LangGPT结构化提示词
LangGPT是Language For GPT-like LLMs的简称，中文名为结构化提示词，LangGPT是一个帮助你编写高质量提示词的工具，理论基础是我们提出的一套模块化、标准化的提斯提编写方法论——结构化提示词。我们希望揭开提示工程的神秘面纱，为大众提供一套可操作、可复现的提示词方法论、工具和交流社群。我们的愿景是让人人都能写出高质量提示词。LangGPT社区文档：https://langgpt.ai
LangGPT结构
LangGPT框架参考了面对对象程序设计的思想，设计为基于角色的双层结构，一个完整的提示词包含模块-内部元素两级，模块表示要求或提示LLM的方面，例如：背景信息、建议、约束等。内部元素为模块的组成部分，是归属一方面的具体要求或辅助信息，分为辅助型和方法型。
编写技巧
①构建全局思维链
对大模型的Prompt应用CoT思维链方法的有效性是被研究和实践广泛证明了的。首先可以根据场景选择基本的模块。
一个好的结构化Prompt模板，某种意义上是构建一个好的全局四文联。如LangGPT中展示的模块设计时就考虑了如下思维链：
Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用
一个好的Prompt，内容结构上最好也是逻辑清晰连贯的。结构化prompt方法将久经考验的逻辑思维连融入了结构中，大大降低了思维链路的构建难度。
构建 Prompt 时，不妨参考优质模板的全局思维链路，熟练掌握后，完全可以对其进行增删改留调整得到一个适合自己使用的模板。例如当你需要控制输出格式，尤其是需要格式化输出时，完全可以增加 Ouput 或者 OutputFormat 这样的模块。
②保持上下文语义一致性
包含两个方面，一个是格式语义一致性，一个是内容语义一致性。
格式语义一致性是指标识符的标识功能前后一致。 最好不要混用，比如 # 既用于标识标题，又用于标识变量这种行为就造成了前后不一致，这会对模型识别 Prompt 的层级结构造成干扰。
内容语义一致性是指思维链路上的属性词语义合适。 例如 LangGPT 中的 Profile 属性词，使之功能更加明确：即角色的简历。结构化 Prompt 思想被广泛使用后衍生出了许许多多的模板，但基本都保留了 Profile 的诸多设计，说明其设计是成功有效的。
内容语义一致性还包括属性词和相应模块内容的语义一致。 例如 Rules 部分是角色需要遵守规则，则不宜将角色技能、描述大量堆砌在此。
③有机结合其他 Prompt 技巧
LangGPT结构在设计时没有拘泥于具体的方面，相比其他的提示设计框架，更加灵活，具有更强的可扩展性和兼容性，可以很好地结合其他提示设计技巧。
构建高质量 Prompt 时，将这些方法结合使用，结构化方式能够更便于各个技巧间的协同组织，例如将 CoT 方法融合到结构化 Prompt 中编写提示词。 汇总现有的一些方法：
上面这些方法最好结合使用，以实现在复杂任务中实现使用不可靠工具（LLMs）构建可靠系统的目标。
- 细节法：给出更清晰的指令，包含更多具体的细节
- 分解法：将复杂的任务分解为更简单的子任务 （Let's think step by step, CoT，LangChain等思想）
- 记忆法：构建指令使模型时刻记住任务，确保不偏离任务解决路径（system 级 prompt）
- 解释法：让模型在回答之前进行解释，说明理由 （CoT 等方法）
- 投票法：让模型给出多个结果，然后使用模型选择最佳结果 （ToT 等方法）
- 示例法：提供一个或多个具体例子，提供输入输出示例 （one-shot, few-shot 等方法）