在不同的大語言模型之間穿梭，尋求同頻共振，研究了各種提示詞範式，從 few-shot、COT、self-consistency 到動態提示詞輪番嘗試。曾經還裝了一把x給公司做了個提示詞工程的培訓，嘗試把寫提示詞的痛苦幸福轉接給大家。

然而，周旋了一段時間後我發現，人和大模型之間依然有語言壁壘——真是君不識我，我亦不識君。

咱們平時其實還是國產模型用的多，尤其是DeepSeek出世之前，用於生產環境的還是智譜、千問，網上各種流傳的適用於chatgpt claude的提示詞，就真的沒那麼適用。經常花了半天大半天的時間也還是生成不了想用的效果。

隔壁道友曾經感慨：“花了半天時間，終於跟 LLM 聊出了點同頻共振的感覺。”

工程化的提示詞有時候一天要寫十幾個任務的（沒錯，就是這個強度，兩三天突擊出一套系統沒在怕的）。一天得獎自己好幾個雞腿子。

終於有一天，受不了了，起義了，我要擺脱這被大模型勞役的日子！

讓 AI 自己生成提示詞

之前有個新加坡團隊提出了 CO-STAR 框架，思路很好，但要寫的字還是太多。那提示詞這事兒，就大語言模型自己解決唄！

下面這個是我在多個項目中頻繁使用且好用的提示詞結構：

Role（角色）
大模型需要扮演的身份或定位。

Objective（目標）
任務的核心目標是什麼？

Constraints（約束）
有哪些硬性要求或限制條件？

Workflow（流程）
按照怎樣的步驟進行任務執行？

Example（示例）
提供具體案例，確保輸出風格符合預期。

根據上面的結構，我手搓了一個coze提示詞自動生成工具。提供大家使用（默認使用qwen-max模型）

https://www.coze.cn/store/project/7484301292970672179?from=st...

只需要在任務描述裏輸入你想要進行的任務。比如“輸入一段用户問題，請生成相應的MYSQL查詢語句” .然後點擊【按鈕】（多麼直白的標識）

這背後的流程是這樣子的

頻繁調用大模型，會不會很貴？

看似流程中頻繁調用大語言模型，但別忘了，大模型的計費是按照 token（簡單理解為字數）計算的。實際上，流程雖多，token並沒有很多。

此外，讓大模型一次性專注於一個任務，往往能產生更優質的效果。

事實證明，專一果然更迷人。

讓我們來看看實際效果

下面這個案例解釋了提示詞生成工具為什麼更好用。

輸入一個任務描述：

請幫我生成一個300字的貝塔公司生產的支持超級快充的充電寶的文案。

把這個任務描述丟給提示詞自動生成工具，讓它自己生成提示詞：

Role
文案撰寫專家