智能体的使用具有重要意义，写好提示词是创建智能体的第一步。设计提示词有多种原则和模型，如 CRISPE 框架，其中包括能力与角色（CR）、洞察（I）、陈述（S）、个性（P）、实验（E）等方面，明确希望 AI 扮演的角色、具备的背景信息、要做的事、回答风格以及提供多个答案等。Few-Shot COT 模型通过加入示例能有更好效果，可提供 1 到多个样本；Zero-Shot COT 模型则不增加示例样本。TOT 模型先分步骤，每个步骤产生多个结果并选择，再进行下一步。Self-Consistent COT 模型则注重一个问题的多种解法。
从使用角度看，提示词可分为任务型和拟人化型。任务型提示词高度专业化、流程清晰，遵循严格工作逻辑，专注完成特定任务或解决问题；拟人化提示词模拟人类交互方式，用于陪伴聊天等，需要更细致全面的设计以呈现丰富个性和背景。
在生成式人工智能模型中，提示词是用户输入用于引导模型产生期望输出的文本，可简单可复杂，包含指令、问题、输入数据和示例等，为得到期望回应，通常必须包含指令或问题，其他元素可选。在 LLM 中，基本提示词可直接提问或提供特定任务指令，高级提示词则有更复杂结构，如思维链提示词引导模型逻辑推理得出答案。
提示词和提问题的区别在于，提示词不仅包含问题，还可能包含指令、输入数据和示例等，以更全面地引导模型产生期望的输出。而提问题相对较为简单直接，侧重于获取答案。
所谓CRISPE框架，CR：Capacity and Role（能力与角色）。你希望AI扮演怎样的角色。I：Insight（洞察），背景信息和上下文。S:（陈述），你希望AI做什么。P：Personality（个性），你希望AI以什么风格或方式回答你。E：Experiment（实验），要求AI为你提供多个答案。[heading3]3.1 Few-Shot COT模型[content]提出一个问题比解决一个问题更重要--爱因斯坦我们如果给他一个示范，可能会有更好的效果。将示例加入Prompt的做法，就是Few-Shot，few可以是1,2,3,4,5。比如，我提供一个样本，就是1-shot。[heading3]3.2 Zero-Shot COT模型[content]不增加示例样本，就是zero-shot输出内容[heading3]3.3 Tree of Thought TOT模型[content]TOT先分步骤，然后每个步骤多个结果，在的多个结果中进行选择，然后再进行下一步，输出多个结果。样例和解释输出结果[heading3]3.3 TOT模型示例[heading3]3.4 Self-Consisentcy COT模型自洽型[content]一个问题的多种解法
当我们从使用角度来对提示词模板进行分类时，可以大致可以分为两类：任务型和拟人化型。这两种类型在本质和应用上有着显著的区别。一般看来，任务型提示词专注于完成特定的任务或解决特定的问题。它们的特点是高度专业化、流程清晰，且往往遵循严格的工作逻辑。相比之下，拟人化的提示词则具有更加复杂和多元的特性。它们不仅仅是为了完成任务，更多的是为了模拟人类的交互方式，可能用于陪伴聊天，或者展现更加人性化的特质。这种类型的智能体需要更加细致和全面的设计，以呈现出丰富的个性和背景。
在生成式人工智能模型中，提示词是用户输入的文本，用于引导模型产生期望的输出。这可以是简单的问题、详细的描述，或者是特定的任务。例如，在DALLE-3这样的图像生成模型中，提示词通常是描述性的；而在GPT-4或Gemini这样的LLM中，提示词可以是简单的查询，也可以是复杂的问题陈述。提示词通常包含指令、问题、输入数据和示例。实际上，为了从AI模型中得到期望的回应，提示词必须包含指令或问题，其他元素则是可选的。在LLM中，基本的提示词可以简单到直接提问，或者提供特定任务的指令。而高级提示词则涉及更复杂的结构，比如“思维链”提示词，这种提示词引导模型遵循逻辑推理过程来得出答案。