1. 提供示例 (Provide examples）
示例展示了期望的输出或类似的响应，使模型能够从中学习并相应 地调整其自身的生成。这就像给模型一个参考点或目标，以提高其响应的准确性、风格和语 调，使其更好地符合您的期望
2. 简洁设计 (Design with simplicity)
提示应该简洁、清晰、易于理解（对您和模型都是如此）。作为经验法则，如果它对您来说已 经令人困惑，那么它很可能对模型来说也同样令人困惑。尽量不要使用复杂的语言，也不要 提供不必要的信息
3. 具体说明输出 (Be specic about the output)
简洁的指令可能不足以指导 LLM，或者可能过于笼统。在提示中 提供具体细节（通过系统或上下文提示）可以帮助模型专注于相关内容，提高整体准确性 1。 不要假设模型知道您想要什么。明确说明约束条件，如长度（“3 段”）、内容焦点（“排名前 5 的视频游戏机”）和风格（“对话式”） 。
4. 使用指令而非约束 (Use Instructions over Constraints)
指令 (instruction) 提供关于响应的期望格式、风格或内容的明确指示。它指导模型应 该做什么或产生什么 。
约束 (constraint) 是对响应的一组限制或边界。它限制模型不应该做什么或避免什么 1。
指令直接传达期望的结果，而约束可能让模型猜测什么是允许的。它在定义的边界内提供 了灵活性并鼓励创造力，而约束可能限制模型的潜力。
如果可能，使用积极指令：与其告诉模型不要做什么，不如告诉它该做什么。这可以避免混 淆并提高输出的准确性
5. 控制最大令牌长度 (Control the max token length)
要控制生成的 LLM 响应的长度，您可以在配置中设置最大令牌限制，或者在提示中明确请求特 定长度。
6. 在提示中使用变量 (Use variables in prompts)
平时我们写提示词可能是：“告诉我关于北京的一个事实。”但这只能用一次。使用变量则是把“北京”挖掉，换成一个占位符，比如 {城市}
做法：你在提示词里留下变量名，然后在实际运行时根据不同的输入去填充它。
7. 尝试不同的输入格式和写作风格 (Experiment with input formats and writing styles)
不同的模型、模型配置、提示格式、措辞选择甚至提交都可能产生不同的结果。因此，尝试 提示属性（如风格、措辞选择和提示类型（零样本、少样本、系统提示））非常重要 1。LLM 对 输入的精确措辞和格式可能出奇地敏感。微小的变化可能导致不同的输出
8. 对于带分类任务的少样本提示，混合类别 (For few-shot prompting with classication tasks, mix up the classes)
混合类别”是指在进行少样本提示（Few-shot Prompting）打乱它们的出现顺序
为什么要混合？
虽然通常认为示例的顺序影响不大，但在分类任务中，如果示例排列得太有规律（比如：先给 3 个正面评价示例，再给 3 个负面评价示例），模型可能会产生过度拟合（Overfitting）
风险： 模型可能会错误地认为“顺序”也是答案的一部分。它可能只是记住了示例出现的先后位置，而不是真正理解了每个类别的特征
后果： 这种“偷懒”的学习方式会导致模型在处理未见过的新数据时，表现得不够稳健，泛化能力变差
这就像在考前给学生做模拟题。如果你总是按照“1. 对、2. 错、3. 对、4. 错”这种固定规律出题，学生可能根本不看题目内容，直接记住了单双号的规律。只有把题目顺序彻底打乱，学生才不得不认真读题，去理解什么是真正的“对”和“错”。
9. 适应模型更新 (Adapt to model updates)
提示词优化并不是一个“一劳永逸”的过程，而是一个需要随着技术演进而不断迭代的持续性任务
10. 尝试不同的输出格式 (Experiment with output formats)
11. CoT 最佳实践 (CoT Best practices)
