膜拜提示词工程技巧，背下提示词模板意义不大。这东西会快速更新，但是规则不变。

构建提示词工程的视角其实是问题构建。

第一步，识别问题。问题的发生一定会伴随着一些明显的特征，让我们能够感受到问题的存在。此时的问题可能非常具体且易于确定，也可能很宽泛或带有创造性。例如，我要查询某天发生了什么事情，这个问题非常具体。但如果是要让AI帮我们撰写一份符合公司实际需要的市场活动方案，则是更加宽泛、更需要创造力的。

第二步，定义问题。在此步骤中，需要澄清问题的本质和范围，并将问题拆分成更小的可管理的子问题，尤其是当问题涉及多方面因素时。因为如果问题过于复杂，往往很难产生有效的解决方案。与此同时，需要收集与问题相关的信息，并对信息进行处理分析。收集信息一般可以通过数据分析、专家访谈或用户研究等方式获取。例如，“撰写一份符合公司实际需要的市场活动方案”这一问题，非常宽泛，且需要创造力。我们需要对该问题进行拆解，如“活动的执行目的是什么”、“执行该活动有哪些资源可用”等。其次，我们可以获取更多关于策划该活动的关键信息，例如，对目标群体进行采访调研获取客户期望、收集竞争对手的类似做法、询问市场活动专家了解活动注意事项等。

问题拆分的结果与收集分析的信息，将成为构建问题的关键。

第三步，问题重构。问题重构意味着改变看待问题的角度，也被称作替代解释（Alternative Interpretation）。基于我们对问题的定义以及对问题相关信息的收集，原始的问题可能会发生变化，我们可能发现，真正的问题并不是一开始所认为的问题，而是另有内涵。例如，当用户给你反馈说“为什么页面上没有某个按钮”时，其问题本身可能并不在于“按钮是否存在”，甚至可能也不在于“功能是否存在”，而是用户“需要的某项服务没被找到”。或许该服务的相关功能在产品内是有提供的，只是用户在操作过程中没遇到或忽视了。

问题的准确重构，能够指导AI有效地拓宽解决方案的范围，从而帮助我们找到更好的解决方案，并克服创造性的障碍。

第四步，约束设计。最后，我们需要通过定义解决方案的输入、过程和输出来限制问题的边界，这主要是为了解决AI返回信息的要求问题。通常我们可以通过提示词来进行约束设计。提示词工程中的“Few-Shot Prompting”方法就是一种典型的约束设计方式。它通过举例的方式，让AI理解任务本身的要求，从而输出让提问者满意的输出信息。

本文由 ChatGPT 协助完成。图片由 DALL·E 3 生成。

本周的成果

  • 完成了基本工作
  • 和朋友们吃了几次饭

本周的改变

  • 放松一些了
  • 作息逐渐稳定

做得还不错

  • 看了一点书
  • 有一点运动

做得不太好

  • 有些可选工作没有完成
  • 一篇长文还没写完

下周的目标

  • 努力早睡早起
  • 增加一些运动量
  • 开始几个长期工作