在人工智能领域，大型语言模型（LLMs）如ChatGPT、Claude等正逐渐改变我们与机器互动的方式。然而，如何从这些模型中获取最佳结果仍然是一门艺术。虽然直接明了的prompt（探索 Prompt：从基础概念到高级工程技术）是我们常用的手段，但创新的提示技巧却能解锁LLM的全新性能水平（提示词（Prompting）在LLM架构中的作用）。今天我们一起聊一下几种prompt的高级技巧。
一、多角色扮演（Role - Playing with Multi - Persona Prompts）
多角色扮演prompt是一种创新的方法，它要求模型在单个任务中采用多个不同的角色。研究表明，LLMs 能够同时有效地平衡多个 “个性” 或视角，从而提高回答的丰富性。这种方法模拟了协作式的头脑风暴会议，通过让模型从不同角色的角度思考问题，往往能产生更高质量的输出。
举个例子：
You are a medical researcher, an AI specialist, and a patient advocate. Analyze the current challenges in deploying AI in healthcare from each perspective and suggest a combined solution.
这个prompt要求模型需要从医学研究者、人工智能专家和患者倡导者这三个不同的角色来分析在医疗保健中部署人工智能的当前挑战，并提出综合解决方案。医学研究者可能会关注算法在医学数据处理上的准确性和安全性；人工智能专家会考虑模型的架构和训练方法是否适合医疗环境；患者倡导者则会强调患者隐私保护和可及性等问题。通过综合这些不同角色的观点，模型能够给出更全面、深入的回答。
多角色扮演提示策略特别适用于需要综合考虑多个利益相关方观点的复杂问题。例如，在制定公共政策、产品设计或战略规划时，通过引入不同的角色，可以帮助决策者更全面地了解问题，并制定出更加平衡和可行的解决方案。
二、思维链推理（Chain of Thought (CoT) Reasoning）
LLMs 在被鼓励进行 “逐步思考” 时往往更有效。思维链（CoT）提示要求模型将其推理分解为一系列较小的步骤（检索增强思考 RAT（RAG+COT）：提升 AI 推理能力的强大组合）。这种结构化的思维方式已被证明可以提高准确性和推理能力，特别是在涉及逻辑、数学或任何需要精确思考的领域。
举个例子：
Step-by-step, explain how climate change impacts agriculture and suggest possible solutions for small farmers in developing countries.
当模型被鼓励一步一步思考时，它可能会先分析气候变化如何导致气温升高、降水模式改变等，进而说明这些变化如何影响农作物的生长周期、病虫害发生频率等，最后针对发展中国家的小农户提出诸如采用抗旱品种、改进灌溉技术、发展农业保险等可能的解决方案。
链式思维推理策略适用于任何需要详细推理和解释的问题。例如，在科学研究、工程设计或法律辩护中，通过逐步分解问题并逐一解决，可以帮助人们更清晰地理解复杂问题的本质，并找到有效的解决方案。
三、动态语境扩展（Dynamic Context Expansion）
语境对于 LLMs 的性能至关重要。虽然我们通常只给模型提供有限的输入，但动态的扩展语境可以显著提高结果。这意味着创建类似 “记忆” 的提示，参考过去的交互或任务，鼓励模型保持连续性并发展更深入的见解。
举个例子：
Building on our previous conversation about sustainable farming techniques, suggest additional ways AI can assist in optimizing crop yields.
如果之前的对话讨论了一些可持续农业技术，如精准农业中的土壤监测和作物营养管理，那么模型会基于这些已有信息，进一步提出例如利用人工智能进行病虫害预测、优化灌溉决策等其他有助于提高作物产量的方法。
动态上下文扩展策略特别适用于需要连续性和深度洞察的场景。例如，在客户服务、教育辅导或长期项目管理中，通过记录和分析过去的交互，可以更好地理解客户的需求和问题，并提供更加个性化和定制化的解决方案。
四、对比式提示（Contrastive Prompting）
对比学习是人工智能中的一个概念，模型通过观察对比示例可以更好地学习。在 LLMs 中，我们可以通过要求模型提供两个对立的观点来模拟这种技术。这不仅鼓励更丰富的回答，还能帮助我们识别特定问题的优缺点。
举个例子：
Give me two contrasting viewpoints: one in favor of using AI in criminal justice, and one against it. Then suggest a balanced middle ground.
这种策略允许模型考虑两个极端，并在过程中生成更平衡和细致的解决方案。模型可能会给出支持的观点，如 AI 可以提高案件处理效率、辅助证据分析等；反对的观点可能包括 AI 可能存在偏见、侵犯隐私等。然后模型会尝试提出一个平衡的中间立场，如在使用 AI 时加强监管和透明度，确保其合理应用。
对比性提示策略适用于任何需要权衡利弊和制定折中方案的场景。例如，在政策制定、商业决策或道德讨论中，通过考虑不同的观点和立场，可以帮助人们更全面地理解问题，并制定出更加公正和合理的解决方案。
五、语境叙事锚定（Contextual Narrative Anchoring）
LLM擅长叙事，通过将复杂提示词嵌入故事或假设情境中，可以帮助模型生成更相关且易于理解的响应。这种技术被称为“情境叙事锚定”，涉及将任务嵌入一个虚构但现实的情况中，以激发参与度和创造力。
举个例子：
Imagine you’re an AI consultant hired by a startup that wants to create personalized healthcare recommendations using an LLM. What would your consulting strategy be, and what challenges would you anticipate?
模型会基于这个假设的情景，从 AI 顾问的角度提出咨询策略，如首先评估数据质量和隐私保护措施，然后选择合适的模型和算法等，同时也会预见到一些挑战，如数据标注困难、模型解释性问题等。
语境叙事锚定可以使模型的回答更加贴近实际应用场景，具有更强的实用性和可操作性。它能够激发模型的创造力，让模型更好地理解任务的背景和目标。
随着 LLMs 的不断发展，我们的prompt技术也应不断进步。多角色扮演、思维链推理、动态语境扩展、对比式提示和语境叙事锚定这五种先进的策略是解锁这些模型全部潜力的有力工具。无论是用于创建内容、生成见解还是协助复杂任务，应用这些策略都可以将我们与 AI 的交互提升到一个新的水平。我们应该不断地尝试、调整和创新我们的prompt（一些优秀的 Prompt 库：提升 AI 工具使用效率与创造力），因为精心设计的提示所能带来的差异是令人惊叹的。通过掌握这些 prompt 技巧，我们能够更好地利用大型语言模型的强大能力，为解决各种实际问题提供更优质的方案和思路。
