企业官网建设流程全解析

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：

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/JSON

LangGPT 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：

1. 细节法：给出更清晰的指令，包含更多具体细节
2. 分解法：把复杂任务拆成子任务（CoT、LangChain 的思路）
3. 记忆法：构建指令让模型时刻记住任务，不偏离解决路径
4. 解释法：要求模型在给答案前先说明理由
5. 投票法：让模型给多个结果再挑最优（ToT 的思路）
6. 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: - Don't break character under any circumstance. - Don't 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 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