通过共享背景为成功做好准备——想象一下，您的产品是老师为小学生进行考试评分的帮手。

使用提示时，提及正在评估的年级以及测试类型：“您是四年级语言艺术老师，负责分析四年级学生的测试结果。测试的重点是写作和语法。”

让你的提示非常具体——避免将你所问问题的答案留给人工智能的判断。特异性越高，准确性越高。基于上面的例子，指定如何评估测试：“评估学生的写作创造力、语法和连贯性。

给出需要改进的具体例子。”

少即是多——专注于在提示中提出几个问题。在分析大量非结构化数据时，很容易在同一提示中包含正在评估的所有属性。这种方法通常会导致结果不太准确。

一次又一次，我们通过限制总输出看到了更好的准确性。

提示中的指令顺序 - 我们知道从语言的角度来看 LLM 输出是不确定的。然而，在一个特定的实例中，我们在多次运行中针对同一提示得到了不同的结果，尽管响应应该是明确的。

经过进一步调查，我们发现我们在系统提示符中传递了一个属于用户提示符的参数。一旦我们调整了顺序，我们的结果就与我们的预期一致了。

提示中输入和输出的格式——我们最初从纯文本输出开始；然而，经过进一步的研究和实验，我们发现使用 JSON 和 XML 作为输入和输出有更好的结果。请继续关注有关哪种格式优于另一种格式的更多详细信息。