任务描述：任务背景要描述清楚，一个清晰明了的指令是成功的关键。
背景描述：输出结果很大程度上取决于你给出的背景信息，尤其是在多轮对话中，举例法在提示词中也很常见，论文中叫做one-shotlearning（一次性学习）,few-shot learning（少样本学习）或in-context learning(上下文学习)。
输入格式:任务的输入信息;在提示词中明确的标识出输入。
输出格式:输出的格式描述，以便后继模块自动解析模型的输出结果
总结：要给Ai打交道提示词要清晰明确，有输入、输出、背景描述以及角色定义。
2.原理解析
1.为什么要定义角色？
大模型训练的时候并没有要求角色的定义，是chatGPT3.5出来以后大家通过总结发现，定义角色比不定义角色效果好，这个一传十十传百就传播开来了，以至于现在训练大模型的数据（复合数据）已经大量开始使用角色定义后的数据，这对对于定义角色就更有效果了。
有论文显示，开头和结尾的提示词更容易被大模型捕捉到也就更有效果。
结论：大模型对开头和结尾的提示词权重更高。因此定义角色可以一下子将回答问题的范围收窄，更利于精准分析问题。
2.提供一个小案例进行练手
名称 | 招生计划 | 录取成绩 | 包括哪些社区 |
A片区 | 150 | 375 | A社区、B社区、C村庄 |
B片区 | 200 | 360 | D社区、E社区、F村庄 |
C片区 | 181 | 388 | G社区、H社区 |
D片区 | 322 | 330 | A社区、C社区、E社区、H社区 |
根据家长咨询回答正确的咨询信息。
先对内容进行拆解
用户语音输入提出问题，大模型对输入进行理解，基于理解的一些关键信息生成策略，然后转化为自然语言，再输出为语音给用户。
总结如下：
1.将用户语音变为可以理解的结构化语言 ASR->NLU
2.从结构化语句转变成策略 DST->Policy
3.从策略转化成自然语言 Policy -> NLG
