好的提示词有一些共性的组成部分。首先必须有一个任务，你要完成什么事。第二个成分是给它的输入是什么，比如我的开头是今天天气真好，请你帮我续写一段话，今天天气真好就是输入。第三，为了得到更好的输出，还经常使用上下文，比如我要写一篇散文，大概多少字。这是一种上下文，能够帮助它更好的去生成。第四种，叫做示例，实在说不明白就举几个例子，把输入和期望的输出列举一下，就像排比句，大模型会类比输出。第五，做应用开发的时候，它并不是跟人聊天儿，而是跟程序打交道，就要求它输出特定的格式。例如输入一段快递地址，我要求它以JSON格式输出，其中包含address、mobile phone和name三个字段，它就能理解并生成JSON。
这些元素有不同的排列组合，就会形成大家总结出来的不同模版，适用于不同的任务。和原来用关键字检索的体验不同，用大模型更强调交互，更自然的交流。提示阶段，大家可以勤快多试，搜索学习别人的经验，也可以把自己的经验贡献给大家。
4、熟悉了提示工程，第二阶段尝试引入行业的专有知识库，做一些行业信息融合，有哪些建议？
首先还是顺着提示工程的思维去想，从提示的角度来看，第二阶段我做的事是什么？举个例子，我问大模型XX是谁？它可能不知道。从提示角度来说，你不知道，我就把XX的简历从电脑里翻出来，粘给大模型说这是XX的简历，你先好好学习一下。再去问，请告诉我XX是谁？它就能通过投喂的语料去回答。
从提示角度来说，用了一个提示词的技巧叫上下文（context）。这个技巧让大模型具有了一个私有知识的能力。这是第二阶段原理从提示词角度的解释方式。
但是，难道每次问点什么都要从电脑里Ctrl C + Ctrl V给它才行吗？这不现实，那就要把它程序化。把我希望它掌握的这些知识都放到向量数据库里，再额外写一个程序。每次我问一个问题，让它帮我去数据库把相关信息搜出来之后，输入到大模型里，然后大模型就会回答了。这是第二阶段的基本原理。
如果我们把它变成一个项目的话，可以理解成两个阶段。
第一个阶段是行业知识的预处理加工融合，把它放到向量数据库里；第二个阶段，查询或者提问的时候，会先到向量数据库里去做一些匹配，再把匹配出来的相关信息封装，组成一个完整的提示词，送给大模型，大模型的结果再呈现给用户。
原理很简单，但是里面有一些类似向量这种名词，可能会对非技术人员造成困扰。通俗解释一下，向量是一段实际数据的一种数学表达方式，通过embedding（可以认为它是一种编码）把任何一段数据生成一个向量，也就是多维空间里面的一根带方向的线。
