LangGPT 年度复盘从提示词本质到结构化范式2023 提示工程实践全景解析【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT导读本文基于 LangGPT 项目作者云中江树在 2024 年 1 月 13 日北京 AIGC 中国开发者大会上的年度分享整理而成原始讲稿见 Docs/PromptAnnualReview.md系统复盘了 2023 年提示工程领域的关键认知、方法论与社区实践。你将读到Prompt 的真正边界在哪里、提示工程在 LLM 应用全生命周期中的位置、LangGPT 社区总结的七条高效实践以及如何用结构化提示词把作文题变成填空题。文章同时结合仓库中的模板源码、论文与示例给出可复制、可运行的落地参考。一、背景一次开发者大会上的年度复盘2024 年 1 月 13 日AIGCLink 在昆仑巢举办了北京 AIGC 中国开发者大会LangGPT 项目作者云中江树江树作为嘉宾分享了提示工程领域的年度思考。过去一年2023 年LangGPT 社区在提示词与提示工程方向上沉淀了大量内容这次分享正是对这一年实践的系统梳理2023 年 5 月开源 LangGPT 提示词项目并在网易、字节跳动等互联网大厂的实际业务中落地应用建立了上百人参与共建的知识库拥有数千人的交流社群在开源社区获得数万 Star与华为、百度等知名公司开展了密切的交流合作并受到创业邦等媒体报道。这些背景信息在 README.md 的项目介绍中亦有印证——LangGPT 被定位为面向大模型的结构化、可复用提示词设计框架其学术基础发表在 Papers/LangGPT_paper_cn.mdarXiv:2402.16929。需要说明的是本文正文中的分享观点属于作者个人见解仅供参考。二、什么是 Prompt所有会被模型用于预测输出结果的内容2.1 一个广泛存在的认知误区很多学习者把 Prompt 简单理解为自己精心设计的那一小段开场提示词而忽略了 Prompt 的其他来源。分享中用输入法做了一个直观类比第一张图输入春眠输入法预测不觉晓。此时春眠是输入不觉晓是模型输出所以春眠是 Prompt第二张图输入春眠不觉晓其中不觉晓是模型上一轮的输出输入法预测处处闻啼鸟。此时春眠不觉晓是 Prompt。这一类比同样适用于 GPT 类模型——它以之前的内容为输入预测之后的内容。因此在多轮对话中模型不仅读取系统提示词还会把用户每一轮的输入、模型自己之前的输出一并作为上下文来预测后续内容。由此得到本文第一个核心结论所有会被模型用于预测输出结果的内容都是 Prompt。Prompt 的来源可以是预设的提示词、用户的输入甚至模型自身的输出。对Prompt 即对话全程上下文这一广义认知的更详细论述可参考仓库中的 Docs/PromptChain.md其中引入了 System Prompt 的概念并列举了输入被误认为新 Prompt输入被误认为反馈指令输入被误认为特定含义三类典型错误及其解法。2.2 Prompt调用大模型能力的接口从模型原理出发Prompt 无处不在。它既是调用大模型能力的接口也是用好大模型能力的核心。分享中引用了 OpenAI 开发者大会的一张 PPT 来说明在 LLM 应用的开发与性能优化全过程中提示工程贯穿始终。先做原型一切 LLM 应用推荐先从 Prompt 工程着手建立原型作为性能优化的基石RAG 本质上也是一种 Prompt 工程当 Prompt 工程无法满足需求时通过检索增强构造更好的模型输入微调依赖提示工程通过 Prompt 工程构造高质量的微调数据是微调成功的关键垂直大模型同样如此先用 Prompt 工程或结合 RAG获取第一批高质量输入输出数据再微调模型数据飞轮更好的模型产出更好的数据更优质的数据用于训练又反过来提升模型形成正向迭代循环——其中每个环节都离不开提示工程。三、写好提示词的基础方法论3.1 OpenAI 六大原则与思考时间的误解分享推荐阅读 OpenAI 官方的提示工程文档并将其总结为一张思维导图包含六大原则以及若干子要点。其中特别强调了一个容易被误解的原则——给模型思考时间它并不是指让模型慢慢想再给出答案而是侧重于让模型一步步思考、给出过程、最终得到答案——就像做数学题时先写计算过程再给结果能显著提高结果的正确度。这与 CoT思维链思想一脉相承仓库 Docs/HowToWritestructuredPrompts.md 中也将 CoT 视为构建高质量提示的核心技巧之一。3.2 为什么学了技巧还是写不好互相冲突的资料不少学习者发现技巧和框架学了很多实践中依然写不好提示词。一个重要的原因是大量提示工程资料彼此冲突甚至来源都相当权威。例如是否该对 AI 礼貌这个问题微软的建议是要礼貌部分学术论文给出相反结论广为流传的26 条提示工程准则第一条就是对 AI 没有必要礼貌。分享给出的答案是这对 AI 来说不重要对个人修养很重要礼貌一点没有坏处。它点出了提示工程的本质——它不是机械的咒语而是一种沟通艺术。四、LangGPT 社区的七条高效实践面对纷繁复杂的技巧LangGPT 社区的答案是实践。以下是分享中总结的、经社区反复验证的七条方法序号方法要点说明1清晰地描述最重要的方法做到这一点能解决约 80% 的问题。与华硕校园的合作案例表明第一次接触 GPT 时不妨让它写一首诗通过调整格式、诗歌体裁、内容质量逐步获得对模型的掌控感2角色扮演对当前基于角色的模型非常有效能明显提高内容质量网上大量基于角色的提示词被用于模型训练后进一步强化了这一技巧的有效性3提供示例尤其是在需要复刻文案结构与风格的场景下多提供几个高质量示例即 Few-shot4复杂任务分解分为人去分解与模型自动分解两种有成熟 SOP 或自有思路就复用 SOP 自己分解否则让模型自动分解并给出过程CoT 思维链就是一种模型自动分解的方法5使用格式良好的格式能大大避免因语义歧义、冲突导致的性能问题推荐使用 Markdown 格式6情感与物质激励情感激励类似情感 PUA物质激励指给 AI 小费这类技巧——对人高情商的那一套对 AI 也很有效7使用英语正如开篇示例所示仅把一个词换成英文回答质量就天差地别其中第 4 条复杂任务分解在仓库 Docs/PromptChain.md 中有系统展开当任务超出单 Prompt 能力时可通过提示链Prompt Chain把大任务拆成多个小 Prompt 协同解决还给出了任务拆解的停止条件模型表现够好即可、子任务相互影响规律以及稳定度/可用性的量化评估公式。第 3 条提供示例的完整范本可参考 examples/chinese_poet/Prompt_chinese_poet.md 中的诗人角色。五、把方法论封装起来LangGPT 结构化提示词5.1 从作文题到填空题分享将上述方法论封装形成了LangGPT 结构化提示词。与一般提示词相比它的价值在于把提示词这一作文题变成填空题——编写门槛降低的同时提示更加清晰、更加强大。凭借优秀的结构和稳定良好的性能表现LangGPT 结构化提示词也成为了字节 Coze 平台的推荐提示词范式分享中原述。关于结构化提示词背后的设计思想仓库中有充分依据Docs/HowToWritestructuredPrompts.md 系统论述了其优势层级结构实现内容与形式统一、提升语义认知、定向唤醒模型深度能力、像代码开发一样构建生产级 Prompt以及构建全局思维链和保持上下文语义一致性等编写要点Papers/LangGPT_paper_cn.md 提出双层结构设计提示由若干模块类似编程语言的类和模块内的元素类似函数与属性组成分为内置模块Profile、Constraints、Goal、Workflow、Example、Initialization 等与可扩展模块并支持 Markdown、JSON、YAML 等多种格式。5.2 官方模板源码解读仓库 LangGPT/templates 目录下提供了多套可直接套用的模板完整版 Role.md推荐用于复杂角色的核心骨架# Role: Role_Name *Name*: LangGPT *Author*: YZFly *Version*: 0.2 ## Profile: ### Capabilities # 定义模型要完成的任务、用户与输入、期望输出 ### Limitations # 定义能力边界与越界时的应对方式 ### Style # 定义回复的姿态与语气 ## Output # 定义输出语言、语法与格式化要求可要求 JSON 等机器可解析格式 ## Examples # 描述困难/模糊用例展示内心独白与思维链 ## Tools # browser / python / dalle 等工具接入基础版 baseRole.md则包含了更完整的实战要素——ProfileAuthor/Version/Language/Description、Reminder输出前自提醒角色设定、Commands/help、/continue、/config、/language、/search等斜杠命令、Rules、Workflow、Tools 与 Initialization其中 Initialization 规定了开场行为## Initialization As a/an Role, you must follow the Rules, you must talk to user in default Language you must greet the user. Then introduce yourself and introduce the Workflow.轻量版 miniRole.md保留最精简的骨架Role → Profile → Rules → Workflow → Initialization适合快速上手而miniRole.yaml与 miniRole.json 则展示了面向工程化开发的 YAML/JSON 写法——分享中也提到程序员群体推荐使用 yaml、json 等成熟数据结构进行结构化 Prompt 开发对 prompt 的工程化、版本管理Git与多人协同尤其友好。一个贴合分享内容的经典示例是 examples/chinese_poet/Prompt_chinese_poet.md 中的诗人角色——它完整呈现了作文题变填空题的写法用户在对话中只需按形式[], 主题[]填空模型即可按要求创作现代诗、七言律诗或五言诗这正是分享中华硕校园合作案例中写一首诗实践的结构化版本。六、社区实践提示词的边界在哪里分享展示了 LangGPT 社区在提示工程方向上的三类代表性实践6.1 纯 Prompt 游戏社区实现了很多好玩的纯 Prompt 游戏例如猫总的人生重启模拟器项目、结合 DALL-E 3 等工具的规则怪谈游戏。AI 游戏很多但纯 Prompt 实现且兼顾趣味性的实践在全球范围内都处于前列。6.2 商业场景简历筛选助手通过提示词应用为企业提升招聘效能设计简历筛选助手帮助企业制订用人评分标准上传简历即可对候选人打分并给出评分依据评分后对候选人进行综合排序显著提高用人效率。分享指出商业化的提示词案例少有公开LangGPT 社区是少有的乐于开源此类贡献的社区更多案例可访问 LangGPT 知识库feishu.langgpt.ai。6.3 用提示词重塑研发工作流让大模型设计小模型社区还通过提示词实现了 AI 模型设计——让大模型来设计小模型接入 Python 代码环境后大模型可辅助 AI 模型的设计到部署全流程。分享展示了部分流程先进行环境检查再依据要求设计 AI 网络并测试最终生成部署所需文件将原来可能需要一天的任务压缩至半天解决。这一类实践与仓库中 src/SOMPromptingWithSAM.ipynb、src/ImagePromptingWithYOLOv10.ipynb 所探索的以提示方式驱动视觉模型思路同属一条主线提示词正在从文字生成扩展到模型设计与多模态调用。此外Prompts/ 目录下的 AI 分身系列如 巴菲特AI分身、马斯克AI分身、梵高AI分身、段永平AI分身也展示了用提示词复刻人物思维这一范式在角色建模上的延展。七、总结Prompt is All You Need结合社区探索与思考分享借用 Transformer 论文句式提出Prompt is All You Need。理由有三提示工程本质上是人机沟通的艺术。只要人类自己仍在学习如何高情商表达交流人机如何更好地交互这一命题就会持续存在从调用大模型能力到调用大模型生态能力的接口。现在已从调用单个大模型能力如 GPT转为调用多个大模型能力如 GPT DALL-E从调用 AI 模型能力转为调用 AI 工具的能力如 GPT 代码环境随着未来 Agents 生态进一步完善提示词将能调用以 LLM 为大脑的 Agents 生态。提示工程的天花板会随大模型能力进化与各种工具如 GPTs的接入被不断拉高——始于提示工程、终于提示工程或许是对大模型应用最好的答案唯一的局限在于我们对提示词的理解与实践是否足够深刻。八、给学习者的落地建议回顾整场分享可以提炼出三条可立即执行的行动路径建立广义 Prompt 认知把所有会被模型用于预测输出结果的内容都是 Prompt作为第一原则在每一轮对话中主动管理输入质量与输出格式用七条实践方法逐项打磨从清晰描述开始依次叠加角色扮演、示例、任务分解、格式、激励与语言选择在真实任务上做对照实验从模板出发、按需裁剪直接套用 LangGPT/templates 下的完整版或轻量版模板参考 examples 中的示例快速起步熟悉后再依据 Docs/HowToWritestructuredPrompts.md 的全局思维链原则增删模块形成自己的模板对复杂任务按 Docs/PromptChain.md 的方法做任务分解与多 Prompt 协同。最后分享以对 2023 年涌现的才华横溢的项目与热情似火的社区朋友们的感谢收尾并期待 2024 年大家继续热情满怀搞 AI。以下是大会现场的交流照片【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LangGPT 年度复盘：从提示词本质到结构化范式，2023 提示工程实践全景解析
LangGPT 年度复盘从提示词本质到结构化范式2023 提示工程实践全景解析【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT导读本文基于 LangGPT 项目作者云中江树在 2024 年 1 月 13 日北京 AIGC 中国开发者大会上的年度分享整理而成原始讲稿见 Docs/PromptAnnualReview.md系统复盘了 2023 年提示工程领域的关键认知、方法论与社区实践。你将读到Prompt 的真正边界在哪里、提示工程在 LLM 应用全生命周期中的位置、LangGPT 社区总结的七条高效实践以及如何用结构化提示词把作文题变成填空题。文章同时结合仓库中的模板源码、论文与示例给出可复制、可运行的落地参考。一、背景一次开发者大会上的年度复盘2024 年 1 月 13 日AIGCLink 在昆仑巢举办了北京 AIGC 中国开发者大会LangGPT 项目作者云中江树江树作为嘉宾分享了提示工程领域的年度思考。过去一年2023 年LangGPT 社区在提示词与提示工程方向上沉淀了大量内容这次分享正是对这一年实践的系统梳理2023 年 5 月开源 LangGPT 提示词项目并在网易、字节跳动等互联网大厂的实际业务中落地应用建立了上百人参与共建的知识库拥有数千人的交流社群在开源社区获得数万 Star与华为、百度等知名公司开展了密切的交流合作并受到创业邦等媒体报道。这些背景信息在 README.md 的项目介绍中亦有印证——LangGPT 被定位为面向大模型的结构化、可复用提示词设计框架其学术基础发表在 Papers/LangGPT_paper_cn.mdarXiv:2402.16929。需要说明的是本文正文中的分享观点属于作者个人见解仅供参考。二、什么是 Prompt所有会被模型用于预测输出结果的内容2.1 一个广泛存在的认知误区很多学习者把 Prompt 简单理解为自己精心设计的那一小段开场提示词而忽略了 Prompt 的其他来源。分享中用输入法做了一个直观类比第一张图输入春眠输入法预测不觉晓。此时春眠是输入不觉晓是模型输出所以春眠是 Prompt第二张图输入春眠不觉晓其中不觉晓是模型上一轮的输出输入法预测处处闻啼鸟。此时春眠不觉晓是 Prompt。这一类比同样适用于 GPT 类模型——它以之前的内容为输入预测之后的内容。因此在多轮对话中模型不仅读取系统提示词还会把用户每一轮的输入、模型自己之前的输出一并作为上下文来预测后续内容。由此得到本文第一个核心结论所有会被模型用于预测输出结果的内容都是 Prompt。Prompt 的来源可以是预设的提示词、用户的输入甚至模型自身的输出。对Prompt 即对话全程上下文这一广义认知的更详细论述可参考仓库中的 Docs/PromptChain.md其中引入了 System Prompt 的概念并列举了输入被误认为新 Prompt输入被误认为反馈指令输入被误认为特定含义三类典型错误及其解法。2.2 Prompt调用大模型能力的接口从模型原理出发Prompt 无处不在。它既是调用大模型能力的接口也是用好大模型能力的核心。分享中引用了 OpenAI 开发者大会的一张 PPT 来说明在 LLM 应用的开发与性能优化全过程中提示工程贯穿始终。先做原型一切 LLM 应用推荐先从 Prompt 工程着手建立原型作为性能优化的基石RAG 本质上也是一种 Prompt 工程当 Prompt 工程无法满足需求时通过检索增强构造更好的模型输入微调依赖提示工程通过 Prompt 工程构造高质量的微调数据是微调成功的关键垂直大模型同样如此先用 Prompt 工程或结合 RAG获取第一批高质量输入输出数据再微调模型数据飞轮更好的模型产出更好的数据更优质的数据用于训练又反过来提升模型形成正向迭代循环——其中每个环节都离不开提示工程。三、写好提示词的基础方法论3.1 OpenAI 六大原则与思考时间的误解分享推荐阅读 OpenAI 官方的提示工程文档并将其总结为一张思维导图包含六大原则以及若干子要点。其中特别强调了一个容易被误解的原则——给模型思考时间它并不是指让模型慢慢想再给出答案而是侧重于让模型一步步思考、给出过程、最终得到答案——就像做数学题时先写计算过程再给结果能显著提高结果的正确度。这与 CoT思维链思想一脉相承仓库 Docs/HowToWritestructuredPrompts.md 中也将 CoT 视为构建高质量提示的核心技巧之一。3.2 为什么学了技巧还是写不好互相冲突的资料不少学习者发现技巧和框架学了很多实践中依然写不好提示词。一个重要的原因是大量提示工程资料彼此冲突甚至来源都相当权威。例如是否该对 AI 礼貌这个问题微软的建议是要礼貌部分学术论文给出相反结论广为流传的26 条提示工程准则第一条就是对 AI 没有必要礼貌。分享给出的答案是这对 AI 来说不重要对个人修养很重要礼貌一点没有坏处。它点出了提示工程的本质——它不是机械的咒语而是一种沟通艺术。四、LangGPT 社区的七条高效实践面对纷繁复杂的技巧LangGPT 社区的答案是实践。以下是分享中总结的、经社区反复验证的七条方法序号方法要点说明1清晰地描述最重要的方法做到这一点能解决约 80% 的问题。与华硕校园的合作案例表明第一次接触 GPT 时不妨让它写一首诗通过调整格式、诗歌体裁、内容质量逐步获得对模型的掌控感2角色扮演对当前基于角色的模型非常有效能明显提高内容质量网上大量基于角色的提示词被用于模型训练后进一步强化了这一技巧的有效性3提供示例尤其是在需要复刻文案结构与风格的场景下多提供几个高质量示例即 Few-shot4复杂任务分解分为人去分解与模型自动分解两种有成熟 SOP 或自有思路就复用 SOP 自己分解否则让模型自动分解并给出过程CoT 思维链就是一种模型自动分解的方法5使用格式良好的格式能大大避免因语义歧义、冲突导致的性能问题推荐使用 Markdown 格式6情感与物质激励情感激励类似情感 PUA物质激励指给 AI 小费这类技巧——对人高情商的那一套对 AI 也很有效7使用英语正如开篇示例所示仅把一个词换成英文回答质量就天差地别其中第 4 条复杂任务分解在仓库 Docs/PromptChain.md 中有系统展开当任务超出单 Prompt 能力时可通过提示链Prompt Chain把大任务拆成多个小 Prompt 协同解决还给出了任务拆解的停止条件模型表现够好即可、子任务相互影响规律以及稳定度/可用性的量化评估公式。第 3 条提供示例的完整范本可参考 examples/chinese_poet/Prompt_chinese_poet.md 中的诗人角色。五、把方法论封装起来LangGPT 结构化提示词5.1 从作文题到填空题分享将上述方法论封装形成了LangGPT 结构化提示词。与一般提示词相比它的价值在于把提示词这一作文题变成填空题——编写门槛降低的同时提示更加清晰、更加强大。凭借优秀的结构和稳定良好的性能表现LangGPT 结构化提示词也成为了字节 Coze 平台的推荐提示词范式分享中原述。关于结构化提示词背后的设计思想仓库中有充分依据Docs/HowToWritestructuredPrompts.md 系统论述了其优势层级结构实现内容与形式统一、提升语义认知、定向唤醒模型深度能力、像代码开发一样构建生产级 Prompt以及构建全局思维链和保持上下文语义一致性等编写要点Papers/LangGPT_paper_cn.md 提出双层结构设计提示由若干模块类似编程语言的类和模块内的元素类似函数与属性组成分为内置模块Profile、Constraints、Goal、Workflow、Example、Initialization 等与可扩展模块并支持 Markdown、JSON、YAML 等多种格式。5.2 官方模板源码解读仓库 LangGPT/templates 目录下提供了多套可直接套用的模板完整版 Role.md推荐用于复杂角色的核心骨架# Role: Role_Name *Name*: LangGPT *Author*: YZFly *Version*: 0.2 ## Profile: ### Capabilities # 定义模型要完成的任务、用户与输入、期望输出 ### Limitations # 定义能力边界与越界时的应对方式 ### Style # 定义回复的姿态与语气 ## Output # 定义输出语言、语法与格式化要求可要求 JSON 等机器可解析格式 ## Examples # 描述困难/模糊用例展示内心独白与思维链 ## Tools # browser / python / dalle 等工具接入基础版 baseRole.md则包含了更完整的实战要素——ProfileAuthor/Version/Language/Description、Reminder输出前自提醒角色设定、Commands/help、/continue、/config、/language、/search等斜杠命令、Rules、Workflow、Tools 与 Initialization其中 Initialization 规定了开场行为## Initialization As a/an Role, you must follow the Rules, you must talk to user in default Language you must greet the user. Then introduce yourself and introduce the Workflow.轻量版 miniRole.md保留最精简的骨架Role → Profile → Rules → Workflow → Initialization适合快速上手而miniRole.yaml与 miniRole.json 则展示了面向工程化开发的 YAML/JSON 写法——分享中也提到程序员群体推荐使用 yaml、json 等成熟数据结构进行结构化 Prompt 开发对 prompt 的工程化、版本管理Git与多人协同尤其友好。一个贴合分享内容的经典示例是 examples/chinese_poet/Prompt_chinese_poet.md 中的诗人角色——它完整呈现了作文题变填空题的写法用户在对话中只需按形式[], 主题[]填空模型即可按要求创作现代诗、七言律诗或五言诗这正是分享中华硕校园合作案例中写一首诗实践的结构化版本。六、社区实践提示词的边界在哪里分享展示了 LangGPT 社区在提示工程方向上的三类代表性实践6.1 纯 Prompt 游戏社区实现了很多好玩的纯 Prompt 游戏例如猫总的人生重启模拟器项目、结合 DALL-E 3 等工具的规则怪谈游戏。AI 游戏很多但纯 Prompt 实现且兼顾趣味性的实践在全球范围内都处于前列。6.2 商业场景简历筛选助手通过提示词应用为企业提升招聘效能设计简历筛选助手帮助企业制订用人评分标准上传简历即可对候选人打分并给出评分依据评分后对候选人进行综合排序显著提高用人效率。分享指出商业化的提示词案例少有公开LangGPT 社区是少有的乐于开源此类贡献的社区更多案例可访问 LangGPT 知识库feishu.langgpt.ai。6.3 用提示词重塑研发工作流让大模型设计小模型社区还通过提示词实现了 AI 模型设计——让大模型来设计小模型接入 Python 代码环境后大模型可辅助 AI 模型的设计到部署全流程。分享展示了部分流程先进行环境检查再依据要求设计 AI 网络并测试最终生成部署所需文件将原来可能需要一天的任务压缩至半天解决。这一类实践与仓库中 src/SOMPromptingWithSAM.ipynb、src/ImagePromptingWithYOLOv10.ipynb 所探索的以提示方式驱动视觉模型思路同属一条主线提示词正在从文字生成扩展到模型设计与多模态调用。此外Prompts/ 目录下的 AI 分身系列如 巴菲特AI分身、马斯克AI分身、梵高AI分身、段永平AI分身也展示了用提示词复刻人物思维这一范式在角色建模上的延展。七、总结Prompt is All You Need结合社区探索与思考分享借用 Transformer 论文句式提出Prompt is All You Need。理由有三提示工程本质上是人机沟通的艺术。只要人类自己仍在学习如何高情商表达交流人机如何更好地交互这一命题就会持续存在从调用大模型能力到调用大模型生态能力的接口。现在已从调用单个大模型能力如 GPT转为调用多个大模型能力如 GPT DALL-E从调用 AI 模型能力转为调用 AI 工具的能力如 GPT 代码环境随着未来 Agents 生态进一步完善提示词将能调用以 LLM 为大脑的 Agents 生态。提示工程的天花板会随大模型能力进化与各种工具如 GPTs的接入被不断拉高——始于提示工程、终于提示工程或许是对大模型应用最好的答案唯一的局限在于我们对提示词的理解与实践是否足够深刻。八、给学习者的落地建议回顾整场分享可以提炼出三条可立即执行的行动路径建立广义 Prompt 认知把所有会被模型用于预测输出结果的内容都是 Prompt作为第一原则在每一轮对话中主动管理输入质量与输出格式用七条实践方法逐项打磨从清晰描述开始依次叠加角色扮演、示例、任务分解、格式、激励与语言选择在真实任务上做对照实验从模板出发、按需裁剪直接套用 LangGPT/templates 下的完整版或轻量版模板参考 examples 中的示例快速起步熟悉后再依据 Docs/HowToWritestructuredPrompts.md 的全局思维链原则增删模块形成自己的模板对复杂任务按 Docs/PromptChain.md 的方法做任务分解与多 Prompt 协同。最后分享以对 2023 年涌现的才华横溢的项目与热情似火的社区朋友们的感谢收尾并期待 2024 年大家继续热情满怀搞 AI。以下是大会现场的交流照片【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考