AI 提示语技能进阶：不可错过的 16 种提示模式！（下）

AI 提示语技能进阶：不可错过的 16 种提示模式！（下）

在AI提示语的使用中，掌握不同的提示模式可以帮助我们更有效地与AI交互，获得更精准的结果。本文将介绍16种提示模式中的后8种，包括提示改进类、交互类和上下文控制类模式，帮助读者全面了解这些模式的结构、关键思想和具体应用场景。

在上一篇文章中，我们介绍了前8种提示模式，包括基础框架、问题构建和创意激发等模式。本文将继续深入探讨剩余的8种模式，帮助读者全面掌握这些强大的工具。

提示改进类模式（Prompt Improvement）

这类模式的目的是优化和改进我们提供的提示或问题，以更好地满足特定需求或目标。通过这些模式，可以使问题更清晰、具体、易于理解，并确保得到的回答更符合预期。

问题细化（Question refinement）

目的与意图： 当我们提出的问题不够具体时，AI可能难以提供有用的答案。通过细化问题，可以帮助AI更精确地理解我们的需求，从而提供更具有针对性的回答。

结构和关键思想： 让AI分析我们提出的问题，识别关键信息，并提出改进建议。围绕这些关键信息优化问题的结构，让AI给出具体示例，展示如何将宽泛的问题转化为更具体的问题。

示例：

• 用户提问： 怎样提高编程技能？
• AI细化：
• 你希望提高哪种编程语言的技能？
• 是想学习基础语法？
• 还是需要针对特定项目的开发技巧？

备选方法（Alternative approaches）

目的与意图： 对于复杂问题，提供多种解决方案可以帮助我们更全面地了解问题，并做出更明智的决策。

结构和关键思想： 让AI从不同角度审视问题，提出多种可能的解决方案，并对这些方案进行优缺点比较。

示例：

• 用户提问： 如何提高网站流量？
• AI回答： 需要提供几种不同的策略，并比较每种策略的成本、效果和实施难度。

认知验证（Cognitive verifier）

目的与意图： 复杂任务可能包含多个子任务，通过将复杂任务细分，可以帮助AI更系统地处理信息，从而提供更全面的回答。

结构和关键思想：

1. 将任务拆解为子任务，分别处理；
2. 对每个子任务进行验证，确保每个子任务的回答都是准确和可靠的；
3. 最后将各个子任务的答案整合起来，形成对原始任务的最终回答。

示例：

• 用户提问： 最好的Web开发语言是什么？
• AI分解：
• 你的经验水平如何？
• 你更喜欢前端开发还是后端开发？
• 你需要哪些具体特性？

拒绝应对策略（Refusal breaker）

目的与意图： 当AI遇到不能或不愿回答的问题时，需要一种机制来引导对话继续进行。通过重新表述问题，可以绕过初始问题的限制或敏感性，从而提供有用的回答。

结构和关键思想： 当AI拒绝回答时，让它提供一个或多个可以回答的替代问题，确保即使是替代问题，AI的回答依然对我们有用且可靠。

示例：

• 用户提问： 如何入侵电脑？
• AI回应： 我不能帮助进行入侵行为，但可以提供关于网络安全最佳实践的信息。你是否想了解如何保护你的电脑免受黑客攻击？

交互类模式（Interaction）

这类模式致力于提升人与AI之间的互动性，让对话更加吸引人和更高效。这类模式可以帮助我们构建对话框架，优化AI的回答，让对话更加符合人的需求。

翻转互动（Flipped interaction）

目的与意图： 通过AI主动提问，可以更有效地收集解决问题所需的关键信息，从而提供更全面的信息。

结构和关键思想： 所有的互动都是为了实现特定的目标或解决特定的问题。让AI提问就是为了让它收集与完成任务相关的重要信息。

示例：

• 用户提示： 从现在开始，我希望你通过问我问题来诊断和解决电脑性能问题。当你收集到足够的信息后，提供问题总结和解决方案。
• AI提问：
  1. 您的电脑型号和操作系统是什么？
  2. 您主要在哪些场景下感到电脑性能不足（例如，启动应用程序、玩游戏、浏览网页等）？
  3. 最近是否安装过新的软件或硬件？
  4. 电脑性能问题是突然出现的还是逐渐变得明显的？
  5. 您是否注意到在特定应用程序或任务运行时电脑变慢？
  6. 电脑的存储空间是否接近满载？
  7. 是否有经常弹出的错误信息或警告提示？

游戏互动（Game play）

目的与意图： 利用游戏的趣味性和互动性来吸引用户，使他们在享受游戏的同时学习新知识或解决问题。通过游戏化的方法，可以激发用户的好奇心和竞争欲，从而提高学习或工作的效率。

结构和关键思想： 设计适合主题的游戏，包括规则、目标和互动方式。确保游戏中包含教育性内容，使玩家（即与AI进行对话的用户）在游戏过程中能够学习到相关知识。游戏中应包含反馈系统，以指导玩家了解他们的表现，并提供改进的方向。

示例：

• 玩家提示： 我们来玩一个词语联想游戏。我说一个词，你回答第一个想到的词。例如，我说「苹果」，你回答「水果」。
• AI回应：
• 树
• 叶子
• ...

无限生成（Infinite generation）

目的与意图： 自动化内容生成过程，减少手动重复输入的需要。为需要大量相似结构内容的任务提供持续的输出，如创意写作、问题生成等。

结构和关键思想： 利用AI的能力来自动化生成过程，减少人工干预。设定明确的停止条件或信号，控制生成过程的持续时间或数量。

示例：

• 用户提示： 生成创意写作提示，一次一个，直到我说「停」。
• AI回应：
  1. 写一个关于时间旅行者访问古埃及的故事。
  2. 描述一个未来的世界，人类与机器人共存，但一次意外改变了一切。
  3. 写一个关于一名失忆的探险家，在神秘的丛林中寻找自己身份的故事。
  4. 讲述一个古老的传说，一个少年在梦中穿越时空，揭开家族的秘密。
  5. 写一个关于一位科学家发现了平行宇宙的存在，并试图与另一个自己交流的故事。

上下文控制类模式（Context control）

这类模式旨在确保在对话过程中维护和管理上下文信息，这样可以确保信息的连贯性和对话的相关性。

上下文管理器（Context manager）

目的与意图： 对话中的上下文信息对于AI理解用户的意图和提供准确的回答非常重要。通过有效管理上下文，可以增强对话的连贯性，避免重复询问已经提及的信息。

结构和关键思想： 明确告诉AI需要跟踪对话中出现的关键信息和细节，将收集到的上下文信息根据需要整合到后续的回应中，确保回答的相关性。

示例：

• 用户提示： 记住我最喜欢的编程语言是Python，后续的编程相关的问题都要基于此上下文。
• 后续提问： 我想知道如何进行Web开发，你有什么建议吗？
• AI回应： 基于你对Python的偏好，我建议你使用Django。Django是一个强大的Python Web开发框架，可以帮助你快速构建和部署Web应用。

总结

提示模式是非常强大的工具，它们不仅能够帮助我们细化任务或问题，让我们能够向AI传递更加明确的意图和指令，还能够提升AI回答的准确性和可靠性以及减少一些潜在的错误。同时，这些提示模式为提升AI模型的响应质量和用户体验提供了强有力的工具，使我们能够更加高效、精准地利用大语言模型的强大功能。

经过两篇文章的详细介绍，希望能够让你对这16种设计模式有全面的认知，能够在日常使用AI的过程中对你有所帮助。

本文原文来自HuangJiaRun研究院