1. 明确目标（Clarify Objective）
设计提示前，必须清楚要达成的具体目标（如：生成、总结、翻译、分类等）。
明确输入输出的格式和预期的内容。
✅ 示例：
❌ “写一段介绍” → 太模糊
✅ “请用200字介绍GPT-4的特点，面向中学生，用通俗语言表达”
2. 具体明确（Be Specific and Concrete）
使用清晰、无歧义、具体的语言来引导模型。
包括角色设定、任务步骤、输入输出格式等。
✅ 示例：
“你是一个Python专家。请阅读以下函数，分析其中的Bug并建议改进。”
3. 分步骤指导（Step-by-step Decomposition）
将复杂任务拆解为明确步骤，有助于提升准确率与可控性。
可使用 “思考链（Chain of Thought）” 提示风格。
✅ 示例：
“请先分析题意，再列出已知条件，然后一步步解答。”
4. 提供示例（Few-shot / Zero-shot）
Few-shot learning：给模型几个例子来示范任务格式和风格。
Zero-shot learning：任务明确、无示例，引导模型推理完成任务。
✅ 示例：
输入：这个产品真不错！ 输出：积极 输入：这个服务太差了。 输出：消极
5. 控制风格和语气（Control Style & Tone）
明确要求模型使用什么语气（正式、幽默、中立等）。
常用于内容创作、营销、客服等场景。
✅ 示例：
“请用轻松幽默的语气描述以下科技新闻。”
6. 设定角色（Role Assignment）
通过设定“你是XX专家/角色”引导模型从特定角度思考。
✅ 示例：
“你是一个资深法律顾问，请分析以下合同条款中可能存在的法律风险。”
7. 约束输出格式（Constrain Output Format）
明确指定输出结构（如JSON、Markdown、表格等）便于程序解析。
✅ 示例：
“请以JSON格式输出三个要点，每个包含'title'和'detail'字段。”
8. 迭代与调试（Iterate & Refine）
提示设计是一个试错过程，需要不断优化以适配任务和模型响应。
可使用
prompt injection,prompt chaining等高级技巧。
9. 使用辅助词提高稳定性
使用“请思考”、“逐步推理”、“假设你是...”等提示语言，提高响应稳定性和可解释性。
✅ 示例：
“请思考完成这道题的必要步骤，并逐步推理。”
10. 避免模型幻觉（Mitigate Hallucination）
避免开放性或歧义问题；如果结果涉及事实，明确指出“仅在基于下列信息回答”。
✅ 示例：
“仅基于以下材料回答问题，若无法确认答案，请回复‘未知’。”