怎么跟豆包说话，它才听得懂？

什么是提示词？

过年时，我发现家里人虽然知道“豆包”这样的智能助手，但真正用的时候总觉得它不好使，输出的内容总是“差点意思”。

其实，要让豆包回答得更贴心、更准确，靠的不是运气，而是会用提示词。

提示词（Prompt）就是对任务的描述。你告诉模型你想达到什么效果，它根据你的指令生成相应的回答或结果。

模型的效果好坏，与提示词的描述是否全面、用词是否准确成正比。说得越清楚，结果通常就越好。

换句话说，提示词是人与模型沟通的桥梁。

不同的模型、不同的场景，回答风格会各不相同，这是系统提示词在起作用。

系统提示词相当于给模型定下“性格”和“语气基调”。比如：

示例：“您好亲，有什么我可以帮您的吗？”

示例：“根据《劳动合同法》第二十条的规定，您可以通过以下途径维权……”

这背后的区别，其实就是后台给模型换了一套不一样的系统提示词：把它的说话语气、出场角色都先定死了，相当于给它加了一层“行为约束”。

系统提示词决定模型“是谁”，而用户提示词由我们输入，决定模型“要做什么”。

用户提示词就是你自己在对话中输入的内容，也就是你发给豆包的每条消息。比如：

当你在提示词中加入角色设定，模型的表现会更符合预期。

举例：

“你是一位资深的中学物理老师，请用生动形象、大白话的语气给我讲解浮力的原理。”

加上这样的提示后，豆包的讲解会更接地气，比如会用“水托起木头”之类的生活例子来解释。

为了让模型更好地理解你的意图，可以采用不同类型的提示策略：

零样本提示（Zero-shot Prompting）
- 不提供任何示例，只描述任务。
- 示例：
- “帮我写一条春节的祝福语。”
单样本提示（One-shot Prompting）
- 提供一个范例，让模型模仿。
- 示例：
- 例句：“祝您新春快乐，阖家团圆！”
  请写一句风格相似的祝福语。
少样本提示（Few-shot Prompting）
- 提供多个范例，引导模型学习格式或语气。
- 示例：
- 示例 1：“愿新的一年好运连连。”
  示例 2：“祝您岁岁平安笑开颜。”
  请再写两句类似的祝福语。

可以看出，给出更多例子往往能让模型“领会得更快”。

让模型生成更高质量的内容，还可以结合不同的“思考策略”：

零样本思考（Zero-shot Reasoning）
- 不提供任何例子，让模型自行推理。
- 示例：
- “小明有 3 个苹果，小红比他多 2 个，他们一共有几个？”
  模型会根据理解直接推算出结果。
反思思考（Reflective Prompting）
- 让模型检查并优化自己的回答。
- 示例：
- “请重新检查你的答案是否有逻辑错误，并改进。”
少样本思考（Few-shot Reasoning）
- 用几个已知示例让模型学习如何推理。
- 示例：
- 示例：2+3=5；4+5=9;
  请说明 7+8 等于多少，并解释原因。
迭代思考（Iterative Reasoning）
- 通过多轮对话逐步改进提示词和结果。
- 示例：
- 第一次提示：“写一个春节祝福语。”
  你觉得还不够热闹，可以再说：“请让祝福更喜庆，语气更热烈。”
  模型再生成新的版本，如此反复，直到满意为止。

跟豆包说话，记住这五点：说清楚、说简单、先说要它干啥、多讲你想要什么、不满意就接着改。

如果表达能力不佳，可以尝试向 ai 表达你的想法，然后让它总结下你的需求，如果不满意，就继续补充，如果 ai 回复了符合你想法的问题，就拿着这个问题重新开一个窗口，对话往往效果更佳（本人亲测好用）。