LangGPT：这个Prompt顶级思维框架（RAG、结构化）有时间一定要看看

提示词是我们和大模型沟通的语言。如果你把大模型当作一个人，那么使用提示词的过程，本质上就是和它聊天的过程。这个比喻虽然简单，但背后涉及的技巧和学问，却远比想象中要深。

LangGPT 社区目前是国内最大的提示工程社区。LangGPT 这个名字是 Language For GPT 的缩写，中文叫“结构化提示词”。它的核心价值在于，提供了一整套模块化、标准化的方法论，帮助用户编写高质量提示词。说白了，就是你跟大模型打交道时，手里有了一套趁手的工具和打法。

结构化 Prompt 的核心思路

对大模型使用 CoT（思维链）方法，效果已经被大量研究和实践反复验证过了。一个好的结构化 Prompt 模板，某种程度上就是构建了一个全局思维链。从 Role（角色）、Profile（角色简介）、Skill（技能）、Rules（规则）、Workflow（工作流程）到 Initialization（初始化准备），再到实际执行，整个链条清晰而完整。

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

下面是一个常见的结构化提示词模板示例：

# Role: Your_Role_Name

## Profile

- Author: YZFly
- Version: 0.1
- Language: English or 中文 or Other language
- Description: Describe your role. Give an overview of the character's characteristics and skills

### Skill-1
1.技能描述1
2.技能描述2

### Skill-2
1.技能描述1
2.技能描述2

## Rules
1. Don't break character under any circumstance.
2. Don't talk nonsense and make up facts.

## Workflow
1. First, xxx
2. Then, xxx
3. Finally, xxx

## Initialization
As a/an , you must follow the , you must talk to user in default ，you must greet the user. Then introduce yourself and introduce the .

等你对这些框架熟悉了，完全可以按需调整——增删改留，定制成适合自己的模板。比如需要控制输出格式时，可以增加 Output 或 OutputFormat 模块（可参考附录中的 AutoGPT 模板）。

不过，光有模板还不够，编写结构化提示词还有一些关键原则需要把握。

保持上下文语义一致性

这个原则包含两个方面：格式语义一致性和内容语义一致性。

，指的是标识符的标识功能前后保持一致。举个例子，不要用 # 既标识标题又标识变量——这种混用会干扰模型识别 Prompt 的层级结构。

，指的是思维链路上各属性词的语义要贴切。比如 LangGPT 中的 Profile 属性词，最初叫 Features，后来根据实践和思考改成了 Profile，功能更明确，就是角色的“简历”。这个设计被很多衍生模板保留下来，说明是成功的。内容语义一致性还要求属性词和相应模块的内容匹配：Rules 部分就放角色需要遵守的规则，别把技能描述堆到里面。

逻辑清晰，不矛盾

这一点很容易被忽略但非常关键。如果前半段说“你要以轻松幽默的语气传递内容”，后半段 Workflow 里又说“你要严肃认真地对待每一个字”，这种前后矛盾会严重拉低输出质量。逻辑一致，才能把信息有效地传递给模型。

工程化RAG提示词

对于 RAG 场景，提示词流程一般规划为四大部分：指代消解、输入防护、知识问答、输出防护。每个环节各司其职，才能保证检索增强生成的效果。

Prompt进阶技术

这里汇总了几种进阶的提示词技术，每一类都有对应的论文来源。从 CoT 到 CCoT、PoT、ReAct，覆盖了不少你可能听过或没听过的技术。日常提问中未必会用全，但在系统化的专业解决方案里，这些技术经常登场。而且了解它们，对扩展思维和深化对提示工程的理解，确实有帮助。

一、进阶技术——后退一步

“后退一步”要求模型在处理具体指令之前，先进行一次抽象化思考。具体来说，模型需要从指令中抽离出来，先抽象出一个更高层次的概念，再识别和提取相关的背景信息，最后将这些背景信息与任务结合。这样一来，模型能在更广阔的背景下理解任务，执行起来自然更全面、更深入。

二、进阶技术——自我一致性

自我一致性（Self-consistency）技术要求模型面对同一任务时，给出三个不同的答案，并对它们进行比较和对比。通过这种重复推理，模型能够识别出最符合逻辑和事实的答案，从而增强自我校验能力，提高答案的可靠性。这种技术可以有效减少模型输出的不确定性和潜在错误。

需要注意的是，由于篇幅限制，这里省略了多次输出结果的示例。但在实际应用中，每次 Shot 通常会要求模型给出三个答复。

三、进阶技术——ReAct

ReAct 框架包含三个核心部分：思考（Thought）、观察（Obs）和行动（Act）。思考部分增强模型的推理能力；观察部分提升接收和处理外界信息的能力；行动部分让模型根据推理和观察的结果进行回复或调用工具。ReAct 通常用在智能体开发中，能让模型更聪明、更自适应。虽然简单的指令输入很少直接用到它，但如果需要，也可以构建基于 ReAct 的提示词指令集来处理复杂任务。

四、进阶技术——CCoT

CCoT 通过正反例对比的机制，引导模型识别正确与错误。这种方法简洁直观，很容易理解。

五、进阶技术——PoT

大模型在数学计算上经常翻车，甚至简单的加法都能算错。别急，PoT（Program of Thought）就是来解决这个问题的。它是 CoT 的一个衍生，特别适用于数值推理任务——它会引导模型生成代码，通过代码解释器工具进行实际运算，从而显著提升数学问题求解的准确性。PoT 也遵循零样本和少样本的学习范式，与 CoT 在方法上非常相似。

结构化 Prompt 对不同模型的适用性

以前有朋友在 Dify 里用了一个 7B 的模型，编排了很复杂的结构，还写了很长的结构化提示词。结果呢？那个参数量的模型连理解提示词都费劲，更别说完成任务了。结构化 Prompt 对模型的基础能力有一定门槛，要求模型本身具备良好的指令遵循和结构识别能力。很多时候，花大量时间为 GPT-4 写的提示词，放到其他模型上效果大打折扣。

如果模型能力不够，不妨降低结构复杂度、调整属性词、或者迭代修改 Prompt。总之，在模型能力允许的情况下，结构化确实能提升性能；但如果不切实际，就需要灵活调参。

另外，了解每个模型的特点和能力，是写好提示词的基础。比如在 Claude 上用 XML 框架效果明显，但在 ChatGPT 上用 XML 和 Markdown 就会产生显著差别。选对模型，写对格式，才能事半功倍。

写好提示词，要有领域深度

掌握了上面这些技巧，是不是就一定能写出高质量的提示词？不一定。还有一个重要变量：你对一个领域、一个行业、一个细分场景的理解到底有多深？

举个例子，你是做制造业的，那么从设计到生产的整个链条，每个环节有什么注意事项，跟一个完全不懂的人去写 prompt，深度完全不一样。行业经验越深，理解越透，写出来的 prompt 质量就越高。就像 UI 设计师，如果只会 PS 的功能操作，竞争力很弱；但如果有审美，懂配色，有隐性知识，那才是真正的壁垒。

最后——文无定法，贵在得法。写好 prompt 的关键在于找到适合自己的方法。结构化 Prompt 只是一种思路，不是绝对的，随着大模型自身能力的发展，它也可能被淘汰。实践中，只要能满足你的需求，让你又快又好地写出高性能的 Prompt，就是好方法。

附：提示词市场初步分析

当前提示词的主要应用场景集中在编程、教育、内容创作和市场营销四大领域。

程序员群体最早发现了用 ChatGPT 写代码的便捷性和高效性；学生群体则把它当作写作和学习的辅助工具，尤其是美国的高中生及以上年级，已经普遍使用 ChatGPT。一位 17 岁的高中生 Mr.-Ranedeer 甚至成了结构化提示词的先驱者。

内容创作者通过编写优质提示词，可以更专注于创意本身，也能快速学习新领域知识；市场营销领域则利用 ChatGPT 轻松生成各类营销文案。

从用户画像看，国内主流用户年龄在 20-40 岁之间，国外用户年龄下限偏低。用户主要通过电脑在工作时间使用，主要目的是满足工作需求。现阶段主要关注代码生成和文本生成，程序员、互联网及内容行业从业人员比例较高，传统行业相对较少。男性用户多于女性用户，且多分布在经济发达地区，收入和教育水平偏高。