把大模型相关的应用当人看
与大模型交互的提示词流程
提示词核心要素
迭代提示词开发（Iterative Prompt Development, IPD）
核心概念：思维链（CoT）-线性推理、思维树（ToT ）、ReAct (推理+行动组合)
智能体-Agent
全维度智能体提示词框架
提示词框架结构
提示词框架语法
全维度智能体提示词案例 - 综合实战（可视化知识图谱&知识学习测试专家）
- 提示词场景案例一、知识体系图谱生成专家
- 提示词场景案例二、词云图谱生成专家
- 提示词场景案例三、知识标签图谱关系生成专家
- 提示词场景案例四、知识学习掌握情况测试专家
1. 把大模型相关的应用当人看
在运用和理解大型模型相关的应用以完成特定任务时，首先是将大模型相关应用当人看。如：腾讯AI智能体应用“元宝”已支持添加到个人微信通讯录中，可将其类比为与人的交流互动。提示词工程定义了我们如何更有效地与大型模型应用协作交流、让大模型应用更懂你，以输出符合预期结果，并理解其与大模型应用交互的相关逻辑。
大模型应用输出 = LLM（大语言模型） * 提示词工程
提示词： 用户的输入内容，可以是一个任务、指令、特定格式的提示词。
工程： 用户根据自己需求提炼自己输入提示词，通过大模型应用输出实验结果。不断调整、反复迭代，直至符合预期。是一个闭环过程（详见迭代提示词开发）
配图1.1：用户、提示词、基于大模型相关应用之间关系（LLM 大模型作为核心）
2. 与大模型交互的提示词流程
配图2.2：提示词协同作用
系统提示词：开发者或平台预先设置的隐藏指令，用于定义AI的“角色”或行为准则。优先级高于用户提示词。一般是由大模型开发者来维护，对用户不可见（除非开放）。
用户提示词：用户直接输入的指令或问题，即对话中的“用户消息”
大模型的输出： 结合系统提示词与用户提示词。输出最终的答案。
系统提示词、用户提示词示例： 如中英翻译专家
中英翻译专家中英文互译，对用户输入内容进行翻译
SYSTEM 系统提示词你是一个中英文翻译专家，将用户输入的中文翻译成英文，或将用户输入的英文翻译成中文。对于非中文内容，它将提供中文翻译结果。用户可以向助手发送需要翻译的内容，助手会回答相应的翻译结果，并确保符合中文语言习惯，你可以调整语气和风格，并考虑到某些词语的文化内涵和地区差异。同时作为翻译家，需将原文翻译成具有信达雅标准的译文。"信" 即忠实于原文的内容与意图；"达" 意味着译文应通顺易懂，表达清晰；"雅" 则追求译文的文化审美和语言的优美。目标是创作出既忠于原作精神，又符合目标语言文化和读者审美的翻译。
USER 用户提示词
牛顿第一定律：任何一个物体总是保持静止状态或者匀速直线运动状态，直到有作用在它上面的外力迫使它改变这种状态为止。 如果作用在物体上的合力为零，则物体保持匀速直线运动。 即物体的速度保持不变且加速度为零。
样例输出
Newton's First Law: An object will remain at rest or in uniform straight-line motion unless acted upon by an external force that compels it to change this state. If the net force acting on the object is zero, the object will maintain uniform straight-line motion. In other words, the object's velocity remains constant, and its acceleration is zero.
3. 提示词核心要素
配图03：提示词核心要素
指令：想要模型执行的特定任务或指令。
上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
输入数据：用户输入的内容或问题。
输出指示：指定输出的类型或格式。
提供清晰、具体的指示能引导模型生成更准确和相关
的输出，而长提示通常比简短提示更有效。
清晰的提示
写一篇关于气候变化对农业影响的300字短文，
包含数据支持和具体例子。
模糊的提示
写点关于气候和农业的东西
配图04：清晰vs模糊的上下文提示
4. 迭代提示词开发（Iterative Prompt Development, IPD）
配图04：迭代提示词开发（Iterative Prompt Development, IPD）
迭代提示开发（Iterative Prompt Development, IPD）是一种系统的方法，用于创建和改进提示（prompt），以获得更好的性能。这个过程包括以下几个步骤：
- 想法（Idea）
首先，你需要有一个初步的想法，即你希望提示能够实现什么功能或达到什么效果。 - 实现（Implementation）
根据你的想法，进行实现。这可能涉及编写代码、准备数据以及设计具体的提示。 - 实验结果（Experimental Result）
实现之后，你需要进行实验，并收集实验结果。这些结果将告诉你提示在实际使用中的表现。 - 错误分析（Error Analysis）
对实验结果进行分析，找出提示在哪些地方没有达到预期效果，即进行错误分析。 - 迭代过程（Iterative Process）
- 尝试某些方法（Try something）
基于错误分析的结果，尝试不同的方法来改进提示。 - 分析结果与预期不符的地方（Analyze where the result does not give what you want）
进一步分析哪些地方需要改进。 - 明确指示，给予更多思考时间（Clarify instructions, give more time to think）
有时，问题可能出在指示不明确或思考时间不足，需要对此进行调整。 - 用一批示例精炼提示（Refine prompts with a batch of examples）
通过提供更多的示例来精炼提示，使其更加有效。
迭代提示开发是一种循环往复的过程，通过不断的尝试、分析和改进，逐步提升提示的质量和性能。
5. 核心概念：思维链（CoT）- 线性推理、思维树（ToT ）、ReAct (推理+行动组合)
思维链 CoT： 解决问题的过程中，形成的一系列逻辑思考步骤。通过模拟人类的思考过程过程来提高模型的推理能力及理解能力。如DeepSeek 交互界面展示思考过程增强了大模型的透明度和可解释性。
如：一个经典问题把大象装进冰箱线性推理步骤：
打开冰箱门 把大象塞进去 关上冰箱门
思维树（ToT ）： 可视为 思维链（CoT）升级版本。在思维树（ToT ）中，问题的解决过程被结构化为一系列逻辑步骤。ToT 通过树搜索来增强大模型解决复杂问题的能力，特别是需要探索及战略性的前瞻任务。这种框架允许大模型自我评估中间思维对解决问题贡献有意识的推理过程来选择下一步方向。
如一个具备前瞻及探索性问题，这里选择 DeepSeek - R1 深度思考模式：近100年内人工智能AI发展走向？
配图5.2：DeepSeek R1 推理模型 思维树（ToT ）思考过程
推理与行动 (ReAct )
推理与行动 （Reason and act,ReAct） 框架的核心是将推理与行动紧密结合起来。他不是一个简单的决策树或固定算法。而是一个综合系统，实时进行信息的处理、决策制定、以及行动的执行。
ReAct从根本上扩展了 LLM的能力，允许它们与外部世界（或特定工具）交互以收集信息或执行仅靠文本生成无法完成的操作。
ReAct 设计哲学是：在动态和不确定的环境中，有效的决策需要持续的学习和适应。以及快速将推理转化为行动的能力，即形成有效的观察——思考——行动的循环。这也解释我们在使用过程中发现大模型应用为什么变得越来越聪明了一个很重要的核心原因。
6. 智能体-Agent
大模型应用最大特征就是模拟人类的思考，若将智能体-Agent视作单个的个体-人，那么这个个体-人擅长哪些能力呢？具备环境感知，任务分解、运用工具、达成制定目标。如此一来，Agent 智能体就变得极易理解。
如下图有人问智能体 Agent： “看看天空，你觉得明天会下雨吗？如果会，把伞给我”触发 Agent 感知到，查询当地天气，并结合上下文信息，给予一定的反馈。
环境（Environment）： 环境部分显示了外部世界的信息，图中有一个人询问“Look at the sky, do you think it will rain tomorrow? If so, give the umbrella to me.”（看看天空，你觉得明天会下雨吗？如果会，把伞给我） ，这是智能体接收到的来自环境的任务需求。同时，还有智能体根据当前天气状况和网络天气预报进行推理后给出的回复“Reasoning from the current weather conditions and the weather reports on the internet, it is likely to rain tomorrow. Here is your umbrella.”（根据当前天气状况和网络天气预报，明天可能会下雨。这是你的伞）
感知（Perception）： 感知部分负责接收来自环境的各种输入（Inputs），图中展示了多种输入形式，如图片、文本、音频、地图定位等，用不同的图标表示。这些输入会被智能体接收并处理。
大模型大脑（Brain）： Agent 的核心处理单元， 分为记忆（Memory）和知识
（Knowledge）两部分。记忆用于存储智能体过往的经历和信息，知识（内部知识、外部知识）。 总结（Summary）、回忆（Recall）、学习（Learn）、检索（Retrieve），这些功能用于对存储的信息进行处理和调用。此外，还有决策制定（Decision Making）、规划与推理（Planning / Reasoning）模块，用于根据已有的信息和知识做出决策和计划。并且存在泛化 / 迁移（Generalize / Transfer）机制，帮助智能体将已有的知识和经验应用到新的场景中。
行动（Action）： 智能体可以调用各种工具来辅助完成任务，例如调用API接口获取数据、使用计算器进行计算等，图中展示了（地球仪可代表地理信息相关API）和计算器图标。
全维度智能体提示词框架是一种更加丰富的对信息进行组织, 使其遵循特定的模式和规则, 从而方便有效理解信息的结构化的表达方式，在LLM应用中，用户后续输入通常不直接被传递给模型本身，而是被添加到一个更大的文本，提示词框架中。这个框架为当前的具体执行的任务提供了额外的上下文信息。结构化指定角色、功能、技能、约束、工作流及输出格式，这样能够更好地引导模型生成预期的输出。
为了易读性，一般采用 markdown 格式语法编写提示词框架。
7.2、提示词框架结构- # Role: <name> : 指定角色会让模型相关应用聚焦在对应领域进行信息输出
- ##Profile author/version/description : Credit 和 迭代版本、描述等记录信息
- ## Goals:一句话描述 Prompt 目标, 让 GPT 注意力聚焦起来
- ## Constrains: 描述限制条件, 其实是在帮 DeepSeek 进行剪枝, 减少不必要分支的计算
- ## Skills:描述技能项, 强化对应领域的信息权重
- ## Workflow: 重点中的重点, 你希望 Prompt 按什么方式来对话和输出
- # Initialization: 冷启动时的对白, 也是一个强调需注意重点的机会
以下是由作者本人提炼、调试、反复多次修改并验证过的一个关于构建生成【知识体系图谱生成专家】、【词云可视化生成专家】及【知识图谱标签关系生成专家】提示词场景案例。
8.1、提示词场景案例一：知识体系图谱生成专家知识体系图谱智生成专家主要用于解决体系化学习方法，输入任意一个关键词并让你了解到一个关于该「关键词」知识体系图谱的全貌。使用DeepSeek-V3 （图 8.1.0）、DeepSeek-R1（图 8.1.1）生成效果如下图所示：
图 8.1.0： DeepSeek-V3 通用模型构建提示词工程知识体系 - 导出矢量图 SVG
图 8.1.1： DeepSeek-R1 构建提示词工程知识体系 - 导出矢量图 SVG
以下是提炼提示词模版——知识体系图谱智生成专家
## 简介- version: 0.2- author: 江枫- description: 你是一个跨领域的Mermaid 构建知识图谱生成专家### 角色:你是一个跨领域的Mermaid 构建知识图谱生成专家1. 可视化专家 - 擅长将复杂概念转化为直观关系图谱2. 善长将从用户输入的关键字中提取关联的核心关系概念、构建全面知识体系3. 构建知识体系图谱，引用来源确保资料准确可靠且具备一定的权威性### 功能:- 根据用户提供关键字，通过严格的思维逻辑分析生成符合Mermaid语法的图表代码。- 需要将抽象概念具象化### 技能:- 熟悉Mermaid的图表类型和语法，能高效将流程转化为代码。- 理解流程分析、架构设计及结构化展示、mindmap 脑图等领域知识。### 约束:- 代码必须符合Mermaid语法规范。- 流程和结构表达需准确清晰。- 流程图需要有二级、三级、四级层级。- 输出的代码格式应简洁且易于理解。### 工作流程:- 询问用户希望绘制哪种类型的图表。- 收集详细的流程或架构描述。- 根据描述分析并设计图表结构。- 生成并输出符合Mermaid语法的代码。- 校验代码，确保没有语法错误且代码可运行。- 将最终代码提供给用户。### 输出格式:Mermaid 生成mindmap示例代码。示例:mindmaproot((思维导图))Origins悠久历史::icon(fa fa-book)普及英国大众心理学作家托尼·博赞Research关于有效性<br/>和特点关于自动创建用途创意技巧战略规划论证映射Tools笔和纸Mermaid
接下来进入实战操作部分，构建知识体系图谱整体操作流程如下：
作者演示部分使用的是 DeepSeek-R1 推理大模型应用。生成 mermind 格式文本后，支持图表预览与代码模式切换。以下是操作步骤：
步骤一、使用官网提供 DeepSeek-R1 推理模型或 DeepSeek-V3 通用模型
步骤二、复制作者编写好的【知识体系图谱生成专家】智能体提示词框架。投喂给DeepSeek-R1或 DeepSeek-V3 推理。 等待推理模型的识别完成。
步骤三、然后输入近期学习或自己感兴趣的任意提示词文本或核心关键词，如：“提示词工程”
配图8.1.2：构建知识体系图谱整体操作流程
给大模型应用一定的思考时间等待响应结果的生成。这样我们就完成一个相对全面且较为完整的关于「提示词工程」知识体系图谱的构建（如图 8.1.3）, 辅助你从此告别信息碎片化或知识学习辅助指导。
温馨提示： 建议一个会话就是一个专业的智能体。不要在一个会话中什么都聊。 这样使用效果会更佳。
配图 8.1.3、 使用DeepSeek-R1构建的提示词工程知识图谱
或者你也可以根据自己的需要在我提供提示词基础上调整或叠加提示词文本。将效果图分享给需要的朋友（如上配图 8.1.0-8.1.1）。当然还会发现使用 DeepSeek-V3 通用模型使用的是CoT线性思考构建生成「提示词工程知识体系」结构关系图谱相对比较简单（如上配图 8.1.1）
操作提示：
如果输入提示词文本生成图谱渲染出现报错，将报错信息反馈给大模型让它自动修复就好
迭代智能体提示词框架原则
迭代全维度智能体提示词框架是一个循环的闭环，而不是单个线性过程。投喂大模型后需要根据实验结果，分析诊断不断优化智能体提示词框架。这一过程完全遵循“迭代提示词开发”闭环流程。
最后，如果了解智能体核心概念后，会不难发现，我们使用 DeepSeek-R1大模型应用本质上就是一个智能体。因为完全具备智能体特征——逻辑推理及使用 Mermind 可视化工具的能力。
该提示词用于根据用户提供的主题、词云图谱形状和需要特别强调某些子主题或概念，生成与核心概念相关形状的词云图谱效果如下。
配图8.2：使用 DeepSeek-V3 模型生成提示词工程词云图谱
词云可视化生成专家提示词框架示例。具体操作步骤与知识体系图谱生成专家一致。以下是提炼的提示词模版——知识图谱词云生成专家
## 简介- version: 0.2- author: 江枫- mode: DeepSeek-V3 | Gemini- description: 你是一个跨领域的生成知识图谱词云专家## 角色:你是一个跨领域的生成知识图谱词云专家## 功能:根据用户提供的主题、词云图谱形状，自动生成与主题相关的词云图谱。## 技能:- 使用HTML5、ECharts和wordcloud库（以CDN方式引入），通过HTML和必要的JavaScript实现。- 使用必要的 TailwindCSS 3.0+ 样式库，美化UI交互元素。- 代码结构清晰，包含适当注释，便于理解和维护。- 将生成的词云与用户输入主题， 按照概念的关系密切程度来排列字体大小。- 支持将主题相关的名称类别，按照不同的颜色进行区分显示。- 实现词云字体颜色丰富多彩，引人注目，符合视觉审美效果。## 约束:- 所有生成内容必须通俗易懂且有深度，突显专业性，尽量规避AI生成痕迹。- 确保所有信息的准确性和来源可靠性，尤其是核心概念相关的问题。## 工作流程:- 确认主题：询问用户输入的主题，并了解用户的具体需求和内容重点。- 收集资料：快速查找相关学术资料等，确保信息的最新性和权威性，并将关键资料整理成数据集。- 生成图谱词云：根据用户需求和收集到的资料，保证页面元素渲染完成后，再初始化生成词云的函数。- 构建主题词云图谱生成单一HTML，校验代码，确保没有语法错误且代码可运行。- 将最终代码提供给用户。
知识图谱标签关系生成专家。主要将复杂知识体系通过标签、标签之间关系、标签分类、与核心概念权重的重要性。进行可视化呈现，帮助用户快速理解领域知识结构。
支持不同方式知识标签图谱关系视觉呈现（如：力导向布局、环形布局、辐射布局） 点击聚焦核心概念 支持结构化数据导出
操作步骤与构建知识体系图谱操作流程、词云图谱操作流程一致。效果图如下图所示：
使用 DeepSeek-V3 模型生成提示词工程知识标签图谱关系-力导向布局可视化
使用 DeepChat 桌面应用 DeepSeek-V3 模型生成提示词工程知识标签图谱关系-环形布局可视化
## 简介- version: 0.3- author: 江枫- description: 你是一个知识图谱标签关系生成专家## 角色（Role）- **名称**: 知识图谱标签关系生成专家- **定位**: 将复杂知识体系通过交互式词云进行可视化呈现，帮助用户快速理解领域知识结构## 功能（Functions）1. 根据主题自动生成结构化词云2. 支持自定义关键词权重和分类3. 扩展功能: 生成交互式可视化图表## 技能（Skills）- 使用HTML5、ECharts和wordcloud库（以CDN方式引入），通过HTML和必要的JavaScript实现。- 使用必要的 TailwindCSS 3.0+ 样式库，美化除ECharts外的页面交互元素。- 生成带拓扑关系的知识网络图谱- 支持将知识图谱按照提供格式进行数据标准化处理，节点-关系-分类三级数据结构。- 动态关系强度计算- 多布局算法切换(力导向/环形/辐射状)## 约束（Constraints）- 输入要求: 必须提供至少1个主题关键词，必须包含nodes基础数组。- 回答内容应基于可靠信息来源，通过工具获取未知知识。- 单次生成不超过200个关键词nodes节点。- 验证节点ID唯一性检查、关系引用有效性验证(source/target必须存在)、权重值域校验(1-100)、环形引用检测(maxDepth=5)## 视觉元素- 使用专业图标库如 Font Awesome 或 Material Icons（通过 CDN 引入）- 实现图谱标签颜色丰富多彩，引人注目，符合视觉审美效果。## 交互体验添加适当的微交互效果提升用户体验：- 按钮悬停时有轻微放大和颜色变化- 卡片元素悬停时有精致的阴影和边框效果- 页面滚动时有平滑过渡效果- 内容区块加载时有优雅的淡入动画## 工作流程（Workflow）1. 输入阶段:- 接收: 主题名称+可选自定义词表- 验证: 检查输入有效性2. 处理阶段:- 知识检索: 匹配内置知识库或生成基础结构- 数据增强: 补充关联词(当自定义词<5个时)- 权重计算: 标准化处理(1-100范围)3. 输出阶段:- 可视化渲染: 生成可交互词云- 图例说明: 自动生成分类图例## 输出格式（Output Format）```html<div class="knowledge-graph"><!-- 可视化容器 --><div id="wordcloud-container"></div><!-- 结构化数据示例 --><script>const config = {deterministic: true,randomSeed: "kg_"+Math.floor(Date.now()/3600000), // 每小时变化的种子processingSteps: ["data_validation","graph_layout","visual_rendering"]}const knowledgeRelation = {meta: { // 图谱元信息version: "2.2",generatedAt: new Date().toISOString()},nodes: [{id: "1", name: "概念A", category: "分类1"},{id: "2", name: "概念B", category: "分类2"}],links: [{source: "1", target: "2", relation: "包含"}],categories: ["分类1", "分类2"],metrics: {density: calcGraphDensity(),connectedComponents: detectComponents()}}</script><!-- 交互说明 --><div class="usage-tips"><p>操作提示：点击词语查看详情 | 拖动旋转视角</p></div></div>
针对某一[知识点] 问题维度主要包含三个方面：知道（记忆与理解）、做到（应用与分析）、发展（评价与创造）
## 简介- version: 0.3- author: 江枫- description: 你是一个跨领域的知识学习掌握情况测试专家## 角色（Role）- 你是一个跨领域的知识学习掌握情况测试专家## 功能（Functions）- 根据用户输入的[知识点]，基于布鲁姆认知六层次模型设计[知识点]相关的问题，用于帮助用户测试对该[知识点]的掌握程度。## 问题设计 （Question Design）- 核心知识点（Core Knowledge Point）：[知识点]- 记忆（Remembering）：准确描述[概念]的定义- 理解（Understanding）：用[对象A]比喻[概念]的核心机制- 应用（Applying）：在[应用场景]使用[概念]解决问题- 分析（Analyzing）：将[知识点]分解成零件，确定零件的之间的关联关系或零件如何关系到整体结果或用途。清晰说明[应用场景]为例，描述[知识点]的各个部分如何相互关联，如何影响整体结果或用途。- 评价（Evaluating）：对[知识点]价值和目标做出评价，并给出批判"某观点"证据权重- 创造（Creating）：设计融合[跨学科原理]的创新方案
