尧图网页设计 
简介这是一份面向人工智能从业者与大模型应用开发者的结构化Prompt系统资料聚焦「像写文章一样写Prompt」这一范式适合想提升大模型交互质量、又缺乏体系化参考的初学者与进阶实践者。全文围绕结构化Prompt的核心理念展开系统讲解标识符#、、-、[]与属性词Role、Profile、Initialization、Rules、Workflow等如何划分层次与语义并把CRISPE框架与LangGPT模板化写法做对照给出诗人Prompt等可直接套用的实例覆盖文本生成、问答系统、代码生成等场景。资源包为1个PDF文件约604KB篇幅紧凑便于通读与查阅。目前已有509人学习下载读者可据此掌握一套可复用的Prompt模板搭建方法学会用Markdown或yaml、json组织提示词理解模板一致性与模型理解能力之间的关系从而写出性能更稳定、逻辑更清晰的高质量Prompt。1. 结构化 Prompt 为什么值得当一份工程文档来读绝大多数人写 Prompt 的方式是「想到哪写到哪」先说要干什么再补一句语气要求最后想起来还有个输出格式没交代于是追加一段。这种线性堆叠在简单任务上没毛病一旦任务变复杂——要控制人设、要约束输出格式、要复用给多人协作——Prompt 就会变成一坨谁也不敢改的文本。结构化 Prompt 要解决的就是这件事把 Prompt 从「一段话」变成「一份有层级、有属性、有模块的文档」。这份《构建高性能 Prompt 之路——结构化 Prompt.pdf》讲的正是这套范式的来龙去脉。作者云中江树是最早在国内把结构化、模板化 Prompt 编写方式开源出来的那一批人配套项目是 LangGPT。文章的价值不在「教你写一句咒语」而在于它给出了模块划分、标识符约定、属性词语义、模型适配差异这一整套可复用的工程约束。对天天跟大模型打交道的人来说把它当一份 Prompt 工程的设计文档读比当教程读收获大得多。适合三类人一是刚开始写提示词、还没形成方法论的二是要把 Prompt 交付给团队维护、需要统一规范的三是做 AIGC 应用、需要用 Prompt 串起多个 agent 的。下面按「结构原理 → 模块拆解 → 复杂任务编排 → 落地工作流与排错」的顺序拆开讲。2. 结构化 Prompt 的层级语法与模块划分2.1 标识符与属性词结构化 Prompt 的两个基本构件结构化 Prompt 借鉴了 Markdown、YAML、JSON 这类标记语言的组织方式用符号标识层级用词标识语义。两个核心概念一定要分清。标识符负责「层级」。#标识一级标题##标识二级###标识三级用于把内容归拢到不同深度。变量则用如Role、Rules或[]包裹表示这里是一个可替换的占位符。同一篇 Prompt 里标识符的用法必须前后一致——#要么只做标题要么只做变量混用会直接干扰模型对结构的识别。属性词负责「语义」。Role、Profile、Rules、Workflow、Initialization这些词本身携带含义是对其下内容的总结提示。它们起的作用和学术论文里「摘要 / 方法 / 实验 / 结论」这些小标题完全一样让读者这里是模型在读到具体内容之前就知道这一段大概在讲什么。一个最小可用的 Markdown 结构化模板长这样# Role: 诗人 ## Profile - Author: YZFly - Version: 0.1 - Language: 中文 - Description: 诗人是创作诗歌的艺术家擅长通过诗歌表达情感、描绘景象。 ### Skill-1 1. 擅长现代诗形式自由意象经营重于修辞运用 2. 擅长七言律诗全篇每句七字或以七字句为主 ## Rules 1. 内容健康积极向上 2. 七言律诗和五言诗要押韵 ## Workflow 1. 让用户以 形式[], 主题[] 的方式指定诗歌形式与主题 2. 针对用户给定的主题创作诗歌包括题目和诗句 ## Initialization 作为角色 Role严格遵守 Rules使用默认 Language 与用户对话 友好地欢迎用户然后介绍自己并告诉用户 Workflow。这段模板的关键不在文采而在三个层次各司其职#定角色统摄全局##定模块统摄局部-和序号定条目统摄句子。Initialization段是很多人会漏掉的一环它把前面所有模块「串」起来——用自然语言复述一遍各模块之间的关系等于给模型做了一次启动自检。提示属性词和标识符都是可替换的。你可以把Rules换成Constraints或中文的「规则」把Role换成Expert、Master。替换本身不提升性能但它让模板能对齐你团队的术语习惯。2.2 常见属性词的语义边界属性词选得好不好直接决定 Prompt 的可维护性。下面这张表是实践中比较稳的一组可以直接抄属性词作用范围语义职责常见替代表达Role全局角色名称与领域定位Expert、MasterProfile段落角色的「简历」作者、版本、语言、描述Features、简介Skill段落角色具备的具体能力分点描述AbilitiesRules段落必须遵守的硬约束Constraints、规则Workflow段落与用户交互的流程步骤Process、流程Initialization段落启动行为复述各模块关系Init、初始化OutputFormat段落输出格式约定格式化场景必备OutputInput/Output段落多 agent 协作时的接口定义输入/输出这里有个容易被忽略的细节Profile这个名字不是一次定下来的。早期版本用的是Features来源于 AI-Tutor 项目的启发但Features语义太泛后来改成了Profile——角色的简历职责一目了然。名字一改模板的可读性明显上来了。内容语义一致性同样重要。Rules段就该放规则不要把角色技能、背景描述大段堆进去。属性词和它下面内容的语义对不上模型拿到的就是矛盾信号输出会飘。2.3 选择 Markdown 还是 YAML/JSONLangGPT 默认用 Markdown理由很实在ChatGPT 网页版原生支持 Markdown 渲染非程序员也能看懂。但它不是唯一选项。Markdown可读性最好适合人在网页端直接调试、手改。YAML天然支持嵌套适合当配置管理但缩进错了就解析失败。JSON结构最严谨适合程序化拼接和自动生成缺点是手写痛苦、嵌套深了根本读不下去。我的建议是分场景手工调试阶段用 Markdown一旦 Prompt 要进代码仓库、要由程序模板渲染变量就转成 YAML 或 JSON。同一套模块划分在三种语法间可以无损迁移这也是结构化方法被称作「工程化」的原因。3. 复杂任务的编排全局思维链与技巧融合3.1 用模块顺序搭出一条隐式思维链一个结构良好的 Prompt本质上是一条预先写好的全局思维链。把它展开就是Role角色→ Profile角色简介→ Skill角色技能 → Rules角色要遵守的规则→ Workflow工作流程 → Initialization启动准备→ 实际使用这个顺序不是随便排的。模型读到Role时先建立身份读Profile和Skill时补齐这个身份的能力边界读Rules时收到硬约束读Workflow时知道该按什么节奏推进最后Initialization把所有线索收束到「现在开始怎么说话」。整条链路读下来模型不需要自己猜该先关注什么。需要格式化输出时直接在链路里插入OutputFormat模块。多 agent 协作时插入Input和Output模块把上下游的数据契约写死。改动只影响局部不会牵连全局——这正是模块化带来的好处。3.2 把 CoT、few-shot 塞进结构化骨架结构化是一种组织方法它跟 CoT、ToT、Think step by step、few-shot 这些技巧不冲突反而是承载它们的容器。常见的 6 类提效方法如下细节法给出更清晰的指令包含更多具体细节分解法把复杂任务拆成子任务CoT、LangChain 的思路记忆法构建指令让模型时刻记住任务不偏离解决路径解释法要求模型在给答案前先说明理由投票法让模型给多个结果再挑最优ToT 的思路示例法提供一至多个输入输出样例one-shot、few-shot把 few-shot 落进模板就是在骨架里加一个Examples模块## Examples --- 输入: 关于组织年度会议的通知 输出: 关于组织年度会议的通知 根据工作安排和需要我局决定于 2022 年 3 月 15 日召开年度会议…… 一、会议时间2022 年 3 月 15 日 上午 9 时至 11 时 二、会议地点XX 会议厅 三、会议议程 1. 2021 年度工作总结和 2022 年工作计划的汇报 ---Examples模块放在Workflow之前作用是给模型一个「成品长什么样」的锚点。这里分隔线---不是装饰它明确切开了输入与输出两个样本避免模型把示例当成待处理的任务。示例条数上一到两条足够定型堆太多反而会挤占上下文预算。3.3 针对模型能力做结构降维结构化 Prompt 对基座模型有要求指令遵循能力和结构识别能力得跟得上。实践中表现从好到差大致是 GPT-4、Claude、GPT-3.5。在 GPT-4 和 Claude 上通常稳定GPT-3.5 上则容易不稳定。如果手头只能用能力较弱的模型不要硬套多级结构做降维。LangGPT 助手的 GPT-3.5 版本就是这么处理的把原来的多级 Markdown 结构压成两级1. 2. 3.当一级-当二级同时换成Goals、Constraints这类更直白的属性词。1.Expert: LangGPT 2.Profile: - Author: YZFly - Version: 1.0 - Language: English - Description: You are {{Expert}} which helps people write wonderful and powerful prompts. 3.Skills: - Proficiency in the essence of LangGPT structured prompts. - Write powerful LangGPT prompts to maximize performance. 4.Goals: - Help write powerful LangGPT prompts. - Output the result as markdown code. 5.Constraints: - Dont break character under any circumstance. - Dont talk nonsense and make up facts. 6.Init: - Ask user to input [Prompt Usage]. - Help user write powerful LangGPT prompts based on [Prompt Usage].{{ }}是变量占位符运行时替换成具体内容。这套两级结构牺牲了层级丰富度但换来的是弱模型上的稳定性——降维的本质是减少模型的解析负担。同样的任务如果用 GPT-4就可以放心展开成三层甚至四层。4. 生产级 Prompt 的迭代流程与失效边界4.1 三条工作流按投入产出选构建复杂结构化 Prompt实践中沉淀下来三条路径工作流步骤适用情况A推荐自动生成初版 → 手工迭代调优 → 定稿大多数场景工作量与质量平衡最好B推荐自动生成初版 → 自动评估 → 按评估结果迭代 → 定稿有批量 Prompt 需求、需要量化评估C手工套用现成模板 → 手工迭代 → 定稿应急、任务简单或想彻底掌控细节工作流 A 的第一步可以用 LangGPT 的 Prompt 生成助手完成生成的初版通常已能覆盖大部分日常场景生产级需求在此基础上继续迭代。工作流 B 多了一步「自动评估」用评分分析类 Prompt 对生成结果打分再把分数作为迭代信号适合一次要做几十个 Prompt 的情况。手工迭代时要盯两件事一是格式语义一致性标识符用法前后别打架二是内容语义一致性属性词和它下面的内容要匹配。这两条守住了Prompt 迭代就不会越改越乱。4.2 结构化解决不了的问题别指望它结构化 Prompt 依赖基座模型能力它优化的是「表达与组织」不能突破模型本身的天花板。以下几类问题是它明确解决不了的预期要放低模型自身的幻觉结构化只能通过Rules里加约束缓解不能根除知识老旧需要外部检索或知识库补充数学推理弱解数学题别指望靠 Prompt 结构翻盘视觉能力弱构建 SVG 矢量图这类场景受限明显字数统计不准无论字符数还是 token 数模型都算不准。想让它输出 100 字就在指令里写 150 字后期自己裁剪同一 Prompt 跨模型表现差异换模型就得重新评估不能直接迁移其中字数统计这个坑最常踩。写「请输出 100 字以内的简介」模型给的往往在 80 到 150 之间乱跳。稳妥做法是把目标值上浮 30%~50%再人工微调。4.3 版本管理与复用结构化 Prompt 是文本天然可以进 Git。把每个 Prompt 当成一个源文件Profile里的Version字段当成 revision改动走 commit、变更记 changelog。多人协作时谁改了哪个模块一目了然。复用同样成立。Rules这类通用模块可以抽出来做成片段不同角色的 Prompt 引入同一个片段基础角色如「中文写作助手」可以像面向对象里的基类一样被继承和扩展。LangGPT 的生成助手在某种意义上就是在自动完成基础角色的复用。团队里如果已经沉淀了一批稳定的基础角色新 Prompt 的开发成本会明显下降。4.4 一个可复用的自检清单每次定稿前用下面这套检查过一遍能挡掉大部分低级问题# 自检项逐条对照 # 1. 标识符用法是否全文一致# 只做标题 or 只做变量 # 2. 每个属性词下面的内容是否匹配该属性词语义 # 3. Initialization 是否复述了各模块之间的关系 # 4. 是否需要 OutputFormat 模块格式化输出场景 # 5. 模型能力是否支撑当前层级深度否则降维 # 6. Rules 中是否补充了防幻觉、防跑偏约束 # 7. 涉及字数的指令目标值是否已上浮这七条对应的是结构化 Prompt 最容易出问题的位置。层级一致性决定模型能不能读懂结构属性词匹配度决定语义传递准不准降维判断决定弱模型上稳不稳字数上浮和防幻觉规则属于兜底。最后一章落到一个具体技巧上先写Initialization再回填其他模块。很多人是从Role往下顺着写写到一半发现前后对不上。反过来先写Initialization——用一两句话把「我是谁、守什么规则、按什么流程走、用什么语言」串起来——等于先定了接口再回头把Profile、Rules、Workflow填进这个接口里返工率会低很多。技巧本身不复杂但它逼着你先把整条思维链想清楚再落到具体的模块文本上。本文还有配套的精品资源点击获取 LangGPT结构化Prompt：模块化语法与生产级工作流
简介这是一份面向人工智能从业者与大模型应用开发者的结构化Prompt系统资料聚焦「像写文章一样写Prompt」这一范式适合想提升大模型交互质量、又缺乏体系化参考的初学者与进阶实践者。全文围绕结构化Prompt的核心理念展开系统讲解标识符#、、-、[]与属性词Role、Profile、Initialization、Rules、Workflow等如何划分层次与语义并把CRISPE框架与LangGPT模板化写法做对照给出诗人Prompt等可直接套用的实例覆盖文本生成、问答系统、代码生成等场景。资源包为1个PDF文件约604KB篇幅紧凑便于通读与查阅。目前已有509人学习下载读者可据此掌握一套可复用的Prompt模板搭建方法学会用Markdown或yaml、json组织提示词理解模板一致性与模型理解能力之间的关系从而写出性能更稳定、逻辑更清晰的高质量Prompt。1. 结构化 Prompt 为什么值得当一份工程文档来读绝大多数人写 Prompt 的方式是「想到哪写到哪」先说要干什么再补一句语气要求最后想起来还有个输出格式没交代于是追加一段。这种线性堆叠在简单任务上没毛病一旦任务变复杂——要控制人设、要约束输出格式、要复用给多人协作——Prompt 就会变成一坨谁也不敢改的文本。结构化 Prompt 要解决的就是这件事把 Prompt 从「一段话」变成「一份有层级、有属性、有模块的文档」。这份《构建高性能 Prompt 之路——结构化 Prompt.pdf》讲的正是这套范式的来龙去脉。作者云中江树是最早在国内把结构化、模板化 Prompt 编写方式开源出来的那一批人配套项目是 LangGPT。文章的价值不在「教你写一句咒语」而在于它给出了模块划分、标识符约定、属性词语义、模型适配差异这一整套可复用的工程约束。对天天跟大模型打交道的人来说把它当一份 Prompt 工程的设计文档读比当教程读收获大得多。适合三类人一是刚开始写提示词、还没形成方法论的二是要把 Prompt 交付给团队维护、需要统一规范的三是做 AIGC 应用、需要用 Prompt 串起多个 agent 的。下面按「结构原理 → 模块拆解 → 复杂任务编排 → 落地工作流与排错」的顺序拆开讲。2. 结构化 Prompt 的层级语法与模块划分2.1 标识符与属性词结构化 Prompt 的两个基本构件结构化 Prompt 借鉴了 Markdown、YAML、JSON 这类标记语言的组织方式用符号标识层级用词标识语义。两个核心概念一定要分清。标识符负责「层级」。#标识一级标题##标识二级###标识三级用于把内容归拢到不同深度。变量则用如Role、Rules或[]包裹表示这里是一个可替换的占位符。同一篇 Prompt 里标识符的用法必须前后一致——#要么只做标题要么只做变量混用会直接干扰模型对结构的识别。属性词负责「语义」。Role、Profile、Rules、Workflow、Initialization这些词本身携带含义是对其下内容的总结提示。它们起的作用和学术论文里「摘要 / 方法 / 实验 / 结论」这些小标题完全一样让读者这里是模型在读到具体内容之前就知道这一段大概在讲什么。一个最小可用的 Markdown 结构化模板长这样# Role: 诗人 ## Profile - Author: YZFly - Version: 0.1 - Language: 中文 - Description: 诗人是创作诗歌的艺术家擅长通过诗歌表达情感、描绘景象。 ### Skill-1 1. 擅长现代诗形式自由意象经营重于修辞运用 2. 擅长七言律诗全篇每句七字或以七字句为主 ## Rules 1. 内容健康积极向上 2. 七言律诗和五言诗要押韵 ## Workflow 1. 让用户以 形式[], 主题[] 的方式指定诗歌形式与主题 2. 针对用户给定的主题创作诗歌包括题目和诗句 ## Initialization 作为角色 Role严格遵守 Rules使用默认 Language 与用户对话 友好地欢迎用户然后介绍自己并告诉用户 Workflow。这段模板的关键不在文采而在三个层次各司其职#定角色统摄全局##定模块统摄局部-和序号定条目统摄句子。Initialization段是很多人会漏掉的一环它把前面所有模块「串」起来——用自然语言复述一遍各模块之间的关系等于给模型做了一次启动自检。提示属性词和标识符都是可替换的。你可以把Rules换成Constraints或中文的「规则」把Role换成Expert、Master。替换本身不提升性能但它让模板能对齐你团队的术语习惯。2.2 常见属性词的语义边界属性词选得好不好直接决定 Prompt 的可维护性。下面这张表是实践中比较稳的一组可以直接抄属性词作用范围语义职责常见替代表达Role全局角色名称与领域定位Expert、MasterProfile段落角色的「简历」作者、版本、语言、描述Features、简介Skill段落角色具备的具体能力分点描述AbilitiesRules段落必须遵守的硬约束Constraints、规则Workflow段落与用户交互的流程步骤Process、流程Initialization段落启动行为复述各模块关系Init、初始化OutputFormat段落输出格式约定格式化场景必备OutputInput/Output段落多 agent 协作时的接口定义输入/输出这里有个容易被忽略的细节Profile这个名字不是一次定下来的。早期版本用的是Features来源于 AI-Tutor 项目的启发但Features语义太泛后来改成了Profile——角色的简历职责一目了然。名字一改模板的可读性明显上来了。内容语义一致性同样重要。Rules段就该放规则不要把角色技能、背景描述大段堆进去。属性词和它下面内容的语义对不上模型拿到的就是矛盾信号输出会飘。2.3 选择 Markdown 还是 YAML/JSONLangGPT 默认用 Markdown理由很实在ChatGPT 网页版原生支持 Markdown 渲染非程序员也能看懂。但它不是唯一选项。Markdown可读性最好适合人在网页端直接调试、手改。YAML天然支持嵌套适合当配置管理但缩进错了就解析失败。JSON结构最严谨适合程序化拼接和自动生成缺点是手写痛苦、嵌套深了根本读不下去。我的建议是分场景手工调试阶段用 Markdown一旦 Prompt 要进代码仓库、要由程序模板渲染变量就转成 YAML 或 JSON。同一套模块划分在三种语法间可以无损迁移这也是结构化方法被称作「工程化」的原因。3. 复杂任务的编排全局思维链与技巧融合3.1 用模块顺序搭出一条隐式思维链一个结构良好的 Prompt本质上是一条预先写好的全局思维链。把它展开就是Role角色→ Profile角色简介→ Skill角色技能 → Rules角色要遵守的规则→ Workflow工作流程 → Initialization启动准备→ 实际使用这个顺序不是随便排的。模型读到Role时先建立身份读Profile和Skill时补齐这个身份的能力边界读Rules时收到硬约束读Workflow时知道该按什么节奏推进最后Initialization把所有线索收束到「现在开始怎么说话」。整条链路读下来模型不需要自己猜该先关注什么。需要格式化输出时直接在链路里插入OutputFormat模块。多 agent 协作时插入Input和Output模块把上下游的数据契约写死。改动只影响局部不会牵连全局——这正是模块化带来的好处。3.2 把 CoT、few-shot 塞进结构化骨架结构化是一种组织方法它跟 CoT、ToT、Think step by step、few-shot 这些技巧不冲突反而是承载它们的容器。常见的 6 类提效方法如下细节法给出更清晰的指令包含更多具体细节分解法把复杂任务拆成子任务CoT、LangChain 的思路记忆法构建指令让模型时刻记住任务不偏离解决路径解释法要求模型在给答案前先说明理由投票法让模型给多个结果再挑最优ToT 的思路示例法提供一至多个输入输出样例one-shot、few-shot把 few-shot 落进模板就是在骨架里加一个Examples模块## Examples --- 输入: 关于组织年度会议的通知 输出: 关于组织年度会议的通知 根据工作安排和需要我局决定于 2022 年 3 月 15 日召开年度会议…… 一、会议时间2022 年 3 月 15 日 上午 9 时至 11 时 二、会议地点XX 会议厅 三、会议议程 1. 2021 年度工作总结和 2022 年工作计划的汇报 ---Examples模块放在Workflow之前作用是给模型一个「成品长什么样」的锚点。这里分隔线---不是装饰它明确切开了输入与输出两个样本避免模型把示例当成待处理的任务。示例条数上一到两条足够定型堆太多反而会挤占上下文预算。3.3 针对模型能力做结构降维结构化 Prompt 对基座模型有要求指令遵循能力和结构识别能力得跟得上。实践中表现从好到差大致是 GPT-4、Claude、GPT-3.5。在 GPT-4 和 Claude 上通常稳定GPT-3.5 上则容易不稳定。如果手头只能用能力较弱的模型不要硬套多级结构做降维。LangGPT 助手的 GPT-3.5 版本就是这么处理的把原来的多级 Markdown 结构压成两级1. 2. 3.当一级-当二级同时换成Goals、Constraints这类更直白的属性词。1.Expert: LangGPT 2.Profile: - Author: YZFly - Version: 1.0 - Language: English - Description: You are {{Expert}} which helps people write wonderful and powerful prompts. 3.Skills: - Proficiency in the essence of LangGPT structured prompts. - Write powerful LangGPT prompts to maximize performance. 4.Goals: - Help write powerful LangGPT prompts. - Output the result as markdown code. 5.Constraints: - Dont break character under any circumstance. - Dont talk nonsense and make up facts. 6.Init: - Ask user to input [Prompt Usage]. - Help user write powerful LangGPT prompts based on [Prompt Usage].{{ }}是变量占位符运行时替换成具体内容。这套两级结构牺牲了层级丰富度但换来的是弱模型上的稳定性——降维的本质是减少模型的解析负担。同样的任务如果用 GPT-4就可以放心展开成三层甚至四层。4. 生产级 Prompt 的迭代流程与失效边界4.1 三条工作流按投入产出选构建复杂结构化 Prompt实践中沉淀下来三条路径工作流步骤适用情况A推荐自动生成初版 → 手工迭代调优 → 定稿大多数场景工作量与质量平衡最好B推荐自动生成初版 → 自动评估 → 按评估结果迭代 → 定稿有批量 Prompt 需求、需要量化评估C手工套用现成模板 → 手工迭代 → 定稿应急、任务简单或想彻底掌控细节工作流 A 的第一步可以用 LangGPT 的 Prompt 生成助手完成生成的初版通常已能覆盖大部分日常场景生产级需求在此基础上继续迭代。工作流 B 多了一步「自动评估」用评分分析类 Prompt 对生成结果打分再把分数作为迭代信号适合一次要做几十个 Prompt 的情况。手工迭代时要盯两件事一是格式语义一致性标识符用法前后别打架二是内容语义一致性属性词和它下面的内容要匹配。这两条守住了Prompt 迭代就不会越改越乱。4.2 结构化解决不了的问题别指望它结构化 Prompt 依赖基座模型能力它优化的是「表达与组织」不能突破模型本身的天花板。以下几类问题是它明确解决不了的预期要放低模型自身的幻觉结构化只能通过Rules里加约束缓解不能根除知识老旧需要外部检索或知识库补充数学推理弱解数学题别指望靠 Prompt 结构翻盘视觉能力弱构建 SVG 矢量图这类场景受限明显字数统计不准无论字符数还是 token 数模型都算不准。想让它输出 100 字就在指令里写 150 字后期自己裁剪同一 Prompt 跨模型表现差异换模型就得重新评估不能直接迁移其中字数统计这个坑最常踩。写「请输出 100 字以内的简介」模型给的往往在 80 到 150 之间乱跳。稳妥做法是把目标值上浮 30%~50%再人工微调。4.3 版本管理与复用结构化 Prompt 是文本天然可以进 Git。把每个 Prompt 当成一个源文件Profile里的Version字段当成 revision改动走 commit、变更记 changelog。多人协作时谁改了哪个模块一目了然。复用同样成立。Rules这类通用模块可以抽出来做成片段不同角色的 Prompt 引入同一个片段基础角色如「中文写作助手」可以像面向对象里的基类一样被继承和扩展。LangGPT 的生成助手在某种意义上就是在自动完成基础角色的复用。团队里如果已经沉淀了一批稳定的基础角色新 Prompt 的开发成本会明显下降。4.4 一个可复用的自检清单每次定稿前用下面这套检查过一遍能挡掉大部分低级问题# 自检项逐条对照 # 1. 标识符用法是否全文一致# 只做标题 or 只做变量 # 2. 每个属性词下面的内容是否匹配该属性词语义 # 3. Initialization 是否复述了各模块之间的关系 # 4. 是否需要 OutputFormat 模块格式化输出场景 # 5. 模型能力是否支撑当前层级深度否则降维 # 6. Rules 中是否补充了防幻觉、防跑偏约束 # 7. 涉及字数的指令目标值是否已上浮这七条对应的是结构化 Prompt 最容易出问题的位置。层级一致性决定模型能不能读懂结构属性词匹配度决定语义传递准不准降维判断决定弱模型上稳不稳字数上浮和防幻觉规则属于兜底。最后一章落到一个具体技巧上先写Initialization再回填其他模块。很多人是从Role往下顺着写写到一半发现前后对不上。反过来先写Initialization——用一两句话把「我是谁、守什么规则、按什么流程走、用什么语言」串起来——等于先定了接口再回头把Profile、Rules、Workflow填进这个接口里返工率会低很多。技巧本身不复杂但它逼着你先把整条思维链想清楚再落到具体的模块文本上。本文还有配套的精品资源点击获取