找到好的 prompt 是个持续迭代的过程，需要不断调优。
如果知道训练数据是怎样的，参考训练数据来构造 prompt 是最好的。「当人看」类比：
你知道 ta 爱读红楼梦，就和 ta 聊红楼梦
你知道 ta 十年老阿里，就多说阿里黑话
你知道 ta 是日漫迷，就夸 ta 卡哇伊
1.不知道训练数据怎么办？
看 Ta 是否主动告诉你。例如：
OpenAI GPT 对 Markdown、JSON 格式友好
OpenAI 官方出了 Prompt Engineering 教程，并提供了一些示例
Claude 对 XML 友好
2.国产大模型因为大量使用 GPT-4 的输出做训练，所以 OpenAI 的技巧也会有效
3.只能不断试了。有时一字之差，对生成概率的影响都可能是很大的，也可能毫无影响……
「试」是常用方法
一条 prompt 试一天，是常事儿
确实有运气因素
所以「门槛低、 天花板高」
所以有评测数据很重要
高质量 prompt 核心要点：
划重点：具体、丰富、少歧义
指令具体
信息丰富
减少歧义
修炼 prompt 能力，功夫在平时：
我们的「群聊天」习惯，天然和 prompt 背道而驰。随口就说，全是短句、口语、歧义
欧美的「群发邮件」习惯，更占优势。篇篇都是小作文
让自己在群里也是「小作文」
两点感受：
文科生比理科生在 prompt 上更有优势
Prompt 写多了，和人的沟通能力也真的会提升！
思考：如果底层大模型换了，prompt 要不要重新调优
