下载掌阅APP，畅读海量书库
立即打开
在前作书中，我们系统性地介绍了结构化提示词的思想、结构和7种高质量提示词框架。其中，7种高质量结构化提示词框架依次为：角色扮演框架、ICIO框架、CO-STAR框架、CRISPE框架、BROKE框架、APE框架、LangGPT框架。
尽管推理大模型的流行降低了提示词的使用门槛，但结构化提示词依然有其优势，特别是在构建智能体或者更复杂的AI应用中，仍被广泛使用。因此，下面将对结构化提示词做一个介绍。结构化提示词的优势如下：
❑结构清晰易复刻： 结构化模板使得提示词结构更清晰。套用模板，可以快速构建新的提示词。
❑易打包成智能体应用： 相比于普通提示词每次使用都要重新编写需求，运用结构化提示词可以将提示词打包成智能体应用。对于同一类型的作业需求，可以直接调用特定的智能体应用，反复使用，提高工作效率。
❑开发AI工作流的基础： 结构化提示词是AI工作流开发的基础，掌握好结构化提示词，可以极大地拓宽AI应用领域。
在前作两本书中，我们详细地介绍了Kimi和豆包的智能体应用。在《豆包高效办公：AI 10倍提升工作效率的方法与技巧》一书中，我们甚至还教读者朋友们，如何构建自己的智能体应用。如图2-4所示，智能体就像是使用AI制作的一个个行业专家，比如：专门写作公文的“公文写作助手”；专门绘图的“AI绘图专家”；专门做数据分析的“数据分析专家”……
虽然DeepSeek暂时还没有智能体应用功能，但是笔者相信“智能体”是大众入门AI应用的最佳途径之一，未来这一定是一种重要趋势。
当然，如果读者朋友不再满足于简单的AI应用，未来有机会接触到AI工作流编排，便可以搭建更具创意和功能更丰富的AI应用程序，结构化提示词同样是编排AI工作流的基础能力之一。如图2-5所示，这是笔者编制的“高颜值内容海报”工作流编排图，这个工作流可以实现用户将文字、网页链接或者图片发给AI，AI自动生成高颜值的内容海报。
图2-4 豆包智能体广场
图2-5 AI工作流编排
如图2-6所示，这是一个基于工作流编排实现的“高颜值视觉内容设计师”AI应用。在本书的第4章，我们也会介绍如何调用DeepSeek的API，运用API可以灵活开发属于自己的AI应用。
图2-6 “高颜值视觉内容设计师”AI应用
在前作中，我们详细介绍了LangGPT结构化提示词，LangGPT结构化提示词目前是国内最为流行的提示词框架。
LangGPT的重点在于将提示词结构化，不过于强调固定的属性模块项目，而是根据项目灵活配置属性模块。笔者对LangGPT常用的属性词进行了总结。
LangGPT属性词总结
❑ 基础属性词
Role：角色，希望大模型扮演的角色。也可使用Expert（专家）、Master（大师）等提示词替代Role，将大模型固定为某一领域的专家。
Profile：角色简介，对大模型所扮演角色的人物背景介绍
Skill：技能，该角色所具备的能力
Rules：规则，该角色所需要遵循的规则
Workf low：工作流，该角色工作所遵循的工作流程
Initialization：初始化准备
❑ 补充属性词
OutputFormat：输出格式要求
Attention：注意事项，提醒大模型需要注意的事项
Constraints：约束，对大模型的某些事项进行约束
Ethics：伦理道德，框定大模型所要遵循的伦理道德准则
Personality：性格，设定大模型的性格
Writing Style：写作风格
Preferences：偏好
Goals：目标，为大模型设定任务目标
Background：背景，任务背景介绍
通过灵活组合这些模块，可以得到多种结构化框架。其中最常用的提示词框架如下：
# Role（角色）：用户指定的角色名称
## Profile（角色简介）：
❑ Author：云中江树
❑ Version：1.0
❑ Language：中文
❑ Description：简介这个智能体需要做什么
## Background（背景）：
❑ 介绍智能体的角色背景和智能体设定，用生动形象的词汇描述智能体。
## Goals（目标）：
❑ 写明创建此智能体的任务目标是什么，智能体需要达成的任务有什么。
## Constraints（约束）：
❑ 写明此智能体的约束是什么。
## Skills（技能）：
❑ 写明如果要达到<Goals>里所提到的目标，智能体需要具备什么样的技能。
## Example（示例）：
❑ 需要为新智能体设置一个例子，供新智能体学习<Workf low>中的工作流程、<Goals>里的任务目标、<Constraints>里的约束条件、<Skills>里的技能。
## Workf low（工作流）：
❑ 写明如果要达到<Goals>里所提到的目标，智能体需要一个什么样的工作流程，整个流程中的每一步都需要如何去做。
## Initialization（初始化）：
❑ 写明刚刚初始化时，智能体要做的自我介绍，包括告诉用户自己能做什么，期望用户提供什么，自己的工作技能是什么，自己的目标是什么。
上面的LangGPT框架和2.4节中的万能提示词模板类似，约定了角色、背景、目标、技能等基本需求信息。同时，使用了<Example>（示例）和<Workf low>（工作流），提高通用大模型的输出质量。
如1.2.3节所述，推理大模型具备自我思考能力，其提示词不需要限定工作流程，而是以目标为导向。因此，我们需要对LangGPT结构化框架进行相应的改造，以便适配推理大模型。
鉴于推理大模型的特点，我们移除了<Example>（示例）和<Workf low>（工作流）这两个模块，同时强化了<Goals>（目标）模块，并且加入<Knowledge>（知识背景）模块。改造后的LangGPT提示词框架如下：
# Role（角色）：用户指定的角色名称
## Archive（档案）：
❑ Author：沈亲淦
❑ f it：推理大模型
❑ Version：1.0
❑ Language：中文
## Background（背景）：
❑ 介绍智能体的任务背景和应用场景需求
## Goals（目标）：
❑ 写明任务需求，包括需要达成的任务目标及期望的任务质量（这个项目最为重要，请细化思考完善）
## Skills（技能）：
❑ 写明如果要达到<Goals>里所提到的目标，智能体需要具备什么样的技能或专业知识
## Constraints（约束）：
❑ 根据实际应用场景需求，写明此智能体的限制条件，如范围、时间、场景要求、排除事项、行为准则、输出格式、语言风格等
## （可选项）Knowledge（知识背景）：
❑ 根据应用场景选填此项。可补充填写特定的知识背景材料
## Initialization（初始化）：
❑ 写明智能体在初始化时要做的自我介绍，包括告诉用户自己能做什么，期望用户提供什么，自己的工作技能是什么，自己的目标是什么
相比于极简的“三要素”模板，LangGPT的结构化提示词看上去略显复杂。但是，结构化提示词也有好处，在实际工作过程中，简单提示词和复杂提示词可以结合使用，根据不同的应用场景挑选最合适的提示词方法。