Prompt最基本的三要素是：「任务」、「细节」、「角色」。其中「任务」是最核心的部分，是我们要让ChatGPT做的事情。「细节」、「角色」是可选项，也就是可有可无，有了它们能引导ChatGPT更精确的输出，没有它们ChatGPT也能完成我们指定的「任务」，但是输出效果肯定不够精确。把这三者合理的应用到提示词工程中，能更好的利用ChatGPT等大语言模型的能力。单纯的看概念可能有点懵懵懂懂，冯帅举一个例子给大家。
假设冯帅去饭店吃饭，到了饭店之后冯帅对厨师说：“来两份刀削面，一份不要辣椒不要醋要香菜，另外一份不要香菜不要醋要辣椒”。
「来两份刀削面」对应的就是「任务」，因为你到饭店就是要来吃刀削面的，这是最基本的诉求。
「一份不要辣椒不要醋要香菜，另外一份不要香菜不要醋要辣椒」对应的就是「细节」，这是你对任务的要求细节和特殊偏好，没有这些细节的描述厨师也能够完成给你做两份刀削面这个任务，但是可能不符合你的口味细节。
「厨师」对应的就是「角色」，角色也是非常重要的，它能够让ChatGPT代入角色从而更好的完成任务。你指定厨师去给你做刀削面，而不是指定收银员给你做刀削面，是因为厨师专业干这个的，厨师做出来的刀削面肯定比收银员做出来的刀削面好吃。
一）情景故事
假设冯帅下定决心开始坚持跑步，想要制定一个长期的跑步锻炼计划，并且还想要学习一些跑步姿势等专业的技巧。于是冯帅就去健身房找了一个健身教练，对教练说：“给我制定一个长期的跑步计划，并且给我讲一下跑步的技巧”。
二）理论概念
冯帅让教练给我制定跑步计划和讲解跑步技巧，就是在给教练指定任务。同样的在提示词工程中，我们让ChatGPT为我们做某件事情，就是给它指定任务，把需要完成的任务告知给它，它就会按照你的指示完成任务，这是提示词工程中最基本的一种用法。
使用公式：请你完成「任务」
三）实操案例
1、提示词
请你给我制定一个长期的跑步计划，并且给我讲一下跑步的技巧
2、提示词拆解
任务：给我制定一个长期的跑步计划，并且给我讲一下跑步的技巧
3、执行效果
假设初入职场的菜鸟打工人冯帅某天早上到达自己的工位之后，还没来得及去厕所带薪**
领导就过来对冯帅说：“小冯啊，有个比较急的活，咱们刚刚上线的A项目，已经交付了一批客户了，我后天要去某地出差到客户现场给客户进行培训，辛苦你一下把这个A项目的实用手册写了，写个实用手册嘛，很简单，明天晚上下班之前给我，我后天去给客户培训的时候要用，后续客户也要使用这个项目手册”。
冯帅收到领导交代的任务之后，不敢怠慢，立马着手编写使用手册，赶在第二天下班前把项目使用手册写出来了，写出来之后立马发送给领导。
领导看了之后，眉头有点稍稍的紧锁，一句话没说但是似乎什么都说了。
在领导给冯帅交待了编写手册的所有细节之后，冯帅又去加班修改项目使用手册了，终于在熬了一个通宵之后赶在领导出差之前把手册内容修改完成，发送给领导之后领导非常满意。
在上述例子中，领导第一次交代任务仅仅告诉了冯帅想要的结果，而没有提供明确的指导或详细描述，所以冯帅在第一次撰写的项目手册与领导预期的结果存在很大偏差。
第二次领导对冯帅下达任务的时候对任务的细节做了更加明确的描述，有了这些细节描述，冯帅出色的完成了任务。
把以上例子中的冯帅对应为ChatGPT，领导对应为使用ChatGPT的人。在与提示词工程中，我们在与ChatGPT对话时，如果只是一句简单的提问，它输出的内容大概率不是你想要的答案。
那么为了得到更准确或者说你心里想要的那个答案，你就需要向它提供「更具体的细节」，让它明白任务的细节要求。增加这些任务细节描述可以大大降低ChatGPT的输出误差和不确定性，从而提高其对任务的执行能力这里就是使用了提示词三要素中的「任务」+「细节」。
使用公式：请你完成「任务」，按照「细节」中的要求输出
请你为我指定一个7天英语学习计划，计划要精确到每半天，以表格的格式输出
任务：为我制定一个7天英语学习计划
细节：计划要精确到每半天，以表格的格式输出
冯帅对领导说：“领导，我写完了之后没人测试啊，测试同事都下班了，不测的话没法上线”。
领导又说：“没关系，小需求，你写完之后自己好好测一下，没什么问题就上线”。然后冯帅就听领导的，写完之后自己测了测就上线了，果然不出意外的出意外了，上线之后有问题。
以上的假设小例子中，冯帅是软件工程师角色，而不是测试工程师角色，冯帅作为软件工程师并不能很好的完成测试工作。
同样的在提示词工程中，要想让ChatGPT更好的完成我们指定的任务，需要给它指定特定的角色。
这里有一个小技巧，在给ChatGPT指定角色的时候，我们先在现实社会中找到对应能够完成此任务的最适合的角色，然后让ChatGPT扮演此角色来完成任务即可。比如你想学习唱歌，你就指定它是一位歌唱家，你想学习跳舞就指定它为舞蹈家，你想学习打篮球你就指定它为篮球专家。
在现实生活中效率最高的办法是“让合适的人干合适的活”，在提示词工程中，让合适的角色完成合适的任务，效率和质量都是最高的。
使用公式：请你扮演「角色」，完成「任务」
请你扮演一位Java高级工程师，为我写一个排序算法
角色：Java高级工程师
任务：写一个排序算法
以下执行效果中输出的代码为Java代码而不是Python或者其它代码，说明ChatGPT理解了我们为它指定的角色，并基于这个角色完成了任务
假设冯帅在周末的时候和一群朋友出去吃烧烤喝啤酒，冯帅有位朋友酒量很好但是他不会轻易的喝酒，冯帅提议让这个朋友喝一个，这个朋友就稍微的喝一小口。
喝一小口并不能让饭局上的各位朋友满意，于是冯帅就说：“来，我给你打个样”，冯帅一口喝下一杯酒之后，这位朋友看到冯帅打的样，就端起酒杯喝了半杯。
上述小故事中，「任务」就是让这位朋友把杯中酒干了，冯帅和其他各位朋友把杯中酒干了打个样，就是提供示例。
在提示词工程中，示例是为模型提供的关于如何完成特定任务的参考或指导。示例可以清晰的表达出来用户期望输出的格式或内容，从而消除任何用户和ChatGPT之间可能存在的歧义。
另外，对于一些复杂或者比较特殊的任务，仅靠文字描述可能难以完全准确的表达任务，在这种情况下提供示例也可以有效地让ChatGPT理解我们的任务。
使用公式：请按照以下「示例」，完成「任务」
请你扮演一位产品经理，向我解释产品经理这份职业，要求使用markdown的格式按照以下示例输出：#产品经理职业概念#产品经理职责#产品经理工作内容#产品经理职位重要性
角色：产品经理
任务：向我解释产品经理这份职业
假设冯帅有一位6岁的可爱小外甥女，某天冯帅带着外甥女出去玩耍，在路上看到一个受伤的小狗。小外甥女很喜欢这个小狗，想要把它抱回家里边养起来，但是她不知道该怎样做才能把它抱回家养起来。
于是冯帅对她说：“让我们先思考一下，我们该怎样救治这只小狗”。小外甥女脑袋思索了一下说：“我们应该先把小狗送到宠物医院治疗”。通过冯帅的鼓励和引导，小外甥女对这件事情进行了思考，并得出了一个正确的结论。
提示词工程本身就是一种与ChatGPT交互的技术，提示词工程的目的就是优化和引导ChatGPT的输出。
使用具有鼓励和引导性质的词汇可以引导ChatGPT进行更深入的思考，从而得到更准确的输出。
就像冯帅通过询问鼓励小外甥女深入思考一样，我们在与ChatGPT交互时，可以使用类似“让我们思考一下这个问题的细节”这样的句子，来引导模型进行更深入的分析，从而得到更准确和详细的答案。
使用公式：「让我们思考一下」，完成「任务」
引导ChatGPT思考：让我们思考一下全球变暖对人类的影响
假设冯帅是一名三年级的小学生，某天冯帅在语文课堂上学习了老师教授的写作文课程，上完课之后老师布置了作业：写一篇关于你最喜欢的一种食物的作文。
冯帅放学回去之后就开始写作文，其中作文中有以下内容：“冯帅最喜欢的食物是烧鸡，因为小时候过节或者过年的时候父亲总会买一只烧鸡来改善生活。
有一天冯帅的叔叔来家里做客，带过来了一只烤鸭，叔叔问冯帅最喜欢吃的食物是什么，冯帅说最喜欢吃烤鸭”。
第二天冯帅把这篇写好的作文交给老师，老师看了之后给冯帅指出来了作文中的逻辑矛盾：冯帅在这篇作文开篇写自己最喜欢吃烧鸡，最后又说自己最喜欢吃烤鸭，这个逻辑前后存在矛盾。
上述的假设小故事中，冯帅写的作文内容中存在前后矛盾，而老师能够很精确的指出其中的矛盾信息点。
在提示词工程中，ChatGPT拥有类似于老师的逻辑检查功能，我们可以利用其强大的推理和检索能力来进行逻辑一致性和自洽性的检查。自洽性检查提示方法，通常用于三种场景：检查事实、检查逻辑是否矛盾、检查数据是否一致。
使用公式：
1、请检查以下文本中内容是否符合事实：「文本内容」
2、请检查以下文本内容中的逻辑是否矛盾：「文本内容」
3、请检查以下文本中数据是否一致：「文本内容」
1、检查事实
2、检查逻辑是否矛盾
3、检查数据是否一致
在提示词工程中，提供特定的关键词同样重要，特定的关键词就如同一把导航的钥匙，它为模型提供了明确的方向，确保输出内容不偏离预期。在与ChatGPT等大型语言模型互动时，提供明确、有针对性的关键词可以更好地引导模型产生高质量的输出。
关键词：唱歌、跳舞、打篮球
假设冯帅想在国庆节期间去北京旅游5天，冯帅从小没出过远门，对北京的旅游景点不是特别了解，于是乎冯帅在网上找了一个付费的导游咨询。
冯帅对导游说：“我想要在周末去北京旅游5天，我比较喜欢以下几种类型的景点：历史文化博物馆、户外公园、当地特色民风民俗。请你帮我从这几种类型的景点中选择一个或者多个类型，给我规划一个5天的旅游行程，我想比较悠闲的逛逛北京的景点，不能太累”。
然后导游就根据我的需求给我制定了一个非常有针对性的行程规划，双方都比较满意。
在提示词工程中，提供一系列预定义的选项或范围，让模型在这些选择之间进行决策，可以引导ChatGPT等模型生成符合特定条件的文本，通过提供这些选择我们能够有效地控制模型的输出，确保其输出内容符合我们的预期要求。
使用公式：指定「任务」+提供「预定义选项」+「明确输出要求和细节」
我想要在周末去北京旅游5天，我比较喜欢以下几种类型的景点：历史文化博物馆、户外公园、当地特色民风民俗。请你帮我从这几种类型的景点中选择一个或者多个类型，给我规划一个5天的旅游行程，我想比较悠闲的逛逛北京的景点，不能太累
任务：我规划一个5天的旅游行程
预定义选项：历史文化博物馆、户外公园、当地特色民风民俗
细节：比较悠闲的逛逛北京的景点，不能太累
3、执行结果
假设冯帅有位朋友叫小美，某天小美约冯帅出来喝咖啡，到了咖啡馆之后冯帅发现小美看上去不太开心，于是冯帅就询问缘由，小美说她一直以来喜欢的某个明星塌房了，她很难过，冯帅在得知事情缘由之后就开始安慰小美。
冯帅先用鲁迅风格安慰了一下小美：“他的人设崩塌，只是揭示了社会这面镜子的真实。而你，为何要将自己的情感全部建立在他人之上，不怕被这虚假的社会标准所左右吗？你需要面对真实的生活，而不是被这些虚无的新闻所左右”。
小美在听了冯帅这几句安慰的话之后更加生气了，对着冯帅吼到：“你知道他对我意味着什么吗？你不懂！那对我而言不仅仅是一位明星，更是我心中的理想与信仰”。
冯帅意识到刚才的说话风格虽然是大实话但是可能过于尖锐，于是调整语气，用林黛玉风格对小美说：“人们常说，江湖里的人都是浮华，但心中的那片净土，却是永远不变。他的人设或许崩塌，但那份对他的喜欢、那些回忆，不都还在你的心中吗人生如梦，有时需要放下，去追寻真正属于自己的星光”。
小美听了之后，双眼含泪，但泪水中却带有一丝明亮，对冯帅说：“我不难过了，谢谢你冯帅，你是个好人”。
特定的场景要用特定的风格，在提示词工程中，指定输出风格同样重要。“基于一组给定的角色和特定的主题”，这种方式能够让ChatGPT在完成基本任务的同时，还能够保持一定的灵活性，输出的答案更加符合我们的预期。
1、以「名人」的风格完成「任务」
2、以「某时期」的风格来完成「任务」
请你以林黛玉风格，针对“上班”来输出一篇200字的短文
任务：输出一篇200子的短文
风格：林黛玉风格
假设某天冯帅上班之后，领导又过来找冯帅让冯帅写文档了，这次不是写项目的使用手册，而是写一份需求文档。
这次冯帅变得机智了，不再是一收到任务之后就立马回到工位上开始写，而是立马去询问领导需求文档的内容要求格式是什么，并且强烈的要求领导给我提供一个之前旧项目的需求文档，我能比对着旧文档的格式写新文档。
于是领导从他的电脑上翻找了好久，找出来了一份他比较满意的文档发给了冯帅，让冯帅比着这个旧文档来写新文档。
冯帅拿到旧文档之后，比着它的格式比如文档总共要分几级标题、标题是按照大模块还是按照小功能拆分等等。最终冯帅很快完成了新文档的编写，并把它交给领导，领导很满意。
通俗的来说，指定输出规则就是让ChatGPT按照这个规则来输出答案。
这能够确保ChatGPT输出的内容结果不是随机的，也不是按照它被训练时的基本模式来生成的，而是能够满足我们特定需求和标准的规则。指定输出规则能够在确保ChatGPT输出内容质量的同时，提高输出内容的可控性。
使用公式：请你完成「任务」，输出内容按照以下规则：「规则」
任务：输出一份markdown格式的接口文档
假设冯帅现在正在上初中，冯帅的英语水平很烂，次次考试不及格，每天背英语单词都背不下来，八点背完九点就忘了，虽然在中考中英语很重要，学好英语才能考上重点高中，冯帅实在是记不住单词。
但是有一天事情出现了转机，某学期的开学大会上，校长宣布新的学期学校新引入一批英语专业的高材生，本学期开始将对学校的英语教学方法进行改革。新的教学方式强调对话与实际应用，而不再是简单的背诵。
于是乎在这之后的英语课堂，教学方法从原来的死记硬背，改为通过同学和老师之间互相用英语对话的方式来学习。冯帅发现使用与真人对话的形式来学习英语能够更容易记住单词和句子结构，因为这些对话是有情景的，而不是孤立的信息点，最终通过这种方式冯帅的英语成绩有了显著的提高。
与ChatGPT的对话是提示词工程中的关键技巧，对话提供了一个情境化的环境，使得信息不再是孤立的。
与ChatGPT对话交互的过程中，用户能够动态的调整他们的问题和输入，ChatGPT也能够即时纠正和给出反馈，从而是用户能够更精确的获得所需要的答案。
使用公式：请你完成「任务」，任务中的关键信息点向我提问
请你帮我制定一个北京3天的旅游计划，计划的关键信息点向我提问