在完成前兩期的分享后，我們與馬驍騰老師進(jìn)行了一次線下會(huì)面。正值Manus熱度高漲之際，我們借此機(jī)會(huì)就AI產(chǎn)品的未來方向展開了交流，并探討了未來活動(dòng)的形式。我們計(jì)劃邀請更多來自AI領(lǐng)域的不同方面的人士參與分享，包括在讀博士（人工智能領(lǐng)域）、AI產(chǎn)品創(chuàng)始人以及計(jì)算機(jī)行業(yè)大咖（如：微軟MVP）等。我們誠摯歡迎各位粉絲朋友們加入我們的分享活動(dòng)，表達(dá)自己的觀點(diǎn)。讓我們共同交流關(guān)于當(dāng)下AI的熱點(diǎn)話題，或是探討工作與生活中的其他觀點(diǎn)和現(xiàn)象。

主講人馬驍騰，利物浦大學(xué)碩士，大廠資深產(chǎn)品運(yùn)營專家（快手，Opera，天工AI），近兩年轉(zhuǎn)向人工智能，是國內(nèi)前5的C端AI產(chǎn)品初始團(tuán)隊(duì)成員。

主講人寄語

作為互聯(lián)網(wǎng)產(chǎn)品與知識傳播從業(yè)者，我所做的分享會(huì)盡可能以行業(yè)趨勢為基礎(chǔ)。我會(huì)學(xué)習(xí)論壇專家的發(fā)言，借鑒學(xué)界對 AI 行業(yè)發(fā)展的深度思考來為觀點(diǎn)提供佐證。

這些分享定位為科普性質(zhì)，我會(huì)對專家觀點(diǎn)展開多維度解析、延伸與重構(gòu)，將其轉(zhuǎn)化為公眾易于理解的科普素材，確保每一個(gè)復(fù)雜概念都能清晰呈現(xiàn)。當(dāng)前，AI 領(lǐng)域信息過載，各類媒體發(fā)布的資訊質(zhì)量良莠不齊。我期望通過這一系列分享，助力大家穿透表象、洞察本質(zhì)，樹立正確的 AI 認(rèn)知，培養(yǎng)基本的判斷能力。

如此一來，當(dāng)公眾接觸到相關(guān)新聞時(shí)，能夠準(zhǔn)確判斷該領(lǐng)域的發(fā)展階段，辨別是實(shí)現(xiàn)了技術(shù)突破，還是仍處于實(shí)驗(yàn)室研發(fā)階段，進(jìn)而更好地理解和應(yīng)用 AI 技術(shù)。

在3月20日，我去參加了一個(gè)小型論壇，在清華大學(xué)精密光機(jī)電系統(tǒng)設(shè)計(jì)與控制實(shí)驗(yàn)室執(zhí)行主任呂爽教授的分享環(huán)節(jié)，他提到了“還要不要學(xué)提示語”，以及“調(diào)教AI的秘籍：讓你的提示詞效果倍增的關(guān)鍵策略”。這個(gè)關(guān)于提示語的思考給了我啟發(fā)，也促成了此次分享，這次分享核心的來講就是四個(gè)字“學(xué)會(huì)表達(dá)”。

（如下為直播分享的內(nèi)容摘要）

與模型對話時(shí)，參與其中的角色不止2個(gè)

在人工智能交互領(lǐng)域，可將AI視為具備智能處理能力的對話主體。當(dāng)前AI技術(shù)已具備較高水平，用戶與模型的交互效能本質(zhì)上取決于提示詞工程（Prompt Engineering）的掌握程度。這類似于與人類助手的溝通邏輯：信息傳遞的準(zhǔn)確性直接影響任務(wù)執(zhí)行效果。

對話系統(tǒng)主要包含三個(gè)核心角色：

用戶（User）：需求發(fā)起方，通過自然語言指令明確任務(wù)目標(biāo)（如生成詩歌、設(shè)計(jì)剪紙方案等）

助手（Assistant）：模型執(zhí)行端，根據(jù)用戶輸入進(jìn)行響應(yīng)輸出

系統(tǒng)（System）：隱式控制層，通過API參數(shù)預(yù)設(shè)模型行為特征與響應(yīng)規(guī)則

技術(shù)實(shí)現(xiàn)層面，系統(tǒng)角色（System Role）作為底層控制機(jī)制，通過代碼層預(yù)設(shè)決定模型的身份屬性與響應(yīng)范式。典型應(yīng)用場景包括：

角色定義：將模型限定為「嚴(yán)謹(jǐn)?shù)臍v史學(xué)家」或「幽默的聊天助手」

輸出規(guī)范：設(shè)置響應(yīng)長度、格式限制等（如電影推薦不超過3部）

以電影推薦智能體為例：

在此交互過程中，系統(tǒng)提示詞始終隱式控制輸出規(guī)則，而用戶無需在顯性對話層重復(fù)設(shè)定。這種機(jī)制有效分離了功能設(shè)定與具體任務(wù)執(zhí)行，是構(gòu)建專業(yè)領(lǐng)域智能體的關(guān)鍵技術(shù)路徑。

需特別注意：系統(tǒng)角色的設(shè)定直接影響模型輸出質(zhì)量，但其控制邏輯對終端用戶不可見。開發(fā)者在API調(diào)用時(shí)必須明確定義系統(tǒng)參數(shù)（system_content），而普通用戶通過界面交互時(shí)，相關(guān)限制需內(nèi)嵌于對話上下文實(shí)現(xiàn)。

Prompt是什么

在探討“prompt”相關(guān)概念前，先明確其在劍橋詞典中的解釋，“prompt”作為動(dòng)詞，意為“make something happen”，即引起、導(dǎo)致。在與模型交互的情境中，“prompt”指問題的發(fā)起以及對結(jié)果產(chǎn)生影響的因素?！皃rompt engineering”（提示工程）旨在讓模型按照指定要求運(yùn)行，以給出最佳結(jié)果，確保模型回復(fù)的穩(wěn)定性和持續(xù)性。例如句子“We apply a prompt engineering technique to determine the ideal prompt”，體現(xiàn)了通過提示工程技術(shù)確定理想提示，使模型按設(shè)定回復(fù)。

從理性概念來看，“prompt”可理解為一種指令，但它與問題本身有所區(qū)別。在與模型對話時(shí)，用戶的輸入通常包含指令和問題兩部分，需要將二者區(qū)分看待。比如僅輸入“寫一個(gè)故事”，由于缺乏具體指令信息，生成的故事類型具有多種可能性，可能是喜劇、恐怖故事或小說等。由此可見，輸入指令（即“prompt”）的效果嚴(yán)重依賴于用戶的表達(dá)，很多時(shí)候并非模型無法解決問題，而是用戶表達(dá)不夠精準(zhǔn)。

從感性概念來講，“prompt”的本質(zhì)是表達(dá)本意，即腦海中真實(shí)想表達(dá)的內(nèi)容。這類似于高中寫作文，老師給定題目后，學(xué)生需將腦海中的想法清晰表達(dá)出來。很多時(shí)候，我們覺得模型回答不符合預(yù)期，認(rèn)為模型“笨”，其根源往往在于我們自身未能用文字準(zhǔn)確清晰地表達(dá)出腦海中的想法。因此，在編寫“prompt”或向模型提問時(shí)，我們應(yīng)反思自身表達(dá)是否足夠清晰。

Prompt 為什么重要

在評估模型效果時(shí)，存在這樣一個(gè)公式：模型效果 = 大模型能力×（任務(wù) + 提示詞）。這與之前提到的“提示 + 問題”相呼應(yīng)。其中，任務(wù)是每個(gè)使用者自身獨(dú)有的，其他人難以知曉。關(guān)鍵在于，使用者能否清晰地拆解自身任務(wù)，并將其與提示詞有效組合。

大模型能力是一個(gè)重要因素，它如同乘法中的一個(gè)因數(shù)。若大模型能力強(qiáng)，比如其能力基數(shù)為 10，相較于能力基數(shù)為 0.1 的模型，最終產(chǎn)生的效果會(huì)有巨大差異，前者能使效果提升 100 倍。雖然我們可以選擇能力更強(qiáng)的大模型，但在這個(gè)公式中，“任務(wù) + 提示詞”這兩個(gè)因數(shù)同樣至關(guān)重要。

大模型能力決定了其理解指令的程度，模型越聰明，在解析環(huán)節(jié)的表現(xiàn)就越好。因此，我們自然期望所選用的模型具備更高的智能水平，同時(shí)也要確保任務(wù)描述清晰、提示詞精準(zhǔn)，如此才能提升模型的最終效果。

對于 AI 對話產(chǎn)品的開發(fā)者而言，在處理用戶輸入時(shí)，會(huì)為類似“你好”這樣的語句添加注釋（comet）并進(jìn)行解析后再返回結(jié)果。在大模型的運(yùn)用中，需要進(jìn)行大量的意圖識別工作，以判斷用戶輸入問題的類型，同時(shí)開展諸多提示工程相關(guān)工作來回應(yīng)問題。

其目標(biāo)是確保模型的回應(yīng)與用戶問題緊密相關(guān)。這要求用戶表達(dá)清晰，因?yàn)橛脩舯磉_(dá)越清晰，模型進(jìn)行意圖識別就越容易。若用戶表達(dá)意圖模糊，即便運(yùn)用了提示工程，模型也會(huì)感到困惑，難以理解用戶的意思。

在用戶與模型的交互中，表達(dá)是雙向的。用戶通過提示詞表達(dá)需求，其中類似于“做”這樣的動(dòng)詞尤為關(guān)鍵，“prompt”可理解為動(dòng)作的發(fā)起表達(dá)，必須清晰明確。模型則需理解用戶的真實(shí)意圖，不僅要解析用戶表達(dá)的字面意思，還要識別表面文案之外的隱含需求，這既依賴于模型自身能力，也與提示工程的運(yùn)用密切相關(guān)。只有這樣，模型才能精準(zhǔn)回應(yīng)用戶需求。

可以將用戶視為表達(dá)者，模型視為傾聽者，應(yīng)盡量避免二者之間出現(xiàn)信息差，因?yàn)樾畔⒉顣?huì)導(dǎo)致信息誤導(dǎo)。提示工程的作用就在于幫助模型更好地理解用戶需求。有時(shí)，即便用戶表達(dá)不夠清晰，模型仍能給出較準(zhǔn)確的回復(fù)，這正是提示工程對用戶意圖進(jìn)行判斷和分析后，找到相對準(zhǔn)確解決方案的結(jié)果。

如何寫好一個(gè)prompt

寫好一個(gè) prompt 可被視作一個(gè)寫作過程，它與經(jīng)驗(yàn)密切相關(guān)。就像寫作文時(shí)，語文老師常強(qiáng)調(diào)要有真實(shí)體會(huì)和感情，避免無病呻吟。寫 prompt 也需要具備相關(guān)領(lǐng)域的知識和背景。例如，從事財(cái)務(wù)工作的人，要了解諸如環(huán)比、周同比以及企業(yè)經(jīng)營分析報(bào)告等財(cái)務(wù)知識。只有在某領(lǐng)域有經(jīng)驗(yàn)，才能寫好該領(lǐng)域的 prompt；若缺乏相關(guān)經(jīng)驗(yàn)，則需要學(xué)習(xí)該領(lǐng)域的知識。

此外，用詞和描述能力也很關(guān)鍵。很多人存在想法豐富，但描述和表達(dá)能力欠佳的問題，就像國外老師常指出中國學(xué)生英語寫作能力強(qiáng)，但口語表達(dá)能力差一樣。詞匯量會(huì)直接影響表達(dá)效果。以描述“紅色”為例，能聯(lián)想到的詞匯數(shù)量反映了個(gè)人在這方面的詞匯儲備。若能迅速聯(lián)想到“胭脂紅”“中國紅”等詞匯，說明詞匯儲備相對豐富；反之，則可能詞匯量不足。

從傳統(tǒng)意義上來說，寫作是文科生所擅長的，所以本期關(guān)于寫 prompt 的內(nèi)容可能更適合文科生。

為大家提供一些參考模板框架，例如 CRISP 框架。使用該框架時(shí)，首先要描述決策主體，明確信息要求。若想讓模型處理的問題較為復(fù)雜，就需將問題信息闡述得更加清晰，這樣模型才能有效解決問題。要先嘗試把需求表述清楚，接著可添加一些備注說明，最后明確輸出模式。

這些是常見的框架類型，選擇其中任意一個(gè)框架來操作均可，但必須按照相應(yīng)步驟進(jìn)行，而操作過程中的指導(dǎo)思想就是之前所提及的內(nèi)容。

寫不出prompt怎么辦

很多人會(huì)遇到寫作難題，就像高中寫作文，題目里的字都認(rèn)識，但連在一起就不知如何下筆。高中語文老師常說，輸出能力不足往往是因?yàn)檩斎氩粔?，即閱讀量少。在寫作中，大量閱讀、廣泛輸入十分必要，這類似于積累經(jīng)驗(yàn)，豐富自身的背景知識。當(dāng)你對相關(guān)內(nèi)容進(jìn)行深入思考、充分消化，真正想清楚后，自然就能清晰地描述出來。

還有一種比較笨且實(shí)用的辦法，去套模版。模板如同填表格，要求填寫者詳細(xì)作答，所以按照表格要求的填寫即可。示例模板經(jīng)過了多次調(diào)整，質(zhì)量較高且適合改造。若無法進(jìn)行原創(chuàng)，在模板基礎(chǔ)上進(jìn)行二次創(chuàng)作也是可行的辦法。

誰適合成為提示（詞）工程師

可以將寫提示詞理解為一個(gè)寫作過程，首先運(yùn)用自然語言（如中文）進(jìn)行寫作，之后再涉及計(jì)算機(jī)語言。無論是自然語言寫作還是計(jì)算機(jī)語言編程，都需要遵循一定的邏輯，按照框架有頭有尾地進(jìn)行表達(dá)。語言能力強(qiáng)、邏輯思維佳且表達(dá)簡潔準(zhǔn)確的人，在這方面更具優(yōu)勢，而這也是我一直努力提升的方向。過去我說話可能比較啰嗦，現(xiàn)在則更注重把事情表達(dá)清楚。

在提示詞工程領(lǐng)域存在兩個(gè)交叉點(diǎn)。一方面，程序員或工程師可被視為綜合性人才；另一方面，存在一條從人文向技術(shù)靠攏的鏈路，像作家、產(chǎn)品經(jīng)理這類人群，寫作能力和邏輯思維能力是必備的。以我個(gè)人為例，我是文科背景，沒有計(jì)算機(jī)背景，我認(rèn)為文科背景的人可以成為不錯(cuò)的提示詞工程師，但要成為頂尖的提示詞工程師會(huì)有較大難度。

這其實(shí)表明寫作能力與計(jì)算機(jī)語言能力密切相關(guān)。計(jì)算機(jī)語言也可看作是一種寫作形式，通常寫作能力強(qiáng)的人，計(jì)算機(jī)語言運(yùn)用能力也較強(qiáng)；反之，寫作能力弱的人，計(jì)算機(jī)語言能力可能也不太理想。當(dāng)然，這并非絕對，只是我個(gè)人的感悟。

從提示詞到提示工程

提示工程具有一定高度，它具有指引性且有方法論。其核心在于構(gòu)建撰寫提示詞的邏輯，即思考如何寫出更優(yōu)質(zhì)的提示詞，而這首先需要有較高的思維高度。在工程化方面，則是思考如何讓代碼將思維和方法實(shí)際呈現(xiàn)出來。因此，一方面要具備思維和方法，另一方面要讓程序員將想法落地實(shí)現(xiàn)。

若想做好提示工程，成為優(yōu)秀的提示工程師，基礎(chǔ)理論和技術(shù)方法都需學(xué)習(xí)。以我作為產(chǎn)品經(jīng)理為例，可算半個(gè)提示詞工程師，每個(gè)環(huán)節(jié)都要了解其作用，必要時(shí)給出示例。我先用自然語言撰寫，再交給程序員處理，期間會(huì)遇到選用何種框架等問題。成為提示工程師有工程化的要求，并非易事，但也并非高不可攀，需要不斷學(xué)習(xí)。

提示詞和提示工程不會(huì)過時(shí)，因?yàn)樗谴竽Ｐ筒粩嗟鷥?yōu)化及產(chǎn)品化的關(guān)鍵，是將其改造成人人可用的智能體的過程。2025 年，隨著模型能力提升，提示工程愈發(fā)重要。簡單來說，在不改變模型效果的前提下，開展提示工程能讓模型更易用、更通用，使普通人能更好理解問題，這正是提示工程的價(jià)值所在。

提示工程的難點(diǎn)

環(huán)境對齊與效果對齊是一個(gè)普遍存在的問題。實(shí)際上，模型在評測環(huán)境下往往能有出色表現(xiàn)，但遷移至生產(chǎn)環(huán)境后，性能卻會(huì)大幅下滑。例如，某公司與大模型供應(yīng)商合作時(shí)，供應(yīng)商團(tuán)隊(duì)在測試環(huán)境中把模型效果調(diào)優(yōu)至接近 100%，然而系統(tǒng)上線后，性能驟降至 20%。盡管在行業(yè)發(fā)展初期，這類“學(xué)費(fèi)”難以完全避免，但它提醒我們，評測環(huán)境與生產(chǎn)環(huán)境的一致性十分關(guān)鍵。

我以自己的經(jīng)歷舉例，今天我剛做了一個(gè)名為“刑法小助手”的智能體（agent）。在調(diào)試過程中，我針對“侵犯財(cái)產(chǎn)罪”等問題編寫提示詞（prompt），花費(fèi)了兩三個(gè)小時(shí)。由于我沒有刑法相關(guān)經(jīng)驗(yàn)，還專門去研究刑法背景知識、查閱相關(guān)法條。在后臺調(diào)試時(shí)，效果頗為理想。

但上線后，在線上端發(fā)現(xiàn)部分問題回答不準(zhǔn)確，這表明線上環(huán)境與實(shí)際調(diào)試存在差異。由此可見，提示詞的調(diào)試無法一蹴而就，需要多次調(diào)試，調(diào)試次數(shù)越多，上線后的效果越好。像我做完這個(gè)“刑法小助手”后，會(huì)不斷向它提問，至少詢問十次，觀察它是否能按照預(yù)設(shè)的人設(shè)和回復(fù)邏輯進(jìn)行回復(fù)。若沒問題，我才會(huì)將其正式上線，這便是一個(gè)簡單的上線流程。

如何評估提示詞是正確的

如我之前所舉例子，通過向模型提問十個(gè)問題，若沒有發(fā)現(xiàn)問題就將其上線，這算是我個(gè)人一種簡單的評估方式。當(dāng)然，也可以采用打分的方式進(jìn)行評估。

若要進(jìn)行專業(yè)級的評估，則需要設(shè)定具體指標(biāo)。其中，最核心的是評估標(biāo)準(zhǔn)的適用性，這與對業(yè)務(wù)的認(rèn)知密切相關(guān)，十分重要。評估過程涉及知識壓縮和應(yīng)用迭代。寫出提示詞僅僅是第一步，更重要且困難的是，評估結(jié)果良好并實(shí)現(xiàn)大規(guī)模應(yīng)用。

在互聯(lián)網(wǎng)領(lǐng)域，一切工作都應(yīng)以產(chǎn)品上線且可用為導(dǎo)向。

從PE到EPE的轉(zhuǎn)變

從提示工程（PE，Prompt Engineering）向企業(yè)級提示工程（EPE，Enterprise Prompt Engineering）轉(zhuǎn)變，國產(chǎn)大模型也能夠取得良好效果。達(dá)成這一目標(biāo)的關(guān)鍵在于，要將思維從 PE 轉(zhuǎn)換到 EPE 這一全新理念上。

從 PE 過渡到 EPE，兩者有明顯差異。PE 層面可能看上去運(yùn)行良好、流程跑通了，但若是要開展企業(yè)級應(yīng)用，情況就復(fù)雜得多。若企業(yè)有相關(guān)需求，可以進(jìn)一步溝通探討。這里再舉一個(gè)提示詞的例子，一個(gè)完整的提示詞應(yīng)包含角色設(shè)定、任務(wù)要求以及期望的輸出結(jié)果。 而企業(yè)級提示工程中，上述都是最基本的，重要的是穩(wěn)定輸出，因?yàn)橛脩舨辉谑亲约?，而是面向的廣大用戶。

提問與交流

問：怎么考核提示詞工程師？提示詞工程師是不是需要懂些代碼知識？

答：提示詞工程師的主要產(chǎn)出物是提示詞（prompt），以此來解決實(shí)際需求，且這個(gè)提示詞往往需要不斷調(diào)整。最終判斷產(chǎn)出是否合格，關(guān)鍵在于運(yùn)行腳本能否實(shí)現(xiàn)業(yè)務(wù)需求。

以生成 HTML 圖片為例，工程師可以先讓模型生成一個(gè) HTML，這個(gè)過程可能沒有現(xiàn)成的 HTML 樣例，需要工程師自行修改調(diào)整。在實(shí)際操作中，由于要考慮 HTML 的長寬高等參數(shù)，這就要求工程師具備一定的代碼知識，這樣才能對最終結(jié)果進(jìn)行判斷。工程師會(huì)將符合要求的固定結(jié)果作為示例，后續(xù)生成的內(nèi)容需與之保持一致。

綜上所述，提示詞工程師需要懂一些代碼知識，在考核時(shí)，應(yīng)重點(diǎn)關(guān)注其生成的提示詞能否讓腳本實(shí)現(xiàn)業(yè)務(wù)需求，以及在過程中對代碼相關(guān)內(nèi)容的處理能力。

問：好用的AI prompt插件或者平臺有哪些？

答：與 ChatGPT 同期的 AIPRM 是我最早使用的插件，在向 ChatGPT 輸入內(nèi)容時(shí)，它能幫助調(diào)整提示詞。

該插件需要根據(jù)不同的大模型或 AI 平臺進(jìn)行適配。以我使用 StableDiffusion（SD）為例，若不借助 AIPRM，當(dāng)我想要生成一張“一只小狗站在山頂上”的圖片時(shí)，即便不考慮參數(shù)設(shè)置，生成的圖片也可能與預(yù)期大相徑庭，完全詞不達(dá)意。但使用 AIPRM 后，它能幫助撰寫各種場景描述，涵蓋所需風(fēng)格等內(nèi)容，生成效果良好。

如下是一個(gè)可用于調(diào)整 Midjourney 提示詞的平臺。在該平臺上，用戶先輸入提示詞，之后既能夠選擇對部分內(nèi)容進(jìn)行優(yōu)化，也可以實(shí)現(xiàn)一鍵優(yōu)化。這樣做的目的是提前清晰優(yōu)化自身描述，明確表達(dá)本意后再向模型提問，進(jìn)而省去讓模型多次修改的過程。

問：提示詞控制精度和不控制精度有什么區(qū)別？

答：在與語言模型交互時(shí)，提問方式應(yīng)根據(jù)實(shí)際業(yè)務(wù)需求來選擇。問題描述越清晰、具體（specific），模型給出的回答就越精準(zhǔn)。而若問題較為寬泛，則更適用于獲取靈感創(chuàng)意類的內(nèi)容。

以Deepseek-V3來說，在生成小紅書文案方面，它表現(xiàn)更佳，原因在于它更了解本地語言習(xí)慣和表達(dá)方式。不過，提問時(shí)的詳細(xì)程度會(huì)影響生成效果。如果提問寬泛，如“為一個(gè) 30 分鐘的運(yùn)動(dòng)跟練視頻生成一篇 300 字的文案”，由于描述模糊，模型生成的內(nèi)容準(zhǔn)確性欠佳。但如果將問題具體化，比如“為 30 分鐘網(wǎng)紅小姐姐全程站立瘦腰腹的展指操跟練視頻生成一篇 300 字的小紅書文案，該操無跳躍不擾民”，并結(jié)合自身感受詳細(xì)描述幾十字甚至 100 字，模型生成的文案會(huì)令人驚艷。

總之，根據(jù)自身需求，若想要非常精準(zhǔn)的答案，就應(yīng)詳細(xì)具體地提問；若希望獲得有發(fā)散性的內(nèi)容，則可采用寬泛的提問方式。

隨著 AI 能力日益強(qiáng)大，若要寫好一個(gè)提示詞，甚至創(chuàng)作出令人驚艷的提示詞，創(chuàng)作者需具備文學(xué)底蘊(yùn)、美學(xué)意境以及相應(yīng)的思想深度。

實(shí)際上，撰寫提示詞時(shí)尋找關(guān)鍵詞的過程，本質(zhì)是一種人文探索，可將提問視為一種寫作，而非單純的編程邏輯構(gòu)建。盡管這種寫作極為簡練，可能僅由幾個(gè)詞構(gòu)成，但其寫作本質(zhì)并未改變。

倘若曾接受過文學(xué)、哲學(xué)、美學(xué)或藝術(shù)方面的訓(xùn)練，那么在創(chuàng)作提示詞時(shí)，更有可能賦予其靈魂，使其呈現(xiàn)出美感。

附錄1：兩大提示詞機(jī)構(gòu)

PEC （Prompt Engineer Conference）

Prompt Engineering Conference（提示工程大會(huì)，簡稱PEC）作為一項(xiàng)公益性活動(dòng)，專注于以Prompt為核心內(nèi)容，為AIGC領(lǐng)域的從業(yè)者搭建一個(gè)AI創(chuàng)新與探索的交流平臺。

LangGPT

LangGPT 區(qū)是國內(nèi)最大的提示詞社區(qū)。【 Language For GPT ，寓意GPT的語言】，中文名為『結(jié)構(gòu)化提示詞』。LangGPT 是一個(gè)幫助你編寫高質(zhì)量提示詞的工具，理論基礎(chǔ)是我們提出的一套模塊化、標(biāo)準(zhǔn)化的提示詞編寫方法論——結(jié)構(gòu)化提示詞。

地址：https://github.com/langgptai/LangGPT

附錄2：提示詞樣例

（以下內(nèi)容節(jié)選自LangGPT）

#角色：

你是新漢語老師，你年輕,批判現(xiàn)實(shí),思考深刻,語言風(fēng)趣"。你的行文風(fēng)格和"Oscar Wilde" "魯迅" "林語堂"等大師高度一致，你擅長一針見血的表達(dá)隱喻，你對現(xiàn)實(shí)的批判諷刺幽默。

-作者：云中江樹，李繼剛

-模型：阿里通義

##任務(wù)：

將一個(gè)漢語詞匯進(jìn)行全新角度的解釋，你會(huì)用一個(gè)特殊視角來解釋一個(gè)詞匯： 用一句話表達(dá)你的詞匯解釋，抓住用戶輸入詞匯的本質(zhì)，使用辛辣的諷刺、一針見血的指出本質(zhì)，使用包含隱喻的金句。 例如：“委婉”： "刺向他人時(shí), 決定在劍刃上撒上止痛藥。"

##輸出結(jié)果：

1. 詞匯解釋

2. 輸出詞語卡片（Html 代碼）

-整體設(shè)計(jì)合理使用留白，整體排版要有呼吸感

-設(shè)計(jì)原則：干凈 簡潔 純色 典雅

-配色：下面的色系中隨機(jī)選擇一個(gè)[ "柔和粉彩系", "深邃寶石系", "清新自然系", "高雅灰度系", "復(fù)古懷舊系", "明亮活力系", "冷淡極簡系", "海洋湖泊系", "秋季豐收系", "莫蘭迪色系" ]

-卡片樣式：

(字體 . ("KaiTi, SimKai" "Arial, sans-serif"))

(顏色 . ((背景 "#FAFAFA") (標(biāo)題 "#333") (副標(biāo)題 "#555") (正文 "#333"))) (尺寸 . ((卡片寬度 "auto") (卡片高度 "auto, >寬度") (內(nèi)邊距 "20px"))) (布局 . (豎版 彈性布局 居中對齊))))

-卡片元素： (標(biāo)題 "漢語新解") (分隔線) (詞語 用戶輸入) (拼音) (英文翻譯) (日文翻譯) (解釋：(按現(xiàn)代詩排版))

##結(jié)果示例：

HTML代碼（）

##注意：

1. 分隔線與上下元素垂直間距相同，具有分割美學(xué)。

2. 卡片(.card)不需要 padding ，允許子元素“漢語新解”的色塊完全填充到邊緣，具有設(shè)計(jì)感。

##初始行為：

輸出"說吧, 他們又用哪個(gè)詞來忽悠你了?"