任务描述、输入数据、上下文信息、提示风格
（1）任务描述：描述想要让LLM遵循的指令。描述应详细清晰，可进一步使用关键词突出特殊设置，从而更好地指导LLM工作。
（2）输入数据：对于非结构化数据可用文本描述的方式输入，对于非结构化数据（知识图谱、表格、代码等）采用一种合适的方式，例如：文本化、线性化转换函数。
（3）上下文信息：上下文和背景信息。有助于更好地描述任务范例、任务目标、特殊的输出格式以及输入和输出之间的映射关系。
（4）提示风格：设置合适的提示风格，有助于激发LLM解决特定任务的能力。例如，角色设定、添加相关前后缀：“Let us think step by step”、拆解为子任务。
任务描述目标清晰、分解为简单的子任务、提供少量示例、使用友好的格式
（1）任务描述目标清晰：避免莫能两可的描述，导致不精确的返回结构。一个清晰而详细的描述应该包含解释任务的各种元素，例如：任务目标、输入/输出数据、约束要求（字数等信息）
（2）分解为简单的子任务：将困难任务分解为多个子任务更容易解决问题。可用编号形式列出子任务，例如：1. … 2. … 3. … 。让LLM可以更专注于解决子任务，最终解决整个复杂的任务。
（3）提供少量示例：提供一些输入输出示例对有助于LLM学习输入和输出之间的语义映射关系。
（4）使用友好的格式：合适的prompt格式有助于LLM更好的理解指令。例如：OpenAI相关的模型适合使用###或"""作为分隔符。训练语料主要为应为的LLM用英语提问的效果更好。
（1）描述详细
（2）以一个专家角色作为前缀信息
（3）多告诉模型应该做什么，而不是不做什么（否定词）
（4）避免输出长文
（1）检索相关文档和prompt拼接在一起
（2）使用特殊标记突出重要部分
（1）对于复杂的任务，详细描述中间步骤
（2）对于打分的任务，提供打分标准
（3）对于文本生成任务，指导LLM对于上下文上乘的结果进行解释
（4）类似于思维树的方式：多专家讨论，记录每个专家的思考步骤并共享思考步骤，如果有一个专家思考出错，则让他离开，剩下的专家继续思考。如果没出错继续留下来思考。
（1）提供良好格式的上下文示例
（2）思维链（一步一步思考），示例用分隔符标注。例如：\n
（3）检索相似的示例，先用示例获取答案，然后再将这个答案和我们的问题拼接
（4）示例多样化，问题或解决方案多样化
（5）使用基于聊天的LLM时，可以将上下文示例分解为多回合信息。同理，可将示例的推理过程分解为多回合对话。
（6）复杂和信息丰富的上下文示例
（7）符号示例分解为多个片段，将前面的片段作为上下文示例，引导LLM预测后面的片段。
（8）示例、提示和问题在prompt中的位置很重要。
（9）没有上下文示例时，可以让LLM生成一些
（1）让LLM自己检查一下结果是否正确
（2）调用外部工具进行辅助
（3）prompt独立，上下文中减少代词的使用
（4）比较多个示例时，顺序对性能影响较大
（5）角色分配
（6）OpenAI的模型用英文提问更好
（7）做多选题时，限制输出对性能有所帮助。用更详细的解释描述，对逻辑进行限定。
（8）对于基于排序的任务，可以不让LLM直接输出排序后的文本，而是对每个文本段分配一个编号标识符（例如：ABCDE），然后指导LLM输出排序后的编号。