大模型提示词（Prompt）模板推荐

只有提示词写得好，与大模型的互动才能更高效。提示词不仅仅是与AI对话的起点，更是驱动模型产生高质量输出的关键因素。本文将介绍大模型提示词的概念、意义，并分享一些实用的提示词模板，帮助AI玩家更好地利用大语言模型。

大模型提示词的介绍

提示词（Prompt），是用于大语言模型的一段引导性文字，用以触发模型生成特定方向的内容或执行专门任务。提示词的设计和质量直接影响模型输出的准确性、相关性和创造性。

1. 概念解析

提示词可以是一个简单的问题、一段描述、一个命令或任何形式的文本输入。其核心目的是为模型提供上下文和方向，以确保生成的内容符合用户需求。

现阶段提示词既是单一的又是多样的。其是由文本这一单一模态组成的；使用方式上既可以是系统提示词（System Prompt），也可以是用户提示词（User Prompt），作用过程上既可以是全过程的，也可以是阶段性的；组织形式上既可以是结构化的，也可以是非结构化的；提示类型上是多样的、没有限制的。需要注意的是，不同的模型对提示词的多样性适应程度不同，在采用模型前需查看模型信息了解模型特性。

2. 提示词的使用方式

• 系统提示词（System Prompt）：全局全过程提示词，一般用在预训练的模型、基于预训练模型创建的新模型、API调用中，由模型创建者、脚本开发者或用户添加，相当于给这个新模型“下定义”。
• 用户提示词（User Prompt）：一般性提示词，由用户根据实际需求在与大模型的对话中使用，也可在API调用时使用，形式和内容上可与系统提示词一样。

3. 提示词的组织形式

• 非结构化：一般性提示词，没有相应结构，可以是一句话，也可以是一段文字，还可以是一堆杂乱无章的文字片段。
• 结构化：按照一定格式组织的文字段落，有相对严谨的结构，通常以markdown形式书写，分段且带小标题，结构可复杂可简洁，架构可固定可调整。

4. 提示词的类型

提示词从表达上大体可分为以下几类：

• 指令型提示词：直接告诉模型执行某个具体任务，例如，“多个表格合并，请帮我写出python代码”“请将时间xx换算成unix时间戳”。
• 描述型提示词：提供详细背景信息，让模型在此基础上生成内容，例如，“我今天看了一部电影，电影名称是xx，电影讲述了xx，我的工作是xx，请根据以上内容为我写一篇心得体会，要求结合工作、言语凝练、感悟深刻，1000字左右”。
• 问题型提示词：以问题形式提出，要求模型回答或解释，例如，“什么是大模型提示词？”。
• 情景型提示词：设定特定场景，让模型在该场景中生成对话或故事，例如，“现在你是一名准备手术的医生，如何解释手术风险给患者？”。

提示词类型没有明确界限，往往是多种类型灵活组合。

其中，因为大模型的参数、训练数据、幻觉等各方面原因，问题型提示词可能得不到正确回答，切勿轻信；其所产生的内容要辩证看待，同一个提示词所产生的内容有时相似，有时不同，得到的代码、文章、决策有时可用，有时不可用，要注意分辨、测试。

提示词的底层应用逻辑，是在大模型配置文件中

在开源大模型社区：https://huggingface.co（镜像站：https://hf-mirror.com），查看tokenizer_config.json文件的chat_template行

或是在ollama的manifest清单中找到image.template哈希对应的blob文件，都可以找到该模型的聊天模板

以下是模型Qwen2.5-14B-Instruct的chat_template信息

"chat_template": "{%- if tools %}\n {{- '<|im_start|>system\\n' }}\n {%- if messages[0]['role'] == 'system' %}\n {{- messages[0]['content'] }}\n {%- else %}\n {{- 'You are Qwen, created by Alibaba Cloud. You are a helpful assistant.' }}\n {%- endif %}\n {{- \"\\n\\n# Tools\\n\\nYou may call one or more functions to assist with the user query.\\n\\nYou are provided with function signatures within <tools></tools> XML tags:\\n<tools>\" }}\n {%- for tool in tools %}\n {{- \"\\n\" }}\n {{- tool | tojson }}\n {%- endfor %}\n {{- \"\\n</tools>\\n\\nFor each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:\\n<tool_call>\\n{\\\"name\\\": <function-name>, \\\"arguments\\\": <args-json-object>}\\n</tool_call><|im_end|>\\n\" }}\n{%- else %}\n {%- if messages[0]['role'] == 'system' %}\n {{- '<|im_start|>system\\n' + messages[0]['content'] + '<|im_end|>\\n' }}\n {%- else %}\n {{- '<|im_start|>system\\nYou are Qwen, created by Alibaba Cloud. You are a helpful assistant.<|im_end|>\\n' }}\n {%- endif %}\n{%- endif %}\n{%- for message in messages %}\n {%- if (message.role == \"user\") or (message.role == \"system\" and not loop.first) or (message.role == \"assistant\" and not message.tool_calls) %}\n {{- '<|im_start|>' + message.role + '\\n' + message.content + '<|im_end|>' + '\\n' }}\n {%- elif message.role == \"assistant\" %}\n {{- '<|im_start|>' + message.role }}\n {%- if message.content %}\n {{- '\\n' + message.content }}\n {%- endif %}\n {%- for tool_call in message.tool_calls %}\n {%- if tool_call.function is defined %}\n {%- set tool_call = tool_call.function %}\n {%- endif %}\n {{- '\\n<tool_call>\\n{\"name\": \"' }}\n {{- tool_call.name }}\n {{- '\", \"arguments\": ' }}\n {{- tool_call.arguments | tojson }}\n {{- '}\\n</tool_call>' }}\n {%- endfor %}\n {{- '<|im_end|>\\n' }}\n {%- elif message.role == \"tool\" %}\n {%- if (loop.index0 == 0) or (messages[loop.index0 - 1].role != \"tool\") %}\n {{- '<|im_start|>user' }}\n {%- endif %}\n {{- '\\n<tool_response>\\n' }}\n {{- message.content }}\n {{- '\\n</tool_response>' }}\n {%- if loop.last or (messages[loop.index0 + 1].role != \"tool\") %}\n {{- '<|im_end|>\\n' }}\n {%- endif %}\n {%- endif %}\n{%- endfor %}\n{%- if add_generation_prompt %}\n {{- '<|im_start|>assistant\\n' }}\n{%- endif %}\n"

可以看到，该模型指定，如果用户未给出系统提示词，则默认以'You are Qwen, created by Alibaba Cloud. You are a helpful assistant.'作为系统提示词，系统提示词在对话模板中的位置是放在最前面的。不同模型的chat_template可能会有所不同，但系统提示词一般是在靠前位置。

用好大模型提示词的意义

1. 提高输出质量

精准的提示词能够显著提高模型输出的质量，避免冗长、无关或模糊的回答。例如，精准提示词可以帮助模型理解更具体、更细致的需求，从而生成更贴近用户意图的内容。

2. 增强互动体验

好的提示词设计可以使与大语言模型的互动更加流畅和富有成效，提升用户体验。例如，通过引导性提问和指令，可以让互动变得更加有条理和富有逻辑性。

3. 节省时间和精力

通过有效的提示词，用户可以更快速地获得所需信息或完成特定任务，减少反复试错的时间和精力投入。

大模型提示词开源模板推荐

1. 非结构化提示词

awesome-chatgpt-prompts-zh: ChatGPT 中文调教指南。各种场景使用指南。学习怎么让它听你的话。

https://github.com/PlexPt/awesome-chatgpt-prompts-zh

awesome-chatgpt-prompts: This repo includes ChatGPT prompt curation to use ChatGPT better.

https://github.com/f/awesome-chatgpt-prompts

2. 结构化提示词

LangGPT: LangGPT: Empowering everyone to become a prompt expert! Structured Prompt，Language of GPT, 结构化提示词，结构化Prompt

https://github.com/langgptai/LangGPT

其中LangGPT目录下含“Prompt工程师”用于辅助用户按固定结构生成prompt的提示词示例

3. 提示工程指南

提示工程指南 | Prompt Engineering Guide

https://www.promptingguide.ai/zh

在大语言模型的应用中，提示词的设计至关重要。通过理解提示词的概念和意义，并运用有效的提示词模板，AI玩家能够更好地利用大语言模型，提升互动质量和工作效率。希望本文分享的提示词模板能为你的实际应用提供有价值的参考。