😀
提示词市场初步分析

用户5307

用户2347

用户6100

2024年5月15日修改

原文作者：群友@AI赵至臻

缘由：

最近不断有人和我提起用提示词洗稿的需求，最开始我以为这种刚需，肯定有人已经设计出了成熟的提示词，我就不要再重复造轮子了。但搜索后发现，市面上能够直接套用的提示词模板很少。一番调研后才意识到，提示词市场还处于蛮荒时代，供给和需求都很少。虽然市场上一度传闻有提示词被天价卖出，有企业年薪百万招聘提示词工程师，但多是博人眼球的标题党，现实是目前关注提示词的人很少，相关人力资源需求很小，至于天价卖提示词，几万元能叫天价吗？！​

关注者少，需求小是问题还是机会？这是本文试图寻找的答案。​

1、引言

1.1提示词概念：什么是提示词？

提示词就是人类和大语言模型（LLM）沟通的语言，也可以理解为自然语言版的编程，你和LLM所说的每一句话都是提示词。​

提示词就像给LLM一个话题或方向,让它知道应该谈论什么。

例如,如果给LLM提示词"早餐",LLM就知道应该谈论早餐相关的话题。它可能会说:“我今天早餐吃了香肠炒蛋,还喝了一杯牛奶。你呢,通常早餐吃些什么?”​

再比如,提示词是"音乐",LLM就知道应该谈论音乐。它可能会说:“我最喜欢的歌手是周杰伦,他的歌很有节奏感。你平时喜欢听什么歌曲或者歌手呢?”​

如果我们把LLM想象成一个人，那使用提示词就是和人聊天。LLM和人的区别是他几乎具有人类的所有已公开知识，但他没有欲望，没有动力，没有目标。他是机器，需要有人来给他下达命令。这个命令可以是生活式的随意聊天，也可以是工作式的严谨提问和指示。​

上面的两个例子就是生活式的聊天，这种提示词用法更多是出于消遣，比较口语化。更有商业价值的提示词用法是工作式的聊天，这种提示词用法正在迅速向代码化靠近，在后续部分我还会讨论这个话题。​

1.2目的和内容

本文目的是探讨提示词的商业价值，内容包括提示词的概念，分类，市场现状，以及提示词的商业机会。​

2、提示词分类

提示词目前并无统一的分类标准，本文的目的并非提示词教学，所以仅对提示词进行简单介绍。​

2.1口语化提示词

“你好”是一句最简单的口语化提示词，类似的还有“帮我制作一个健身计划”这种接近日常口语化表达的提示词都可以称之为口语化提示词。​

学习难度：简单

适用场景：适用于对回答要求不高或任务较简单的的场景

2.2角色化提示词

这类提示词的特点是要求LLM进行角色扮演，常用的提示词如

“你是个心理咨询师，我现在心情很焦虑，请帮助我缓解情绪焦虑”，​

“你是个小学老师，马上制作一个针对小学1年级语文的课程大纲”​

“你是个商业调查员，我是你老板，麻溜的出一份火锅店商业调研报告，不然我就把你开掉”​

等等

细心的读者可能会注意到，第二个提示词中我没有用“请”字，第三个的语气则更加严厉。据说用严厉的语气对LLM进行PUA能提高回答质量，喜欢PUA的朋友可以试试。但请不要在NEW BING中进行测试，否则分分钟被教育。​

目前市场上90%以上的提示词都属于这一类，LLM经过角色设定后，回答质量会明显提升。角色化提示词还可以进一步细分为单角色提示词和多角色提示词。顾名思义，单角色提示词就是在一段提示词中只设定一个角色，多角色提示词是在一段提示词中设定多个角色。​

学习难度：一般

适用场景：回答内容涉及专业知识，回答质量稍好的场景。

2.3结构化提示词

结构化提示词是将结构化思维方式引入提示词设计，使提示词的语法结构模块化，更清晰，便于维护。说人话就是采取了“堆积木”的方式来设计提示词，用一小段，一小段的提示词组合成一个长篇幅的提示词。​

最有名的结构化提示词"AI导师",出自国外网友Mr.-Ranedeer之手。Mr.-Ranedeer是一个17岁的澳大利亚高中生，为了帮助自己自学，于是设计了一套结构化提示词，让CHATGPT成了自己的“AI导师”。​

结构化提示词的常见组成部分如下：

# Role: <name> : 指定角色会让 GPT 聚焦在对应领域进行信息输出

## Profile author/version/description : Credit 和迭代版本记录

## Goals: 一句话描述 Prompt 目标, 让 GPT 的注意力聚焦起来

## Constrains: 描述限制条件, 目的是降低GPT计算量， 减少不必要的计算​

## Skills: 描述技能项, 强化对应领域的信息权重

## Workflow: 重点中的重点, 你希望 Prompt 按什么方式来对话和输出​

# Initialization: 冷启动时的对白, 也是一个强调需注意重点的机会​

（组成部分引自李继刚文章https://www.lijigang.com/posts/chatgpt-prompt-structure/）

学习难度：稍难

适用场景：需要LLM通过多步骤执行动作，并且对执行过程需要进行严格限制的场景​

2.4代码化提示词

LLM可以读懂自然语言，也可以读懂代码，所以使用代码作为提示词也完全可以。而且代码化提示词定义更清晰，LLM理解的越准确，回答效果就越好。  下面是一个代码化提示词的简单示意，底层逻辑其实和结构化提示词一样。​

 def __init__(self, Name, Profession, Skills, Goals, Init, Constrains, Workflow,Suggestions,OutputFormat):​
       self.Name = Name​
       self.Profession = Profession​
       self.Skills = Skills​
       self.Goals = Goals​
       self.Init = Init​
       self.Constrains = Constrains​
       self.Workflow = Workflow​
       self.Suggestions = Suggestions​
       self.OutputFormat = OutputFormat​

学习难度：较难

适用场景：较复杂的任务，需要在流程中进行逻辑判断，涉及到函数调用等编程技能的场景。​