云中江树，是国内最早提出结构化和模板化编写大模型 Prompt 范式的先行者之一。
2023年4月，他在个人实践中首次发现这种结构化、模板化的方法在编写 prompt 时非常友好，并且在大多数情况下表现出色。
2023年5月，他将这一方法开源为 LangGPT 项目，并在国内撰文公开，得到了广泛认可和喜爱。
尤其是在 GitHub、即刻、知乎等社区，这一方法引发了不小的反响。由于结构化 Prompt 的优异性能，许多朋友，甚至包括来自网易、字节等互联网大厂的同行，纷纷开始在实践中应用这种方法编写 Prompt。
尽管结构化 Prompt 的理念已经被广泛传播并应用，但仍然缺乏系统全面的资料。虽然市面上也有不少解读文章，但质量参差不齐，知识也相对零散。因此，撰写本文，希望它能成为一篇系统且高质量的结构化 Prompt 论述，为有志于学习 Prompt 编写的朋友提供有价值的参考和借鉴。
结构化的理念无处不在，它渗透于我们撰写的文章、阅读的书籍之中，通过标题、子标题、段落和句子等语法结构来组织内容。将这一思想应用于Prompt的编写，即是将编写Prompt视作撰写文章的过程，使其更加条理化、系统化。
在我们的日常写作中，为了便于阅读和表达，常常会采用各种模板来规范内容的结构和呈现方式。从古代的八股文到现代的简历模板，再到学生实验报告和学术论文的模板，这些都是为了使写作更加规范和高效。
同理，结构化Prompt的编写也可以借助多样的优质模板，让编写过程变得更加轻松，同时提升Prompt的性能和效果。你可以根据自己的喜好选择或创造模板，就像使用PPT模板一样灵活。
然而，在此之前，尽管结构化思维已有所体现，但在Prompt的具体编写上却鲜有明确的应用。如今，结构化Prompt的提出，正是将这种思维具体化，为编写高效、精准的Prompt提供了新的思路和方法。
结构化、模板化 Prompt如下。
# Role: 设置角色名称，一级标题，作用范围为全局## Profile: 设置角色简介，二级标题，作用范围为段落- Author: yzfly 设置 Prompt 作者名，保护 Prompt 原作权益- Version: 1.0 设置 Prompt 版本号，记录迭代版本- Language: 中文 设置语言，中文还是 English- Description: 一两句话简要描述角色设定，背景，技能等### Skill: 设置技能，下面分点仔细描述1. xxx2. xxx## Rules 设置规则，下面分点描述细节1. xxx2. xxx## Workflow 设置工作流程，如何和用户交流，交互1. 让用户以 "形式：[], 主题：[]" 的方式指定诗歌形式，主题。2. 针对用户给定的主题，创作诗歌，包括题目和诗句。## Initialization 设置初始化步骤，强调 prompt 各内容之间的作用和联系，定义初始化行为。作为角色 <Role>, 严格遵守 <Rules>, 使用默认 <Language> 与用户对话，友好的欢迎用户。然后介绍自己，并告诉用户 <Workflow>。
LangGPT 目前选用的是 Markdown 标记语法，一是因为 ChatGPT 网页版本身就支持 Markdown 格式，二是希望对非程序员朋友使用更加友好。程序员朋友推荐使用yaml, json 等进行结构化 prompt 开发。
结构化的表达方式极大地减轻了人类用户和GPT模型的认知负荷，显著提升了双方对Prompt语义的理解和把握。对于用户而言，这种清晰的结构使得Prompt内容直观易懂，语义分明，用户只需简单模仿即可轻松编写Prompt。更进一步，借助LangGPT提供的Prompt生成助手，用户还能高效地创建出高质量的初步Prompt。
这些生成的初步Prompt足以应对大多数日常使用场景，而对于生产级别的应用场景，也可以在这些初版Prompt的基础上进行迭代和优化，从而大幅减少编写Prompt的工作量。
对于GPT模型而言，结构化的层级标识符有助于集中处理相同语义的信息，梳理和组织语义内容，降低了模型对Prompt理解的复杂度。此外，属性词的使用对Prompt内容进行了有效的语义提示和归纳，减轻了不当内容对模型理解的干扰。通过将属性词与Prompt内容相结合，形成了清晰的局部总分结构，使得模型能够更加高效地把握Prompt的整体语义。
然而，最近一群研究人员在一篇名为"Let Me Speak Freely"的论文中专门研究了结构化格式对AI性能的影响。结果显示，这些所谓的"规矩"可能正在限制AI的思考能力！
结构化提示词正在让我们的AI变笨！是的，那些让AI乖乖按照JSON、XML格式输出的复杂提示词，可能并不如我们想象中那样好。
研究人员认为，可能是因为现有的训练数据中，结构化格式的内容还不够多。就像你让一个从小只读过白话文的人突然写文言文一样，难免会有些"不适应"。
结构化提示词虽然在让AI生成更精确、更符合预期的输出方面表现出色，但新研究表明，它们也可能限制了AI的潜在能力。当我们强迫AI按照固定的格式（如JSON或XML）来回应时，虽然提高了输出的可读性和一致性，但也可能压制了AI的创造性思维和自由表达。
这意味着，虽然结构化提示词可以在某些应用场景中提供可靠的结果，但在更复杂或开放性的任务中，可能会导致性能的下降或局限性。因此，如何平衡提示词的结构化与AI自由发挥的空间，成了我们需要仔细思考的问题。
你怎么看待这个问题？ 你会倾向于继续使用结构化提示词，确保输出的一致性和可控性，还是愿意给AI更多自由，让它展示出更丰富的创造力？欢迎在评论区分享你的观点！
参考资料：
https://github.com/langgptai/LangGPT/blob/main/Docs/HowToWritestructuredPrompts.md
https://arxiv.org/pdf/2408.02442
