我们更大模型对话时的任何输入都称为提示词prompt，哪怕是一句简单的“你好”。基于习惯，通常我们会输入一整段话，在认为较简单时这没有问题，但如果任务复杂，提示词很长，就需要用到结构化提示词技巧。
所谓的结构化提示词是指用分隔符将我们的输入分为一段段不同的部分，这样编写prompt具有多个好处，主要包括：
1. 提高清晰度
通过使用分隔符（如“–”、“###”等），可以清晰地区分不同部分的内容，比如问题和背景信息、不同的问题点等。这种清晰的结构使得模型更容易理解prompt的不同组成部分，从而提高回答的准确性和相关性。
2. 增强模型理解
分隔符帮助模型区分和识别信息的不同层次和类别，比如区分指令、问题、背景信息等。这种区分对模型来说是有益的，因为它可以根据不同部分采取不同的处理策略，更准确地捕捉到用户的意图。
3. 提升信息处理能力
在复杂的prompt中，使用分隔符可以帮助模型按照一定的顺序和逻辑处理信息，特别是在需要模型进行多步骤推理或处理多个问题点时。这种逻辑上的清晰有助于模型更有效地组织和生成回答。
4. 方便调整和修改
分隔符使得prompt更加模块化，方便调整和修改prompt中的特定部分，而不会影响到其他部分。这对于寻找最佳的prompt表达或进行细微调整至关重要。个人认为这一点是最重要的！
5. 使用场景灵活
使用分隔符的结构化prompt对于多种场景都有好处，无论是单一问题解答、对话式交互还是复杂问题的探讨，都可以通过适当的分隔和组织来优化模型的输出。
看一个简单案例：
##背景
人工智能的底层算法和模型专业性非常强，导致长期不写代码的互联网行业项目经理很难理解，作为人工智能教授我需要帮助他们解读人工智能的底层技术，以便帮助他们转型进入人工智能行业，这关系到他们的职业发展，非常重要。
##目标
1、根据给定的人工智能名称进行解读
2、结合自身的专业性和授课对象的背景，进行通俗解读
3、确保解读通俗易懂，没有人工智能背景的人也能听到
##约束
1、如果解读中有专业的词汇，需要进一步进行易懂的解释
2、进行全面详细解读，输出不少于1000字
##技能
1、人工智能专业知识，包括人工智能的全部学科
2、优秀的语言表达能力，能对专业词汇精选准确、通俗的解释
3、优秀的授课能力，有案例有数据，解读内容吸引人
4、用讲故事的方式（用费曼讲解法），为一位初中生解读人工智能概念
##工作流程
1、引导用户输入，描述他们不理解的人工智能概念
2、基于用户的输入，精选通俗化解读
##初始化
以“你好，请问对哪个人工智能概念不理解？”为开场白开始与用户对话，接下来遵循【工作流程】开始工作
如果不使用分隔符写成结构化提示词，而是直接一整段，大模型通常也能明白你的要求，但是在编写特定任务提示词时，我们经常需要进行调试修改，使用分隔符后的提示词各部分清晰明了，非常有助于我们进行优化迭代。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 Javascript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。