当我们看到下面这些界面：
这些你输入的，你设置的位置的信息，实际上都是Prompt。
那么，到底什么是Prompt？
请记住我这句话：Prompt是我们唯一可以和LLM打交道的方式。
在应用技术层，无论我们做了多么炫酷的设计，最终都是为了找到合适传递给LLM的Prompt。
比如：
为了让LLM在我们公司的专业的业务领域不要胡说，我们需要将专业的参考资料加入到Prompt；
为了让LLM在回答相关数字的时候不要胡说，我们需要将最新的数据加入到Prompt；
为了让LLM分析问题时尽量全面，我们需要将问题的思考角度加入到Prompt；
为了让LLM处理Excel时能找到准确的数据，我们需要将Excel的表头加入到Prompt;
为了让LLM能替你总结调研报告，我们需要将各项调研结果加入到Prompt;
……
为了让LLM能替我写出更多场景，我们需要将以上样例加入到Prompt;
但是，Prompt可以容纳的字数是有限的。所以，应用层的其他技术，就是在想尽办法，在对的时间，将对的内容，加入到Prompt，才能够让整个语言模型更好的工作。
在大多数语言工具中，Prompt会被分为两类：
System prompt：通常用于提供全局的任务指令或限制条件，告诉模型如何理解和生成响应。
User prompt：通常是用户直接提供的问题或请求，系统会在特定回合中将它视为生成响应的核心输入。
如下图，只有User prompt的输入位置，没有System prompt的位置
比如下面这张图，就是既有system prompt，又有user prompt的输入：
虽然这些页面，会将prompt当做两个参数，但是对于LLM来说，实际上他们就是一个prompt.
1、 预处理的代码会将system prompt和user prompt拼接在一起，system prompt在前，user prompt在后。
2、当system prompt + user prompt的长度超出了模型的上下文窗口宽度时，预处理代码会优先截取user prompt，而让system prompt完整保留。
还有另外几种分类方式：
1、按照Prompt中的内容结构进行分类：参考资料、样例、指令
将参考资料、样例放在Prompt中，就叫做In-Context-Learning（基于上下文的学习），主要依靠LLM的能力，理解Pompt中的内容，但是需要较长的K窗口宽度。
目前主流模型的K窗口宽度（context window size） 32k – 200k之间。即最高20万tokens，然后1个汉字可能对应着1个token，也有可能是2个token,甚至对应3个token。下面可以看看20万tokens大概对应的内容，可以心里有个概念：
2、按照Prompt中的样例数量进行分类：Zero-Shot、One-Shot、Few-Shot
Zero-Shot就是一个样例都不给，One-Shot就是给一个样例，Few-Shot就是给多个样例，比如我们之前说的“让LLM能替我写出更多场景”就是Few-Shot的。
场景：妈妈在给小孩挑游戏机做礼物，正在比较Switch和PS5
用户：感觉价格方面，Switch性价比高，PS5要贵不少吧？
店员：……
针对问题，利用大模型进行打分，然后根据打分情况，判断样例数不同的满意回答的直观情况。
我们的打分也可以借助LLM来进行，通常来说，不同的大模型之间用来为对方打分回事最直观的，评分标准可以如下：
3、按照Prompt的任务类型进行分类：问答型、检索型、生成型、翻译型、分类型、排序型、摘要型、解释型、逻辑型、格式整理型等。
就比如内容解释型的，就是我们给一大段的如公司规章制度作为prompt，然后LLM基于我们给定的内容去回答，在公司规章制度之外，我们为回答的更精准做的限制越多，回答的就会越精准。
更多的类型，可以看下图：
4、按照Prompt指令模块进行分类：身份设定、背景设定、目标设定、输入示例、输出格式设定、输入-输出示例、限制条件等
就比如，我们做的一个Agent或者智能体，做的是一个垂直领域的内容，那么我们就可以在prompt中去做一定的限制条件，在垂直领域之外的问题，我们就不做回答，不需要LLM自行去解答一些非必要问题。
讲了这么多，可能会比较散，但是我相信大家能够对Prompt有一个大致的了解，还是开头那句话，Prompt是我们唯一可以和LLM打交道的方式。也希望大家能够记住这句话，这样我们在使用这些大模型或者智能体的时候，不至于南辕北辙哈！
