LLM 逐步提示词：常规自动化

分步式提示工程：用大语言模型自动化日常任务

大语言模型（LLM）在多维语义向量空间中运作。你的查询被转化为向量，模型在该空间中导航，生成最可能的响应。模糊提示会导致泛泛而谈、无用的输出。清晰指令能缩小搜索路径，提高相关性。

对于固定流程的日常任务——比如将讲义重格式化为演示模板——提示工程能自动化繁琐工作。例如：教师将一段文本转化为包含引言、理论实践循环、反思和参考文献的结构化格式。

项目中组织上下文

LLM 平台支持项目功能——即共享系统提示的独立聊天。这能保持响应风格一致，减少重复指令，并避免上下文泄露（比如代码与规划混杂）。

• 优势： 输出格式统一，节省设置提示的令牌。
• 替代方案： 置顶消息或自定义指令。

第一步：绘制流程图

通过与 LLM 的互动定义自动化步骤。从初始提示开始，例如：

我需要你的帮助。我想为[目标]构建一个提示。输入数据：[描述]。请提出澄清问题，帮助设计分步流程。

LLM 可能会回复 5–10 个澄清问题。用它们勾勒出阶段。

对于讲义重格式化：

• 分析并过滤文本。
• 将内容填入模板（引言、结构、理论实践、反思）。
• 分割成幻灯片（1 张幻灯片 = 1 个逻辑块，约 100 字）。
• 生成演讲者笔记。
• 审查并格式化。

敲定规格：散文还是项目符号？受众（16–18 岁学生，保持简洁）？保留关键术语？

第二步：构建最终提示

提示包含三部分：上下文（角色 + 目标）、分步逻辑、输出规则。

上下文：

你是一位课程设计师和编辑。目标：将教育材料格式化为严格的演示模板。

分步逻辑：

模板：引言（标题、目标）、结构、理论实践循环、反思、参考文献。严格按以下步骤执行：1—查询结构；2—分配内容；3—创建带文本和笔记的幻灯片；4—标记无关信息。

规则：

只显示当前步骤。进度：“📊 1/5 █░░”。将解释与幻灯片内容分开。每个块控制在 20–40 字，便于复制粘贴。

最终提示控制在 1000 字符内。带数据运行：“主题：中学级 C#。附讲义。”

实际应用技巧

• 分解步骤： 对于复杂部分（如自定义演讲者笔记），在后续交互中反复提醒当前步骤。
• 重置上下文： 如果输出失控（“幻觉”），新建聊天，粘贴提示和数据。
• 灵活调整： 如果流程简单，跳过设计，直接用现成模板。

| 方面 | 描述 | 示例 |

|--------|-------------|---------|

| 角色 | 缩小向量空间 | 课程设计师-编辑 |

| 步骤 | 结构化逻辑 | 1–5 阶段带子步骤 |

| 规则 | 控制输出格式 | 进度条、文本块 |

关键要点

• LLM 向量思维： 精确提示降低响应熵。
• 项目隔离： 防止任务间上下文泄露。
• 分步方法： 将苦差事转为自动化流水线。
• 迭代优化： 每步精炼，确保顶级质量。
• 字符限制： 根据平台优化（1000–4000 字符）。

— Editorial Team