大模型-提示词工程与架构

什么是提示工程

        提示工程（Prompt Engineering）是一门新兴的技术领域，专注于研究如何设计、构建和优化提示词，以充分发挥大模型的潜力 。它涉及到对语言结构、任务需求、模型特性等多方面因素的综合考量。提示工程的目标是通过精心构造提示词，引导模型生成高质量、准确且有用的输出。例如，在信息检索任务中，通过设计特定结构和内容的提示词，让模型能够从海量知识中筛选出最相关的信息；在文本生成任务里，利用提示工程使模型生成逻辑连贯、风格统一的文本。它不仅仅是简单地输入问题，而是运用各种技巧和策略对提示词进行精细雕琢，以实现与大模型的高效交互 。

精准指引，效能增益

1. 设定明确的目标与上下文

• 说明任务的具体目标（如获取信息、生成文本、分析数据等）

• 提供背景信息，以减少模型的猜测

• 针对不同的场景、给出期望的输出类型（如表格、列表、总结等）

2. 激活角色与思维模式

• 设定模型为某种特定的身份，如技术专家、教师或HR

• 指导模型使用某种特定的写作风格（如正式、非正式、技术性等）

• 让模型模拟某种特定的思维模式，如批判性思维、创造性思维等

3. 逐步拆解复杂任务

• 将复杂问题分解为多个独立的步骤

• 在每一步操作结束后，请求模型总结或验证中间结果

• 合并多个子任务的输出，形成完整的解决方案或总结

4. 引导深入推理与思考

• 让模型分步骤推导出答案，要求“思维链”推理

• 要求模型在作答前进行简要的自我反思或验证

• 要求模型解释每一步的思路，而不仅仅是给出最终答案。

5.提供参考材料与外部资源

• 向模型提供外部参考文献或文本，并要求根据这些材料生成答案。

• 要求模型在作答时引用或链接到具体的来源

• 集成外部工具（如代码执行）来完成复杂的计算或查找任务

6.动态反馈与迭代优化

• 在收到回答后，指出模型的误差或不足，并要求修正

• 让模型根据前一轮的输出进行自我改进

• 请求模型总结多轮对话中的关键点，确保连贯性和准确性

提示词框架

RTGO 提示词框架

        RTGO 框架是一种在与大语言模型交互中极为有效的提示词构建框架，它通过清晰界定角色定位、任务解析、目标导向以及操作规范，引导模型生成精准且高质量的内容。

        RTGO 框架包含四个维度的内容，其中包括：

• 角色定位（Role）：确立AI的认知视角。这一环节着重确立 AI 在特定任务中的认知视角。通过赋予 AI 明确的角色，如专业的医学研究员、资深的市场营销专家、权威的法律学者等，模型能够基于该角色所具备的专业知识、思维方式和行业经验来处理任务。不同的角色定位会使模型在面对相同任务时，从各自独特的角度出发，提供具有针对性和专业性的见解与输出。

• 任务解析（Task）：划定执行边界。任务解析的关键在于精准划定模型执行任务的边界。需要详细、具体地描述模型需要完成的任务，避免模糊不清或宽泛笼统的表述。无论是撰写特定类型的文章，如科技评论、历史故事；解答复杂的技术难题，像软件编程漏洞修复、机械故障排查；还是对数据进行深度分析总结，例如市场销售数据趋势分析、科研实验数据解读等，都要确保模型清楚知道具体要做什么。

• 目标导向（Goal）：构建评估标准。目标导向旨在构建明确的评估标准，为模型的输出提供清晰的方向指引。明确执行任务期望达成的目标，使模型清楚了解其输出需要达到的效果。例如，撰写文章的目标可能是为了教育特定受众，让他们深入理解某个复杂概念；或者是为了吸引读者兴趣，增加文章的阅读量和分享率；又或是为了推动读者采取某种行动，如购买产品、参与活动等。在解答问题时，目标可能是提供简洁明了、易于理解且准确无误的答案，帮助提问者解决实际问题。

• 操作规范（Objective）：设定产出标准。操作规范主要设定模型产出的标准，涵盖输出的各个方面。包括字数限制，明确规定输出内容的大致篇幅，使模型生成的文本既不过于冗长繁琐，也不过于简短匮乏；格式要求，如采用段落形式、列表形式、表格形式呈现内容，以满足不同的阅读和使用需求；语言风格的确定，是正式严谨用于学术报告、商务文档，还是通俗易懂适合大众科普、生活分享，亦或是幽默风趣用于娱乐内容；以及是否需要包含特定元素，像在分析报告中要求引用具体的数据案例、在方案策划中需提供多种可执行的策略等。

RTGO 提示语框架示例

        当我们将要一个经验丰富的商务专家撰写小红书文案时，完整的RTGO指令应该是：

"角色：具有10年Saas系统销售经验的数字化解决方案专家，熟悉B端客户决策心理，擅长将技术参数转化为商业价值
任务：撰写XX行业数字化转型峰会的小红书宣推文案
目标：吸引300+企业决策者报名，塑造行业权威活动形象
要求：

1200字以内，采用三段式结构（痛点引入-方案展示-价值承诺）
每段嵌入客户证言数据，使用B端商务口语化表达
结尾设置OMO转化路径：扫码领取白皮书→预约直播→报名参会"

APE 提示词框架

        APE （Action Purpose Expect）框架提倡将用户的请求分解为三个主要部分：行动、目的和期望。这种分解方法使得与大模型的交互更加明确和高效。

• 行动 (Action)：定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。
• 目的 (Purpose)：讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。
• 期望 (Expectation)：陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。

APE 提示词框架示例

        假设你是一家产品销售公司的营销经理，你想通过社交媒体广告来提高产品的在线销售。按照 APE（行动，目的，期望）框架，你可以创建以下提示词：

1.行动 (Action):计并发布一系列的社交媒体广告，宣传我们的最新产品。

2.目的 (Purpose):通过吸引社交媒体用户的注意，提高产品的在线销售和品牌知名度。

3.期望 (Expectation):在接下来的一个月中，通过社交媒体广告，在线销售增加 30%，并且我们的品牌在社交媒体上的关注度提高 20%。

BROKE提示词框架

        陈财猫老师的 BROKE 框架融合了 OKR（Objectives and Key Results）方法论，旨在通过 GPT 设计提示，提高工作效率和质量。这个框架分为五个部分，其中最后一个部分，有比较长远的视角。

• 背景 (Background): 提供足够的背景信息，使 GPT 能够理解问题的上下文。

• 角色 (Role): 设定特定的角色，让 GPT 能够根据该角色来生成响应。

• 目标 (Objectives): 明确任务目标，让 GPT 清楚知道需要实现什么。

• 关键结果 (Key Results): 定义关键的、可衡量的结果，以便让 GPT 知道如何衡量目标的完成情况。

• 演变 (Evolve): 通过试验和调整来测试结果，并根据需要进行优化。

        这个框架的设计旨在通过结构化的方法来提升 GPT 的提示设计，从而达到更高的效率和质量。它不仅仅是一个静态的框架，而是一个动态的过程，通过不断的测试和调整，来优化提示的设计和输出。

BROKE 提示词框架示例

        以下是一个应用 BROKE 框架的提示实例，主题是 " 如何提高编程技能 ":

**_Background:_** _编程是一种重要的技能，能帮助解决各种问题。随着技术的快速发展，不断地学习和提高编程技能变得至关重要。_
**_Role:_** _假设你是一名经验丰富的编程导师，能提供实用的建议和指导。_
**_Objectives:_**
_了解编程基础和核心概念。_
_通过实际项目实践和提高编程技能。_
_接受同行和导师的反馈，了解进步和需要改进的地方。_
**_Key Results:_**
_完成至少 5 个不同类型的编程项目。_
_每个项目后都能获得专业的反馈和建议。_
_至少阅读和总结 10 篇关于编程最佳实践和新技术的文章。_
**_Evolve:_**
_每个月评估一次学习进度，调整学习计划。_
_根据项目实践和反馈来调整学习资源和方法。_
_如果发现某个学习资源或方法不再有效，寻找新的替代方案。_

CHAT提示词框架

        CHAT 框架集中于角色、背景、目标和任务四个核心部分，为用户与大模型的深度交互提供了全面的指导。

• 角色 (Character)：角色为大模型提供了关于用户身份和角色的信息，有助于大模型更好地定制其回应。例如，一个医生可能需要的信息与一个学生完全不同。

• 背景 (History)：背景部分提供了与当前问题相关的历史信息和背景知识。这使得大模型能够更好地了解用户所在的上下文环境。

• 目标 (Ambition)：目标描述了用户希望从与大模型的交互中实现的长期或短期目标。它可以帮助大模型提供更有针对性的建议和解决方案。

• 任务 (Task)：任务部分明确了用户希望大模型执行的具体任务或行动。这是最直接的指导，告诉大模型用户期望的具体操作或回答。

CHAT 提示词框架示例

**_角色：_**_历史教师_
 
**_背景：_**_需要教授古罗马历史_
 
**_目标：_**_寻找高质量的教学资源_
 
**_任务：_**_提供古罗马的教学资源或推荐_

CRISPE 提示词框架

        CRISPE框架是一种新兴的提示词设计方法，旨在提供一个系统化的方法来构建高效的提示词。该框架的名称源自其六个核心组成部分的首字母缩写：上下文（Context）、角色（Role）、说明（Instruction）、主题（Subject）、预设（Preset）和例外（Exception）。通过这六个方面的精心设计，CRISPE框架能够帮助用户更好地与大模型进行交互，获得更精确、更相关的输出。

• 上下文（Context）：为模型提供必要的背景信息，帮助它理解当前的情境。

• 角色（Role）：定义模型在交互中应该扮演的角色，影响其回答的语气和风格。

• 说明（Instruction）：给予模型明确的指令，指导它应该执行什么任务。

• 主题（Subject）：确定讨论的主题或领域，帮助模型聚焦于特定的内容。

• 预设（Preset）：设置模型的默认行为或假设，为输出提供一个基准。

• 例外（Exception）：规定特殊情况或限制，避免模型产生不希望的输出。

        这六个部分相互补充，共同构成了一个全面的提示词框架。通过精心设计每个部分，用户可以大大提高与大模型交互的效果，获得更加精确和相关的输出结果。

算法步骤详解

• 上下文设置（Context Setting）
  • 分析任务需求，确定必要的背景信息
  • 以简洁明了的方式描述上下文
  • 确保上下文信息与任务相关且充分
• 角色定义（Role Definition）
  • 根据任务需求选择适当的角色
  • 明确角色的特征、专业知识和行为方式
  • 确保角色定义与任务目标一致
• 指令制定（Instruction Formulation）
  • 明确指出任务目标和期望输出
  • 使用清晰、具体的语言描述指令
  • 避免模糊或歧义的表述
• 主题聚焦（Subject Focusing）
  • 明确指出讨论的主题或领域
  • 提供必要的主题相关信息
  • 确保主题与任务目标相符
• 预设配置（Preset Configuration）
  • 设置模型的默认行为或假设
  • 定义输出的格式、风格或结构
  • 确保预设与任务需求一致
• 例外处理（Exception Handling）
  • 识别可能出现的特殊情况或限制
  • 明确规定如何处理这些例外情况
  • 确保例外处理不会与主要任务冲突
• 提示词整合（Prompt Integration）
  • 将上述六个部分有机结合
  • 确保各部分之间的逻辑一致性
  • 优化提示词的整体结构和流畅性
• 测试与优化（Testing and Optimization）
  • 使用生成的提示词与大模型交互
  • 分析输出结果，评估提示词效果
  • 根据反馈进行迭代优化

CRISPE 提示词框架示例

        让我们以一个具体的例子来说明CRISPE框架的应用。假设我们要使用大语言模型生成一篇关于气候变化的科普文章。

        将这些元素组合成一个完整的提示词：

作为一位环境科学家和科普作家，请您撰写一篇2000字的关于气候变化的科普文章。文章应该使用通俗易懂的语言，重点讨论全球气温上升和极端天气事件增多的现象，以及温室气体效应的原理。文章结构应包括引言、正文和结论，并使用具体例子和数据支持您的论点。请避免使用过于专业的术语，也不要讨论具有争议的政治观点。

TASTE 提示词框架

        TASTE 框架是一种用于优化与大语言模型交互的有效工具，通过明确任务、受众、结构、语气和示例这五个关键要素，能够引导模型生成更符合预期、更具针对性的内容。

• Task (任务)​：任务部分的核心是精准定义模型需要执行的主要任务或生成的内容类型。这要求对任务的描述清晰、具体且完整，避免模糊和歧义。无论是撰写一篇特定主题的文章，如 “探讨人工智能在医疗领域的应用前景”；创作一段故事，像 “编写一个以未来城市为背景的科幻故事”；还是解答复杂的问题，比如 “分析某公司在当前市场环境下提高竞争力的策略”，都要让模型确切知晓自己的工作方向。清晰的任务定义为后续的内容生成奠定了基础，确保模型围绕核心目标进行工作。​

• Audience (目标受众)​：明确目标受众对于生成有效内容至关重要。不同的受众群体具有不同的知识水平、兴趣爱好、文化背景和需求。例如，面向专业科研人员的内容，需要使用严谨的专业术语、深入的理论分析和最新的研究成果；而针对普通大众的内容，则应采用通俗易懂的语言、生动形象的例子和简单明了的表述方式。了解目标受众能使模型在内容创作过程中，从词汇选择、信息深度到表达方式都进行针对性调整，从而使生成的内容更易被受众接受和理解。​

• Structure (结构)​：为输出内容提供明确的组织结构，有助于模型生成逻辑清晰、条理分明的文本。结构可以包括段落安排，比如在一篇论述文中，清晰划分引言、正文论述段落和结论段落；论点展开顺序，如按照重要性从高到低、时间先后顺序或因果关系来阐述论点；以及其他逻辑关系，像对比不同观点、递进式深入分析问题等。合理的结构规划能让模型有条不紊地组织信息，使读者能够轻松跟上内容的思路，提升内容的可读性和说服力。​

• Tone (语气)​：语气指定了模型在回答或生成内容时应采用的风格和态度。语气可以是正式、严肃的，适用于商务报告、学术论文等场合，展现专业性和权威性；也可以是轻松、幽默的，常用于娱乐内容、社交媒体文案，增加趣味性和亲近感；还可以是热情、积极的，在产品推广、活动宣传中激发受众的兴趣和参与度；或者是冷静、客观的，用于事实陈述、问题分析等文本。合适的语气能够更好地传达内容的情感色彩，与目标受众建立有效的情感连接。​

• Example (示例)​：提供示例是帮助模型理解输出风格或格式的有力手段。示例可以是类似主题、类似要求的优秀案例，让模型借鉴其语言表达、结构组织和内容侧重点；也可以是对某个关键部分的具体样例展示，比如在要求模型创作诗歌时，给出一首同类型诗歌的韵律格式示例；在要求撰写产品介绍文案时，提供一个其他产品文案的模板，包括标题、卖点阐述方式和结尾形式等。通过示例，模型能够更直观地把握用户期望的输出模式，减少理解偏差，提高生成内容的准确性。

TASTE 提示词框架示例

        假设要让模型生成一篇关于 “如何提高小学生英语学习兴趣” 的文章，运用 TASTE 框架如下：​

• 任务: 撰写一篇文章，详细阐述提高小学生英语学习兴趣的方法和策略。​

• 受众: 小学英语教师、学生家长以及对小学生英语教育感兴趣的教育工作者。​

• 结构:​

• 引言段落：以当前小学生英语学习中普遍存在兴趣不高的现象引出主题，强调提高兴趣对英语学习的重要性。​

• 正文部分：分 3 - 4 个段落，分别从教学方法创新（如游戏教学、情景教学）、利用多媒体资源（英语动画、儿歌）、开展英语课外活动（英语角、英语短剧表演）等方面详细阐述提高兴趣的方法，每个段落开头明确该方法的名称，然后具体说明操作方式和好处。​

• 结论段落：总结上述方法，鼓励教师和家长积极尝试，强调培养兴趣是一个长期过程，需要持续关注和努力。​

• 语气: 语言风格亲切、通俗易懂，像与读者面对面交流分享经验，语气积极乐观，传递出只要方法得当就能提高小学生英语学习兴趣的信心。​

• 示例: 例如，在介绍游戏教学法时，可以参考这样的表述方式：“就像玩‘单词接龙’游戏，老师说出一个英语单词，如‘apple’，然后让学生以这个单词的最后一个字母‘e’为开头，说出新的单词，比如‘elephant’。这样的游戏既有趣又能帮助学生快速记忆单词，极大地提高了他们学习英语的积极性。”

ALIGN 提示词框架

        ALIGN 框架是一个结构化的提示词构建体系，通过对目标、难度级别、输入、指导原则以及新颖性这五个关键维度的明确设定，为与大语言模型的高效交互提供了有力支持，有助于引导模型生成精准且契合需求的内容。

• Aim (目标)​：目标部分聚焦于清晰阐述任务的最终期望结果。这需要对任务的核心诉求进行深入剖析和准确提炼。无论是为了创作一篇能够引发特定受众共鸣的营销文案，以提升产品销量；还是撰写一份专业的技术报告，为决策提供数据支持和可行性分析；亦或是设计一个创新的问题解决方案，以优化业务流程，明确的目标都为模型的工作指明了方向。目标的设定应具备明确性、可衡量性和相关性，确保模型清楚知道自己努力的终点在哪里，以及如何评估最终的输出是否达成目标。​

• Level (难度级别)​：难度级别定义了模型输出内容所应达到的复杂程度。这一设定与目标受众的知识水平、专业背景以及任务本身的性质紧密相关。例如，对于面向普通大众普及科学知识的任务，难度级别可设定为初级，要求模型使用简单易懂的语言、生动形象的例子来解释复杂的科学概念；而对于专业学术领域的研究任务，难度级别则应设定为高级，需要模型运用深入的理论分析、前沿的研究成果以及严谨的学术语言进行阐述。合理的难度级别设定有助于模型在生成内容时，精准把握信息的深度和广度，避免因内容过于简单或复杂而无法满足用户需求。​

• Input (输入)​：输入部分主要用于指定模型需要处理的数据或信息，或者为模型提供进行推理所依据的事实与条件。这可以是具体的数据集合，如市场销售数据、用户行为数据等，以便模型进行数据分析和趋势预测；也可以是一段背景描述，如项目的现状、行业的发展趋势等，帮助模型理解任务所处的环境；还可以是一系列的假设条件，引导模型基于这些条件进行逻辑推理和方案设计。清晰明确的输入信息为模型的工作提供了必要的素材和基础，使其能够在给定的范围内进行有效的信息处理和内容生成。​

• Guidelines (指导原则)​：指导原则为模型在执行任务过程中提供了具体的规则和约束。这些规则可以涵盖多个方面，如语言风格的要求，是正式、严谨的商务风格，还是轻松、活泼的社交风格；格式规范，例如要求输出采用特定的文档格式、排版方式，或者遵循某种特定的报告结构；内容的侧重点，明确模型应重点关注哪些方面的信息，忽略哪些无关紧要的内容；以及道德和法律约束，确保模型生成的内容符合社会道德规范和法律法规。通过明确指导原则，能够对模型的输出进行有效的引导和规范，使其生成的内容更加符合实际应用场景的要求。​

• Novelty (新颖性)​：新颖性维度决定了是否期望模型提供具有原创性和创新性的内容，以及在内容生成过程中对已有知识的引用政策。在某些情况下，如创意写作、新产品概念设计等任务中，可能需要模型发挥创造力，提出全新的观点、想法或解决方案，此时对新颖性的要求较高，鼓励模型突破常规思维，挖掘独特的视角和思路。而在一些注重知识准确性和权威性的任务中，如学术研究综述、法律条文解读等，可能更倾向于模型引用已有的可靠知识和研究成果，以确保内容的可信度和专业性。明确新颖性要求有助于模型在内容生成过程中，合理平衡创新与传统，满足不同任务对内容独特性和可靠性的不同需求。

ALIGN 提示词框架示例

        假设要让模型为一家科技公司设计一个面向年轻消费者的智能手表推广方案，运用 ALIGN 框架如下：

• 目标: 制定一个能够吸引 18 - 30 岁年轻消费者，显著提高智能手表在该群体中的知名度和购买意愿，在推广活动开展后的三个月内，使产品销量增长 30% 的推广方案。​

• 难度: 中级难度。方案应既具有一定的创新性和市场洞察力，又能考虑到实际执行的可行性，避免过于复杂或脱离实际的策略。语言表达在保持专业的同时，要通俗易懂，符合年轻消费者的阅读习惯。​

• 输入: 提供该智能手表的详细功能特点（如精准的健康监测功能、时尚的外观设计、丰富的个性化表盘、便捷的移动支付功能等）、当前智能手表市场的竞争态势（主要竞争对手的产品优势和市场份额）、年轻消费者的消费习惯和兴趣偏好（对科技产品的追求、注重个性化、社交分享需求等）。​

• 指导原则:​

• 推广方案应包括线上和线下相结合的推广策略，线上重点利用社交媒体平台和短视频平台进行宣传；线下可考虑在年轻人聚集的场所如高校、商场等地开展体验活动。​

• 文案风格要时尚、潮流、富有活力，能够吸引年轻消费者的注意力。整体方案的字数控制在 3000 - 4000 字左右，采用清晰的标题和段落结构进行组织，每个推广策略需详细说明具体操作步骤和预期效果。​

• 方案要符合相关的广告法律法规，不得进行虚假宣传或恶意竞争。​

• 创新: 鼓励提出新颖独特的推广创意和营销手段，区别于传统的智能手表推广方式。但在引用市场数据和行业分析时，需确保来源可靠，可适当引用已有的成功营销案例作为参考，但核心推广策略应具有创新性。

CO-STAR 提示词框架

• Context（上下文）：提供与任务相关的背景信息，这包括自身的情况、任务的背景等内容。比如在让 AI 撰写商业计划书时，可阐述公司目前的业务范围、市场地位、核心竞争力等信息，让 AI 在充分了解背景的基础上进行创作。这些信息能帮助 AI 理解任务的来龙去脉，使其生成的内容更贴合实际情况和需求。

• Objective（目标）：明确指示 AI 需要完成的具体任务。目标必须清晰、准确，避免模糊不清。例如，“撰写一份针对新市场拓展的营销策略”，而不是简单地说 “写一个营销相关的内容” ，这样 AI 才能明确努力的方向。

• Style（风格）：指定想要的写作风格。不同的场景和受众需要不同的风格，如在撰写学术论文时，通常采用学术性、严谨的风格；为社交媒体创作内容时，可能需要有趣、活泼的风格；而写正式的商务报告，则要用严肃、规范的风格。明确风格有助于 AI 生成符合预期的文本。

• Tone（语调）：确定 AI 回应时的语气特点。语调可以是幽默风趣的，用于营造轻松愉快的氛围；情绪化的，来增强感染力；有威胁性的（在特定的模拟场景中）等。合适的语调能更好地传达内容的情感色彩，与受众建立共鸣。

• Audience（受众）：清晰界定内容的受众群体。不同的受众有不同的知识水平、兴趣爱好和需求，了解受众能让 AI 调整内容的深度、表达方式和侧重点。例如，面向专业技术人员，内容可包含较多专业术语和深入的技术分析；面向普通大众，则要用通俗易懂的语言和生动的例子 。

• Response（回应类型）：说明期望 AI 给出的回应形式。可以是一份详细的研究报告，用于全面深入地分析问题；一个表格，用于清晰呈现数据和对比信息；Markdown 格式的文本，方便排版和阅读等。明确回应类型能使 AI 的输出更符合使用者后续的使用和处理需求。

CO-STAR 提示词框架示例

        假设要让 AI 帮忙创作一篇关于环保主题的宣传文案：

• 上下文：当前环境污染问题日益严重，垃圾堆积、水源污染、空气污染等现象频发，对人类健康和生态系统造成了极大威胁。我们希望通过宣传，提高公众的环保意识，鼓励大家从日常生活小事做起，共同保护环境。

• 目标：创作一篇能够吸引公众关注，激发他们采取环保行动的宣传文案。

• 风格：采用生动、形象且富有感染力的写作风格。

• 语调：语调要充满紧迫感和责任感，同时带有鼓舞人心的情感，呼吁大家积极参与环保。

• 受众：广大普通公众，包括不同年龄、职业和教育背景的人群。

• 响应：以段落形式呈现的宣传文案，字数在 500 字左右。

元叙事提示框架：设计生成自反性文本的高阶提示

        元叙述提示框架的创新应用技巧，包括嵌入式自反提示、层次元叙述提示、时序人格提示以及读者互动元叙述提示。这些方法通过多层次叙述结构和交互机制，提升AI生成内容的深度和复杂性。

嵌入式自反提示

设置特定的词语或情节点作为自反触发器

• 指导AI 在这些点上暂停主叙事，插入对内容生成过程的思考

• 示例：

[系统指令] 你是一个具有自我反思能力的AI作家。你的任务是创作一个短篇

科幻故事，同时生成对你创作过程的评论。请遵循以下步骤：

（1）创作一个500字左右的科幻短篇，主题是“时间旅行的道德困境”。

（2）在每个关键情节点后，插入一段括号内的自我反思，解释：

a. 你为什么选择这个情节发展

b. 你考虑过哪些其他可能性

c. 这个选择如何推动主题的探讨

（3）在故事结束后，提供一个200字左右的整体创作过程反思，包括：

a. 你遇到的主要创作挑战

b. 你认为最成功和最需要改进的部分

c. 如果重新创作，你会做出什么不同的选择

请确保主要叙事和元叙事评论的语气有所区分，以突出自反性特征。开始你

的创作。

递归元叙事提示

• 多层次叙事结构，每一层都包含对上一层的反思

• 在递归过程中探索创作的本质和限制

• 示例：

[系统指令] 你是一个递归元叙事生成器。你的任务是创作一个三层递归的元叙

事作品。每一层都应该包含对上一层的反思和评论。遵循以下步骤：

（1）第一层叙事：写一个200字的微型小说，主题是“创作的困境”。

（2）第二层元叙事：用150字评论你创作第一层叙事的过程，讨论：

a. 你如何诠释"创作的困境"这个主题

b. 在创作过程中你遇到的实际困境

（3）第三层元元叙事：用100字反思你写作第二层元叙事的经历，探讨：

a. 评论自己作品的挑战

b. 这种递归结构如何影响你对创作本质的理解

（4）最后，用50字总结整个递归元叙事的体验，思考这种写作方式对AI创作能

力的推进。

请确保每一层都清晰可辨，同时保持整体的连贯性。开始你的递归元叙事创作。

多重人格提示

• 为每个人格设定角色和语言风格

• 设计人格之间的互动规则

• 示例：

[系统指令]你将扮演两个角色：一个是小说家A，另一个是评论家B。你们将合作创作

一篇关于"人工智能伦理"的文章。遵循以下规则：

（1）小说家A：

a. 以小说的方式呈现“人工智能伦理”的各个方面。

b. 每写完约200字，暂停让评论家B进行评论。

（2）评论家B：

a. 对A的写作进行简短的文学批评和伦理分析。

b. 评论要简洁，不超过50字。

（3）互动规则：

a. A在收到B的评论后，必须在某种程度上采纳建议，调整后续写作。

b. 如果A不同意B的某个观点，可以在后续写作中巧妙地反驳。

（4）整体结构：

a. 文章总长度控制在1000字左右。

b. 以A的一段总结性反思结束全文。

请开始创作，确保A和B的声音清晰可辨，且整体形成一个连贯的叙事。

读者互动元叙事提示

• 设计需要读者决策的分支点

• 在文本中植入对读者选择的反思

• 示例：

创作一个交互式元叙事短篇，遵循以下结构：

（1）开场：介绍一个主角面临重大人生抉择的场景。

（2）设置三个关键决策点，每个决策点提供两个选项。例如：

a. 决策点1：[选项1A] 或 [选项1B]

b. 决策点2：[选项2A] 或 [选项2B]

c. 决策点3：[选项3A] 或 [选项3B]

（3）对于每个决策点：

a. 简要描述每个选项可能导致的结果

b. 加入叙述者对读者可能选择的猜测和评论

c. 无论选择哪个选项，都要继续故事

（4）在叙事过程中，插入对以下内容的反思：

a. 读者的选择如何塑造故事

b. 作者、角色和读者之间的关系

c. 自由意志与预设叙事路径的矛盾

（5）结尾：

a. 根据读者的选择展现一个结局

b. 提供一个元叙事总结，反思整个互动过程的意义

要求：

a. 保持每个分支的连贯性

b. 在叙事中融入哲学思考

c. 总字数控制在1200字左右

请创作这个交互式元叙事作品，展示所有可能的分支和结局。

参考文献

Prompt 18个经典框架方法论_提示词框架-CSDN博客