当前位置: 首页 > news >正文

DeepSeek-提示词工程

任务目标

        明确告诉DeepSeek,你的写作目的是什么

背景信息

        提供写作目的的背景资料,让AI对写作主题有更全面的了解

目标受众

        指出文章面向的读者群体是谁,他们的特点和需求是什么,AI根据受众的口味调整行文风格

写作风格

        说明希望文章的基调是什么样的

格式要求

        对文章的字数、段落结构,是否需要配图等细节提出明确要求

参考示例

        如果可能的话,提供一两篇喜欢的同类文章作为写作参考,方便AI理解和模仿你想要的效果。

TASTE框架(任务-受众-结构-语气)

Task

        明确定义AI的主要任务或生成内容,你让AI做什么?

Audience(受众)

        明确说明目标受众:你的内容是给谁看的?他们的背景知识水平、需求、兴趣是什么?

Structure(结构)

        为输出的内容提供明确的组织结构,你期望AI输出的内容是什么结构

Tone(语气)

        指定AI回答时的语气或风格。你希望AI用什么样的语气和风格来回应?

Example

        提供例子或模板可帮助AI理解输出风格或格式。

Taste框架优势

简单易懂、易于上手

        Taste框架结构清晰,要素明确,非常适合初学者快速掌握

覆盖提示词核心要素

        涵盖了提示词设计核心的几个要素,确保完整性和有效性

适用于多种任务类型

        可以应用于文本生成、信息提取、代码生成等各种任务

ALIGN框架(目标-级别-输入-指南-新颖性)

Aim

        明确任务的最终目标,你希望通过这个提示词最终达到什么目的?

Level

        定义输出的难度级别,你期望AI输出的内容达到什么难度级别

Input

        指定需要处理的输入数据或信息,AI需要哪些输入信息才能完成任务?

Guidelines

        提供在执行任务时应该遵循的规则或约束

Novelty

        明确是否需要原创或创新的内容

框架优势

更侧重于目标和难度控制

        有助于用户更精准地控制AI的输出质量和水平

强调输入和指导原则

        确保AI在正确的方向上工作

关注创新性

        鼓励用户引导AI生成更具创新性和突破性的内容

RTGO框架(角色-任务-目标-操作要求)

Role(角色)

        定义AI的角色。赋予AI一个特定的身份

Task(任务)

        具体任务描述,明确告诉AI你要它做什么,任务描述要尽可能具体、清晰、可操作

Goal(目标)

        期望达到什么目标效果

Objective(操作要求)

        具体操作要求,对AI的输出提出更具体的要求,如字数、结构、风格等

框架优势

结构清晰,逻辑性强

        组织提示词要素的方式清晰易懂

面向任务执行,实用性强

        特别适合职场工作场景

角色扮演,专业性强

        通过角色设定提高输出的专业性

CO-STAR框架(情景-目标-风格-语气-受众-回应)

Context(情境):

        提供任务相关的背景信息,帮助AI更好地理解任务环境

Objective(目标):

        明确告诉AI你希望它做什么

Style(风格):

        期望的写作风格

Tone(语气):

        期望的语气或语调

Audience(受众):

        明确内容的目标受众群体

Response(回应):

        期望的回应类型,如详细报告、表格、特定格式等

框架优势:

要素全面,考虑周全:

        涵盖了提示词设计的各个方面

强调情境和个性化:

        有助于生成更贴合实际场景的内容

适用于需要精细化控制输出的场景

总结

        Taste从感官出发,Align从目标出发,Rtgo从角色出发,co-star从场景出发

http://www.xdnf.cn/news/295885.html

相关文章:

  • 解密下一代AI:大模型技术的突破与挑战
  • 【Windows】Windows 使用bat脚本备份SVN仓库
  • AI融合SEO关键词优化
  • linux stm32mp157 GIC-V2 中断处理过程分析
  • 三角洲行动-高性能高品质的端手地形和生态技术文章解读
  • 2022年全国青少年信息素养大赛 Python编程挑战赛 小学/初中组 初赛真题答案详细解析
  • 为React组件库引入自动化测试:从零到完善的实践之路
  • 音视频作品:AI生成音乐、短视频的邻接权保护
  • 【day03】简写单词 | dd爱框框 | 除2!
  • AD创建元件符号
  • ERP系统源码,java版ERP管理系统源码,云端ERP
  • 【阿里云大模型高级工程师ACP习题集】2.9 大模型应用生产实践(下篇)
  • BC35 判断字母
  • 预训练到微调:深入理解AI的上下游任务
  • 网络延时 第四次CCF-CSP计算机软件能力认证
  • 41.寻找缺失的第一个正数:原地哈希算法详解
  • pyqt写一个单片机配置界面
  • DockerDesktop替换方案
  • AVL树 和 红黑树 的插入算法
  • 模拟芯片设计中数字信号处理一些常用概念(一)
  • Agent2Agent(谷歌A2A)协议原理讲解
  • Linux 文件系统深度解析
  • (二)MMA(整洁架构)
  • 中阳策略:如何从K线行为中提取交易逻辑信号?
  • spring中spring-boot-configuration-processor的使用
  • wordperss AI插件:AI图文+视频+长尾关键词自动生成,已内置deepseek、kimi全模型,支持简单一键接入更多自定义API
  • 动态规划之子序列问题1
  • n8n中Wait节点的使用详解:流程暂停与恢复的实战指南
  • CodeQL-CLI工具小白入门
  • hp主机安装ubuntu 22.04版本并换阿里源