或创造性任务，过度依赖APE框架可能会限制模型的灵活性和创造性。此外，如果用户不熟悉该框架，可能需要一些时间来适应和学习。
- 示例：
行动: 为我规划一次从北京到上海的旅行。 目的: 我需要在上海参加一个重要的商务会议，并希望在旅途中能顺便欣赏一些旅游景点。 期望: 规划的旅行应包括往返的交通方式、住宿推荐、会议日程安排以及至少两个旅游景点的推荐。总预算应控制在XX元以内。
13.TAG框架：
- 原理：TAG框架是一种任务规划和执行方法，其中“TAG”代表任务(Task)、行动(Action)、目标(Goal)。这个框架指导用户首先明确具体任务，然后规划所需采取的行动，并最终设定清晰的目标。通过这种方式，TAG框架有助于将复杂的项目或问题分解为更易于管理和执行的部分。
- 功能：TAG框架旨在帮助用户更加系统地定义任务，制定行动计划，并明确期望达成的目标。它提供了一种结构化的方法，使用户能够清晰地思考和规划任务，从而提高工作效率和准确性。
- 使用场景：TAG框架适用于各种需要规划和执行任务的场景，无论是在个人生活还是职业环境中。例如，项目管理、学习计划、市场营销活动等都可以使用这个框架来辅助规划和执行。
- 优点：TAG框架简单明了，易于理解和应用。它通过将任务分解为具体的行动，并设定明确的目标，使用户能够更有条理地完成任务，提高工作效率。此外，该框架还有助于确保所有相关人员对任务和目标的理解保持一致。
- 缺点：TAG框架可能对于某些复杂或创造性任务来说过于简化，可能无法涵盖所有细节和变量。此外，如果用户不熟悉该框架，可能需要一些时间来学习和适应。
- 示例：
任务(Task): 策划一场线上营销活动。
行动(Action): 确定目标受众，设计活动主题和内容，制定推广计划，准备营销材料，执行并监控活动进程。
目标(Goal): 提高品牌知名度，增加网站流量，并促成至少10%的销售增长率。
在这个例子中，TAG框架帮助团队明确了线上营销活动的具体任务，规划了必要的行动步骤，并设定了清晰的目标来衡量活动的成功。这样的结构化方法有助于确保活动的顺利进行，并达到预期的效果。
14.TRACE框架（Prompt版）：
- 原理：TRACE框架在Prompt设计中，代表一种结构化提问方法，它包括了任务(Task)、请求(Request)、行动(Action)、上下文(Context)和示例(Example)五个关键部分。这一框架有助于用户清晰、具体地表达自己的需求，引导AI模型更准确地执行任务。
- 功能：TRACE框架通过明确任务的具体内容、所需帮助或资源、将要执行的行动、相关的背景信息以及具体示例，帮助用户构建一个完整、明确的指令。这样可以大大提高AI模型理解和执行任务的效率和准确性。
- 使用场景：当需要向AI模型提出明确、具体的任务请求时，可以使用TRACE框架来构建Prompt。例如，在内容生成、智能问答、数据分析等场景中，TRACE框架都能帮助用户更有效地与AI模型进行交互。
- 优点：TRACE框架的优点在于其结构化和清晰性，能够让用户系统地思考和组织自己的需求，减少误解和歧义。同时，它也能帮助AI模型更好地理解用户的意图，从而提供更准确、有用的回答或结果。
- 缺点：对于某些简单或直观的问题，使用TRACE框架可能会显得过于繁琐。此外，如果用户不熟悉该框架，可能需要一些时间来学习和适应。
- 示例：
任务(Task): 请写一篇关于环境保护的文章。
请求(Request): 文章需要包含环境保护的重要性、当前存在的环境问题以及个人可以采取的环保措施。
行动(Action): 撰写文章，确保内容符合上述要求。
上下文(Context): 近年来，全球环境问题日益严重，每个人都应该为环境保护贡献自己的力量。
示例(Example): 比如可以提到“减少使用一次性塑料制品、节约用水用电”等具体的环保措施。
在这个例子中，TRACE框架帮助用户明确了写文章的具体任务、内容要求、行动指南，提供了相关的背景信息，并给出了一个具体的示例来引导AI模型的输出。
15.ERA框架（Prompt版）：
- 原理：ERA框架是针对Prompt设计的一个结构化方法，其中E代表期望(Expectation)，R代表要求(Requirement)，A代表行动(Action)。这个框架旨在帮助用户明确他们期望从AI模型中得到什么，具体的要求是什么，以及模型应该采取什么行动来达成这些要求。
- 功能：通过ERA框架，用户可以更清晰地传达他们的意图给AI模型，减少误解，并引导模型生成符合用户需求的输出。它帮助用户系统地思考和阐述他们的期望、要求和行动建议，从而提高与AI模型的交互效率。
- 使用场景：ERA框架适用于各种需要向AI模型明确传达期望和要求的场景，如内容生成、智能问答、推荐系统等。当用户希望AI模型按照特定的要求执行任务时，可以使用这个框架来构建Prompt。
- 优点：ERA框架的优点在于其简洁明了，能够快速地帮助用户梳理并表达他们的需求和期望。它使得Prompt更具针对性和实效性，提高了AI模型理解和执行任务的准确性。
- 缺点：对于某些复杂任务，ERA框架可能略显简单，不足以涵盖所有细节和变量。此外，如果用户不熟悉该框架，可能需要进行一些学习和适应。
- 示例：
期望(Expectation): 生成一篇关于人工智能未来发展的文章。
要求(Requirement): 文章需要包含对人工智能技术未来趋势的预测，讨论其对社会和经济的影响，并提供具体的案例支持观点。
行动(Action): 撰写文章，确保内容满足上述要求，并结合最新的研究和行业动态进行阐述。
在这个例子中，ERA框架帮助用户明确了他们期望得到的文章类型，具体的内容要求，以及AI模型应该采取的行动来生成满足这些要求的文章。这样的Prompt结构有助于引导AI模型更准确地完成任务。
16.CARE框架（Prompt版）：
- 原理：CARE框架在Prompt设计中，强调了一种结构化、有逻辑的提问方式。CARE是Context（上下文）、Action（行动）、Result（结果）和Example（示例）的缩写，这个框架指导用户在构建Prompt时，首先设定清晰的背景或上下文，明确想要执行的动作或任务，阐明期望的结果，并提供具体的示例以更好地说明意图。
- 功能：CARE框架帮助用户将复杂的问题或任务分解为更容易理解和执行的部分。通过明确上下文、行动、结果和示例，用户能够更有效地向AI模型传达自己的需求，从而提高AI模型响应的准确性和效率。
- 使用场景：CARE框架适用于各种需要向AI模型提出明确任务的场景，尤其是在处理复杂问题或需要详细指导的情况下。无论是文本生成、数据分析、智能推荐还是其他AI应用，都可以通过CARE框架来构建精确的Prompt。
- 优点：CARE框架的优点在于其结构化和逻辑性。它引导用户系统地思考和表达自己的需求，确保每个部分都得到充分的考虑和明确。这有助于减少误解和歧义，提高AI模型的理解和响应能力。此外，提供示例可以帮助AI模型更好地把握用户的需求和期望。
- 缺点：虽然CARE框架提供了全面的指导，但对于某些简单或直观的任务，使用这一框架可能会显得过于繁琐。同时，如果用户不熟悉该框架，可能需要一些学习和适应的时间。
- 示例：
上下文(Context): 我正在准备一份关于全球变暖的报告。
行动(Action): 请帮我搜集近五年来全球平均气温的数据，并与历史数据进行对比分析。
结果(Result): 我希望获得一份详细的对比分析报告，包括气温变化的趋势、异常值以及可能的影响因素。
示例(Example): 报告可以包含类似这样的分析：“从2018年到2023年，全球平均气温上升了X度，其中2020年出现了明显的气温峰值，可能与当年的厄尔尼诺现象有关。”
在这个例子中，CARE框架帮助用户明确了准备报告的背景、需要执行的数据搜集与分析任务、期望的报告内容以及一个具体的结果示例。这样的Prompt结构使得AI模型能够更精确地理解并执行用户的需求。
这些框架各有特点，适用于不同的场景和需求。在实际应用中，可以根据具体情况来使用。