写在前面
本文的目的在于提供一些高效使用大模型的方法，而非“教会”大家如何“正确”使用大模型。事实上，怎么使用AI工具没有标准答案，完全看个人的心情。你当然可以把长篇大论直接扔给AI让它进行总结，或者这样直白地命令它：给我一篇读后感，500字以上。而且这么做有时是更有效率的方式，因为你完全不需要自己动脑
但是，大模型生成的内容不总是那么尽人意的，我们不能苛求它完全理解我们的意思并和我们心意相通，这就是这篇文章存在的意义：在AI还不够智能的时候，如何让它更好地辅助我们工作？
在这里，笔者希望大家不是简单地把任务要求抛给大模型，而是希望通过一些设计，引导大模型获得更好的结果
本文创作动机来源于笔者面向对象课程实验中的教程，在此感谢BUAA面向对象课程组对OO作业和实验中使用大模型的指导，以及对AI工具辅助编程宽松自由的教学态度，他们一直在鼓励对新技术的拥抱和探索，没有这样开放的学习研究氛围，学术是不会繁荣的
好了，让我们开始吧
什么是Prompt
生成式大模型的基本使用方法是人类用户输入问题和指令，大模型作出回答，给出结果。那么如何让大模型更好地理解我们的需求，实现一系列细节就成为我们要着重讨论的议题
如果你用过一些生图AI（如kusapics），你一定对这个词不陌生。和字面意思（提示）一致，Prompt是指在大语言模型应用中，用简单的“提示词”来唤醒模型以解决特定任务的提问方式。简单来说，prompt就是一把钥匙，可以引导模型从预训练的海量信息中捕捉到能满足用户需求的信息，可以显著提升模型理解复杂文本、提取信息、逻辑推理、总结结论等能力。设计优质的prompt对利用好大语言模型意义重大
prompt的基本要素包括：
- 指令：指定模型需要完成的任务
- 上下文：额外信息，引导LLM更好响应任务
- 输入数据：用户的问题或内容
- 输出指示：输出格式或规范
设计有效的prompt能够帮助大模型精确了解我们所需的信息！
一些框架
针对具体的情景我们需要设计不同的prompt，以下推荐一些简单好用的prompt设计框架：
RTF框架
RTF（Role-Task-Format）框架是一个非常简单通用的提示框架，其基本思想是让LLM担当某一角色（程序员、研究员、算法工程师等等），让模型能够快速响应相关领域的问答。适用于明确角色、任务、格式的简单任务。
- Role：指定大模型担当的角色
- Task：告诉大模型任务定义和要求
- Format：定义大模型返回回答的格式
例如：
[Role] 你是一位资深市场分析师。
[Task] 分析当前新能源汽车行业的市场趋势，重点包括技术发展、竞争对手动态和消费者偏好变化。
[Format] 输出一份结构化报告，包含以下部分：
1. 标题：清晰概括主题；
2. 关键趋势（分点列出技术、竞争、消费三方面）；
3. 结论与建议（不超过200字）
ROSES框架
ROSES框架在RTF框架的基础上将输入细分为5个核心部分，以确保清晰、有目的的交互。ROSES在明确角色和目标的基础上，更强调场景和解决方案。
- Role：指定大模型担当的角色
- Objective：描述想要实现的目标或想要完成的任务
- Scenario：提供与请求相关的背景信息或上下文
- Expected Solution：描述期望解决方案或结果
- Steps：询问实现问题的具体方法或步骤
例如：
[Role] 你是某科技公司的公关经理。
[Objective] 为即将发布的智能手表撰写一篇吸引投资人和媒体的演讲稿。
[Scenario] 发布会面向投资者、科技媒体和潜在消费者，需突出产品创新性和市场潜力。
[Expected Output] 一篇800字左右的演讲稿，包含开场白、产品亮点、技术参数、市场定位和结尾呼吁。
[Steps]
1. 用故事或数据开场，引起听众兴趣；
2. 分模块介绍核心功能（健康监测、续航能力、设计美学）；
3. 引用第三方机构的市场预测数据；
4. 结尾强调品牌愿景，呼吁合作。
COT模式
COT（Chain of Thought）模式适合分析型逻辑推理或分析型任务，可以很好的改善大模型的推理能力，在一些决策步骤中能发挥高效作用。我们需要提供情景下模型思考问题或解决问题的步骤样例，引导模型形成一个完整的推理逻辑链，并在输入的最后加上“让我们逐步思考”，这样完成了COT的设计。
例如如下问题场景：
问题：甲从A地以5km/h速度出发，乙1小时后从B地以7km/h速度出发，AB两地相距20km。问：乙需要多久追上甲？
要求：分步骤给出解题过程，最后用公式总结答案。
可以给模型如下示例：
步骤1：设乙出发后经过t小时追上甲，则甲的行驶时间为(t+1)小时。
步骤2：甲行驶距离 = 5*(t+1)，乙行驶距离 = 7*t。
步骤3：追上时两人距离相等：5*(t+1) + 20 = 7*t → 5t + 5 + 20 = 7t → 2t = 25 → t=12.5小时。
答案：乙需12.5小时追上甲。
这样就能引导模型按照示例提供的逻辑链进行思考，给出完整的推理过程。
SAGE框架
SAGE框架聚焦明确与优化和 AI 模型交互流程，在需清晰梳理任务执行背景、操作、目标与结果要求的场景效率最高，比如复杂业务流程咨询（如项目管理流程优化、多条件业务规则落地）、专业技能指导（如编程调试步骤规划、设计方案推导 ）等，能让 AI 输出更贴合实际执行逻辑与预期。
- Situation：描述任务执行的上下文、背景信息
- Action：明确需要 AI 执行的具体操作、步骤，是 Prompt 的核心指令
- Goal：阐述任务要达成的最终目的、期望效果，回答 “做这件事为了什么”
- Expectation：对输出结果的具体要求，含格式、细节深度、特殊规则等
例如：
[Situation] 当前电商平台商品推荐点击率低迷，现有算法未结合商品时效性（新品、促销）与用户近期购买意图变化。需在618大促预热期优化策略，目标用户为月访问≥5次的活跃用户，可调用近3个月用户行为日志、商品库信息。
[Action] 分析算法短板，结合商品时效性与用户购买意图，设计新推荐策略框架，含推荐逻辑、优先级规则、特殊场景适配方案。
[Goal] 输出可落地开发策略，预期大促预热期推荐点击率提升15%、新品销量增长20%。
[Expectation] 以Markdown呈现，包含问题诊断、新策略逻辑、规则说明、效果预测；标注数据依赖、用流程图简化特殊场景流程；规避过度复杂、小众数据依赖逻辑。
RISEN框架
RISEN框架是专为复杂问题拆解与系统性解决方案生成设计的 Prompt 构建框架。
- R（Root Cause）：明确问题本质与核心矛盾
- I（Information）：整合关键信息与约束条件
- S（Solution）：设计分层解决方案
- E（Evaluation）：制定验证标准与风险预案
- N（Next Step）：规划迭代路径与执行优先级
例如：
R: 如何规划一次成功的周末家庭野餐（核心问题）
I:
I1: 家庭成员：2大1小（孩子5岁）
I2: 预算限制：300元以内
I3: 时间：周六上午10点-下午3点
I4: 地点：附近公园（有草坪，但无遮阳棚）
I5: 孩子需求：想玩泡泡机、吃小蛋糕
S:
S1(基础准备层):
- S1.1: 购买野餐垫（预算50元）、遮阳伞（预算80元）
- S1.2: 准备食物：三明治（自制，预算30元）、水果拼盘（50元）、小蛋糕（80元）
- S1.3: 携带物品：保温袋、纸巾、垃圾袋、孩子的泡泡机（自带）
S2(体验优化层):
- S2.1: 提前1天查看天气预报，若下雨改期
- S2.2: 在草坪附近找有树荫的位置，避免正午暴晒
- S2.3: 安排孩子的活动：12点午餐后玩泡泡机，14点讲故事
S3(应急保障层):
- S3.1: 准备常用药品（驱蚊液、创可贴）
- S3.2: 随身携带手机充电器，确保能联系家人
E:
E1: 全家人在野餐过程中无中暑、受伤情况
E2: 孩子主动表示“玩得开心”
E3: 实际花费控制在300元以内
N:
N1: 下次野餐尝试自制寿司，丰富食物种类
N2: 购买便携折叠桌椅，提升舒适度（预算可调整至400元）
相信大家都和我一样，感觉如果自己要写这么多，还不如直接用自然语言命令大模型。事实上，在面对复杂任务体系和大量已知信息时，我们很难在几句话之内说清楚自己的需求。
一些方法
零样本提示（Zero-shot）
定义：不提供任何示例，直接通过自然语言指令让模型完成任务，依赖模型预训练阶段的知识储备。
其实就是用大白话直接告诉大模型你想要它做什么
[任务指令] + [输出要求]
这种方法就是大部分人使用大模型的方法，在简单常识、客观知识等方面有很高的效率，但是难以解决复杂情景问题
少样本提示（Few-shot）
定义：提供少量（1-10 个）示例，引导模型模仿示例结构完成任务，通过 “示例 + 指令” 模式降低理解成本。
[示例1] + [示例2] + ... + [任务指令] + [输出要求]
如果你和笔者一样每天高强度使用大模型的话，就一定知道给它多举例子超有用的！
例如：
示例1：
输入：“用户想查询订单状态”
输出：“SELECT status FROM orders WHERE user_id=?”
示例2：
输入：“用户想获取商品价格”
输出：“SELECT price FROM products WHERE product_id=?”
任务：“用户想更新收货地址”
输出：__________
最后
正如我一开始所说的那样，如何使用大模型并没有标准答案。不过我仍然希望大家能不断探索与AI交互的技巧，设计契合自己领域的提问框架，完全发挥它的能力。
当然，你不用以上提到的这些方法也完全是可以的，目前并没有证据表明大模型的推理方式与人类完全相同，或许你自己开创的方法能实现更高的效率。
正如同我们盼望大模型做出回答时的那样，大模型只是将它所了解到的“告诉”我们，笔者也只是将一些方法告诉大家，仅此而已。