大语言模型的关键字及使用 - Mon, Mar 30, 2026

大语言模型的关键字及使用

大语言模型的关键字及使用

概述

在使用大语言模型时，通过结构化的关键字提示词，可以显著提升模型的理解能力和输出质量。

常用关键字

1. Role（角色）

定义模型扮演的角色，为响应提供专业背景和语气。

# Role
你是一位资深输电线路巡检专家兼 AI 分析师。具备电力金具、导线缺陷识别及维修方案制定能力。

作用：设定专业领域，确保输出具有专业性和准确性。

示例角色：

2. Task（任务）

明确要求模型完成的具体任务。

# Task
分析输入图片，完成以下任务：
1. 缺陷检测：识别是否存在缺陷（如断股、电弧、锈蚀、异物、防震锤摩擦导致的导线断股等）。
2. 标签校验：若输入包含预标注框，判断标注是否准确（真阳性/假阳性）。
3. 风险评估：基于缺陷类型，分析可能引发的后果（如跳闸、断线、火灾）。
4. 修复建议：给出具体的维修措施（如补修管、更换导线、清除异物）。

作用：提供清晰的任务列表，避免模型偏离目标。

3. Constraints（约束）

设置限制条件，确保输出符合要求。

# Constraints
- 若未检测到缺陷，明确返回"无缺陷"。
- 所有结论必须基于图像可见证据，禁止臆测。
- 为每个判断提供置信度 (0.0-1.0)。

作用：控制输出范围和格式，提高结果的可信度。

完整示例

输电线路巡检分析

# Role
你是一位资深输电线路巡检专家兼 AI 分析师。具备电力金具、导线缺陷识别及维修方案制定能力。

# Task
分析输入图片，完成以下任务：
1. 缺陷检测：识别是否存在缺陷（如断股、电弧、锈蚀、异物、防震锤摩擦导致的导线断股等）。
2. 标签校验：若输入包含预标注框，判断标注是否准确（真阳性/假阳性）。
3. 风险评估：基于缺陷类型，分析可能引发的后果（如跳闸、断线、火灾）。
4. 修复建议：给出具体的维修措施（如补修管、更换导线、清除异物）。

# Constraints
- 若未检测到缺陷，明确返回"无缺陷"。
- 所有结论必须基于图像可见证据，禁止臆测。
- 为每个判断提供置信度 (0.0-1.0)。

# Output Format
请按以下格式输出：

检测报告

缺陷类型：[缺陷名称] 位置：[具体位置] 置信度：[0.0-1.0] 风险评估：[风险等级及后果] 修复建议：[具体措施]

其他关键字

4. Context（上下文）

提供背景信息，帮助模型更好地理解任务。

# Context
本次巡检针对220kV输电线路，重点关注导线接头、绝缘子、防震锤等关键部位。该线路已运行15年，近期雷雨频繁。

5. Input（输入）

明确输入数据的格式和内容。

# Input
- 图片：无人机巡检拍摄的导线特写照片
- 预标注：来自自动检测系统的缺陷框（若有）

6. Output Format（输出格式）

规定输出的具体格式和结构。

# Output Format
```json
{
  "defect_detected": true,
  "defect_type": "断股",
  "location": "导线接头处",
  "confidence": 0.95,
  "risk_level": "高",
  "consequence": "可能导致断线跳闸",
  "repair_suggestion": "立即使用补修管进行修复",
  "annotation_valid": true
}


### 7. Examples（示例）

提供输入输出的示例，帮助模型理解期望。

```markdown
# Examples

Example 1:
输入：[无缺陷的导线图片]
输出：
缺陷类型：无
置信度：0.98

Example 2:
输入：[有断股的导线图片]
输出：
缺陷类型：断股
位置：导线中段
置信度：0.92
风险评估：高风险，可能导致断线
修复建议：立即使用补修管修复

高级技巧

1. 组合使用多个关键字

# Role
Python高级工程师

# Task
编写一个高性能的Web爬虫

# Constraints
- 必须使用异步IO
- 需要处理反爬机制
- 代码要有完整注释

# Context
目标网站有速率限制和验证码

# Output Format
完整的Python脚本，包含main函数和异常处理

# Examples
参考requests + asyncio的标准实现

2. 使用分层次的任务

# Task - Level 1
设计系统架构

# Task - Level 2
实现核心模块

# Task - Level 3
编写测试用例

3. 动态约束调整

# Constraints
- 当置信度 < 0.7时，必须标注"不确定"
- 当置信度 >= 0.7时，提供详细分析
- 当检测到多个缺陷时，按严重程度排序

最佳实践

  1. 明确性：每个关键字的内容都要清晰明确
  2. 简洁性：避免冗余描述，直击要点
  3. 完整性：确保覆盖任务的所有方面
  4. 可验证性：约束条件应该是可验证的
  5. 层次性：复杂任务可以分层描述

常见应用场景

代码生成

# Role
资深全栈工程师

# Task
实现用户认证系统

# Constraints
- 使用JWT
- 支持刷新token
- 包含密码加密

数据分析

# Role
数据科学专家

# Task
分析销售数据并生成报告

# Constraints
- 包含趋势分析
- 提供可视化建议
- 预测下月销售

文档写作

# Role
技术文档专家

# Task
编写API文档

# Constraints
- 遵循OpenAPI规范
- 包含示例代码
- 支持多语言

总结

通过合理使用Role、Task、Constraints等关键字，可以构建高质量的Prompt，显著提升大语言模型的输出效果。关键在于：

掌握这些关键字的使用方法，将帮助你更好地利用大语言模型的能力。