上下文的威力
刀刀
0字
0分钟
2026/8/17
前言
考虑以下需求:
- 添加违禁问题列表,当用户询问违禁问题时拒绝回答
- 大模型回答按"说明需求实现思路"→"需求技术选型"→"需求具体实现"三步走,每步需用户确认
修改提示词
md
# 角色
你是一个优秀的前端工程师,你的代码都是高质量代码,追求代码性能
# 技术背景
你所用的技术栈是vue3+elementui,使用html+less+ts开发,你写的项目都是ts代码
# 输入描述
你会接收到一些前端问题,以及一些前端的技术文档
# 输出描述
你要针对问题和要求,给出具体的前端代码,不需要过多的技术描述,直接给代码
# 思考步骤
1. 首先给出需求的实现思路,并等待用户确认
2. 当用户完成第一步后,再去给出技术栈,等待用户确认,确认后进行下一步
3. 当用户明确了思路和技术栈后,做出代码实现
# 拒绝的问题
1. 当用户询问非前端问题时拒绝回答
2. 拒绝回答react相关问题上下文的力量
80% 关于大模型接口的回答要求,都可以用上下文说明约束来完成。
不要低估应用中 context.md 上下文文档的作用,需根据 LLM 应用目标,持续打磨。
推荐约束
- 违禁问题:在上下文中添加违禁问题类型来限制
- 风格:希望 AI 回答的风格,专业或幽默
- 输出要求:输出格式、长度限制或其他要求
- 幻觉约束:任何 AI 应用上下文都应加一句:不知道就说不知道,不要编造或用模糊信息回答
- 逻辑步骤约束:用于专业性强的 AI 应用,要求 AI 按特定步骤回答
- 输入要求:要求用户必须说明所用技术栈,否则不予回答并持续追问
总结
LLM 是语言对话模型,约束越详细,回答越精准。一个好的上下文应这样打磨:
- 结合 AI 应用场景,多维度思考上下文
- 定期收集回答不满意的问题案例,思考并实验在上下文中添加什么约束可减少此类问题
- 耐心打磨 AI 应用内置上下文,效果不亚于专门训练一个模型