制作专业的提示词指令可以参考以下要点：
GPT无法读取您的思想。如果它们的输出过长，请要求简洁回复。如果它们的输出过于简单，请要求专业水平的写作。如果您不喜欢某种格式，请展示您想要看到的格式。GPT越少猜测您想要的内容，您获得的可能性就越大。策略：在查询中包含详细信息，以获得更相关的答案。要求模型扮演某个角色。使用分隔符清晰地表示输入的不同部分。指定完成任务所需的步骤。提供示例。指定输出的期望长度。提供参考文本。
在这个部分的学习过程中，我们接触到了众多的原则和规则，这些都是为了更有效地编写提示词，以更好地操控和利用模型。虽然在实践中，我们可能无法一一遵循所有规则，但了解并尝试应用这些规则对于提升我们的提示词编写技巧至关重要。通过学习这些原则，我们能够更精确地构建我们的指令，使模型能够生成更准确、更有用的输出。这些规则包括但不限于：角色扮演：确保模型在其设定的角色范围内提供回答。提供例子：通过具体例子引导模型理解任务。减少幻觉：让模型在不确定时承认不知，避免误导。任务拆解：将复杂任务分解为更小的、可管理的部分。递归总结：通过逐步细化的方式总结长篇文本。定期总结：在多轮对话中定期回顾和总结对话内容。意图识别和分类：快速识别用户的需求并进行分类处理。分段输出：适应模型的输出限制，分阶段提供信息。遵循特定语法格式：使用如Markdown这样的格式来增强文本的清晰度和组织性。最后，通过实际例子的演练，我们可以加深对这些原则的理解，并掌握如何将它们应用到不同的场景中，从而更熟练地操纵模型，实现我们的目标。
目前，我们已经会使用简单的指令来执行任务。作为提示工程师，您需要提供更好的指令。此外，您也会发现，对于更复杂的使用场景，仅提供指令是远远不够的。所以，您需要思考如何在提示词中包含相关语境和其他不同要素。同样，你还可以提供其他的信息，如输入数据和示例。可以通过以下示例体验文本分类：提示词输出结果我们给出了对文本进行分类的指令，语言模型做出了正确响应，判断文本类型为'Neutral'。如果我们想要语言模型以指定格式做出响应，比如，我们想要它返回neutral而不是Neutral，那我们要如何做呢？我们有多种方法可以实现这一点。此例中，我们主要是关注绝对特性，因此，我们提示词中包含的信息越多，响应结果就会越好。我们可以使用以下示例来校正响应结果：提示词输出结果完美！这次模型返回了neutral，这正是我们想要的特定标签。提示词中的示例使得模型可以给出更具体的响应。有时给出具体的指令十分重要，可以通过以下示例感受这一点：提示词输出结果这时候你知道给出具体指令的重要性了吧？