LangGPT 提示词技巧全指南掌握大模型 Prompting 的核心原则与结构化落地【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT本文是 LangGPT 仓库内 提示词技巧文档 的系统化展开。它以实战为导向覆盖了大模型固有的能力缺陷、任务上下文的组织方式、成本控制、措辞风格、模型能力边界以及微软提出的五条提示词工程建议并结合本仓库的结构化提示词模板Role / Profile / Rules / Workflow给出可直接复用的落地写法。读完本文你将掌握一套理解模型局限 → 正确组织上下文 → 控制成本与风格 → 按模型强弱适配结构 → 用结构化模板固化技巧的完整提示词工程方法。认识大模型的固有缺陷提示词设计的前提任何提示词技巧都建立在一个前提之上大语言模型LLM并非完美的推理机器。原文档 LangGPT/Tips.md 开篇就要求使用者在设计提示词之前先清醒认识模型存在以下局限模型可能存在偏见biased训练数据中的统计偏差会反映在输出中涉及性别、地域、职业等话题时尤其明显模型可能编造信息hallucinate在缺乏事实依据时模型会自信地生成看似合理实则虚构的内容模型可能存在推理错误reasoning errors多步逻辑推理、数学计算、一致性保持等场景下容易出错模型可能在特定任务类别上表现挣扎例如拼写相关任务spelling related tasks这类对字符精确性要求极高的场景模型存在知识截止日期knowledge cutoff例如文档中提到的 2021 年 9 月之前的训练数据之后的新知识模型并不掌握模型易受攻击包括提示注入prompt injection、越狱jailbreak攻击、数据投毒data poisoning攻击等安全风险。应对策略低风险场景 人工监督原文档给出了三条务实的部署建议用于低风险应用low-stakes applications避免在不可逆的高风险决策中直接依赖模型输出与人工监督结合combine with human oversight将模型输出视为待审核的初稿而非终稿作为灵感与建议的来源source of inspiration, suggestions发挥模型的生成与发散优势而不是让它承担确定性责任。Copilot 优于自主 Agent原文档特别强调一个倾向优先使用 Copilot 模式而非完全自主的 Agent 模式。原因在于上述缺陷在无人监督的自主执行链条中会被逐级放大——一次幻觉经过多步工具调用与自我循环后可能演变为难以追踪的错误。这一判断与本仓库的 autoGPT 风格模板 形成了对照后者展示了自主 Agent 提示词所需要的大量约束目标、约束、命令白名单、自评估、JSON 响应格式等这恰好说明自主模式需要付出远超普通对话的工程成本来兜住模型的不可靠性。在结构化模板中的对应实现LangGPT 的完整版模板 Role.md 将这种承认局限的思想直接固化为模板字段其 Profile 一节要求同时定义Capabilities能力与Limitations局限并明确要求Define how the model should respond when faced with any limitations——即在模型能力不足时如何回应。把模型会出错这一认知写进提示词本身正是结构化提示词相对散装提示词的优势之一。提供详细任务上下文、相关信息与完整指令原文档的第二条建议只有一句话却是一条核心方法论what would you tell a task contractor if they cant email you back?如果无法与任务外包人员邮件联系你会怎么交代任务这句话的本质是换位思考测试把模型想象成一个无法追问、只能按书面说明执行的远程外包人员。如果你给它的指令含糊到外包人员看了会做错那么模型也会做错。合格的提示词应当像一份可以脱离作者独立执行的任务说明书包含任务目标期望达成的最终结果背景信息任务所处的上下文与约束条件输入与输出规格模型接收什么、必须返回什么质量标准与禁忌什么样的输出算合格什么绝对不能做。LangGPT 模板把这一思想结构化地落到了字段层面。以 baseRole.md 为例其Profile中的Description要求Give an overview of the characters characteristics and skills而Workflow则要求把交互过程拆解为First → Then → Finally的显式步骤序列Role.md 的Capabilities更是逐条要求定义谁在用这个模型、用户会输入什么、你期望模型如何处理这些输入。这些字段本质上是强制你完成任务外包说明书的思考结构化的过程就是逼你把隐性假设显性化的过程。用 Be Concise 节省 40%–90% 的调用成本原文档引用 ray-project 的 llm-numbers 研究指出在提示词末尾追加 Be Concise请简洁指令可节省约 40%–90% 的 token 费用。其原理非常直接API 按 token 计费模型输出越长费用越高。而简洁指令显著压缩了模型输出的冗余度客套话、重复表述、过度展开从而直接削减输出 token 数量。对于大批量调用场景这一条是最容易落地、ROI 最高的优化手段。实践时的注意事项把简洁指令放在关键位置结合下文指令位置影响输出的原则可同时出现在提示词开头Please be concise.与结尾Answer concisely.形成双重约束平衡简洁与完整对需要详细论证的任务可改用限定性表述例如 Be concise but cover all key points保持简洁但覆盖所有要点避免过度压缩导致信息丢失在系统提示词中固化对于 LangGPT 风格的长期角色可将简洁要求写入Rules一节使其成为角色的稳定行为约束而非每次手动追加。用母语级英文书写提示词原文档第三条建议用母语级native英文风格书写提示词。模型训练语料以英文为主地道的英文表达更能唤起模型语义空间中准确、丰富的关联。文档给出的示例是商务场景下用 join the mission加入使命替代 complete the task完成任务——前者更具感染力与场景感触发的是使命与协作的语义域而后者则更接近机械的流程描述。推广开来看这一建议包含两个层面措辞层面优先选择模型语料中高频、语义准确、风格匹配的词汇与句式语境层面在特定领域商业、法律、医学使用该领域约定俗成的表达让模型更快进入角色。这一思想与 LangGPT 的结构化方法完全兼容Profile中的Language字段、Style字段Role.md 中明确要求 Define the posture and tone the model should exhibit in its responses正是用来承载此类措辞与风格约束的结构化位置。探索模型能力边界按模型强弱适配提示词结构原文档第四条建议聚焦模型差异复杂的提示词结构对弱模型无效能力较弱的模型无法消化多层嵌套的结构化指令此时应使用简单直接的结构结构复杂度必须与模型能力匹配弱模型成本显著更低文档估算 GPT-3.5-Turbo 的使用成本约为 GPT-4 的 1/50roughly 50 times cheaper因此在弱模型可胜任的任务上使用弱模型是极具性价比的选择。这两条组合起来是一条清晰的成本-能力决策路径先评估任务复杂度与质量要求 → 能交给弱模型的绝不交给强模型 → 交给弱模型的提示词保持简单 → 只有强模型才值得投入复杂结构化模板。LangGPT 仓库为这一分层思路提供了直接证据——它针对不同能力的模型准备了差异化的提示词资产ChatGPT3.5.txt 与 ChatGPT35.json面向能力较弱的模型的提示词其 JSON 结构ChatGPT35.json刻意保持精简仅包含 Profile / Skills / Goals / Constraints / Init 少数几层ChatGPT4.txt面向强模型的提示词可承载更丰富的结构与更精细的约束Claude2.txt面向 Claude 系列模型的能力与表达习惯定制miniRole 系列提供了 MarkdownminiRole.md、JSONminiRole.json、YAMLminiRole.yaml三种格式的精简模板结构仅为 Role → Profile → Rules → Workflow → Initialization 一层正适合弱模型用简单结构的场景与之相对Role.md 完整版模板则加入了 Capabilities、Limitations、Style、Examples、Tools 等更丰富的层级适合 GPT-4 / Claude 级别的强模型。从源码结构看这种一套框架、多套模板、按模型强度分档的设计正是 LangGPT探索模型能力边界理念的工程化体现模板本身不预设强弱强弱由你选择的模板档位决定。微软的五条提示词工程建议原文档引用了微软官方文档总结的五条经典建议逐条拆解如下。Be Specific尽量具体压缩解释空间Leave as little to interpretation as possible. Restrict the operational space.给模型留下越少的解读空间输出就越可控。模糊的指令写一份报告会让模型自行选择篇幅、结构与风格具体的指令写一份 500 字、包含现状分析和三条建议的季度报告则锁定了关键变量。LangGPT 模板中的Constraints约束字段正是这一原则的结构化载体例如 baseRole.md 中的 Dont break character under any circumstance 就是对角色行为的显式收窄。Be Descriptive善用类比与描述Use analogies.类比能帮助模型把新任务映射到熟悉的语义模式上。像审计师核查账目一样逐行检查这段代码远比请仔细检查代码更能激活模型的相关能力。描述性语言与 Role.md 中要求定义的who the users of the model will be, what inputs they will provide形成呼应——把受众与输入描述得越生动模型的理解越准确。Double Down关键指令前后重复Sometimes you may need to repeat yourself to the model. Give instructions before and after your primary content, use an instruction and a cue.在主体内容前后各放一次关键指令例如请总结以下内容……与……请总结以上内容可以显著提高指令被遵守的概率。这一技巧与本仓库模板中的Reminder机制异曲同工——baseRole.md 的Reminder节要求模型在每次响应前回顾角色设定与当前语言/规则本质就是在长对话中反复强化关键约束对抗上下文稀释。Order Matters信息顺序影响输出The order in which you present information to the model may impact the output. ... This is referred to as recency bias.指令在内容之前总结以下内容……还是之后总结以上内容……few-shot 示例的排列顺序都会影响输出——这被称为近因偏差recency bias。实践建议最重要的指令放在提示词开头获得最高注意力与结尾利用近因效应few-shot 示例中与目标最相似的示例放在最靠近目标的位置在结构化提示词中# Role一级标题统摄全局、Initialization作为开场白锚定交互起点见 README_zh.md 的结构化示例与 examples/prompts_zh.md 中的诗人案例正是利用位置信息强化关键内容的做法。Give the Model an Out给模型一条退路...include something like respond with not found if the answer is not present. This can help the model avoid generating false responses.当模型无法完成任务时与其让它硬编答案不如预先给它一条合法退路——例如如果答案不在文本中请回复 not found。这直接对冲了前文提到的幻觉缺陷模型编造答案很多时候是因为提示词没有允许它承认不知道。在 LangGPT 模板中这一原则可以落到 Role.md 的Limitations字段——明确模型在什么情况下应当如何回应包括拒绝、澄清、承认不确定。从技巧到范式LangGPT 结构化提示词如何沉淀以上所有原则汇总以上技巧不难发现它们之间存在一个共同弱点每一条都依赖写作者当时的自觉——今天记得写 Be Specific明天可能就忘了给模型留退路。LangGPT 的价值正在于把这些零散技巧固化为可复用的结构范式。在 结构化提示词系统论述 中作者系统阐述了结构化提示词的核心概念标识符如#、、-、[]等符号其中#标识标题层级、标识变量用于表达层次结构属性词如Role、Profile、Rules、Workflow、Initialization等每个属性词都携带语义是对模块内容的总结与提示用于表达语义结构。以 examples/prompts_zh.md 中的诗人提示词为例可以看到上述所有技巧在结构中的落位Be Specific落实为### 擅长写现代诗 / 七言律诗 / 五言诗的具体能力分节Be Descriptive落实为Description中对诗人角色的形象化刻画Double Down / Order Matters落实为# Role全局统摄 Initialization开场白对规则的重申Give the model an out落实为Rules中对行为边界的显式声明。而 miniRole.md、miniRole.json、miniRole.yaml 三种格式的精简模板则证明了同一套结构可以随工程需要自由切换标记语言——Markdown 适合快速上手JSON / YAML 适合程序化生成与管理这与 HowToWritestructuredPrompts.md 中使用 json、yaml 这类成熟的数据结构对 prompt 进行工程化开发特别友好的论断一致。一句话总结Tips 文档回答的是什么是对的提示词LangGPT 模板回答的是如何稳定地写出对的提示词。将本文的技巧逐条对照 Role.md 与 baseRole.md 模板字段去实践你就能把零散的 prompt 经验沉淀为可复制、可迭代、可团队共享的结构化资产。【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LangGPT 提示词技巧全指南：掌握大模型 Prompting 的核心原则与结构化落地
LangGPT 提示词技巧全指南掌握大模型 Prompting 的核心原则与结构化落地【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT本文是 LangGPT 仓库内 提示词技巧文档 的系统化展开。它以实战为导向覆盖了大模型固有的能力缺陷、任务上下文的组织方式、成本控制、措辞风格、模型能力边界以及微软提出的五条提示词工程建议并结合本仓库的结构化提示词模板Role / Profile / Rules / Workflow给出可直接复用的落地写法。读完本文你将掌握一套理解模型局限 → 正确组织上下文 → 控制成本与风格 → 按模型强弱适配结构 → 用结构化模板固化技巧的完整提示词工程方法。认识大模型的固有缺陷提示词设计的前提任何提示词技巧都建立在一个前提之上大语言模型LLM并非完美的推理机器。原文档 LangGPT/Tips.md 开篇就要求使用者在设计提示词之前先清醒认识模型存在以下局限模型可能存在偏见biased训练数据中的统计偏差会反映在输出中涉及性别、地域、职业等话题时尤其明显模型可能编造信息hallucinate在缺乏事实依据时模型会自信地生成看似合理实则虚构的内容模型可能存在推理错误reasoning errors多步逻辑推理、数学计算、一致性保持等场景下容易出错模型可能在特定任务类别上表现挣扎例如拼写相关任务spelling related tasks这类对字符精确性要求极高的场景模型存在知识截止日期knowledge cutoff例如文档中提到的 2021 年 9 月之前的训练数据之后的新知识模型并不掌握模型易受攻击包括提示注入prompt injection、越狱jailbreak攻击、数据投毒data poisoning攻击等安全风险。应对策略低风险场景 人工监督原文档给出了三条务实的部署建议用于低风险应用low-stakes applications避免在不可逆的高风险决策中直接依赖模型输出与人工监督结合combine with human oversight将模型输出视为待审核的初稿而非终稿作为灵感与建议的来源source of inspiration, suggestions发挥模型的生成与发散优势而不是让它承担确定性责任。Copilot 优于自主 Agent原文档特别强调一个倾向优先使用 Copilot 模式而非完全自主的 Agent 模式。原因在于上述缺陷在无人监督的自主执行链条中会被逐级放大——一次幻觉经过多步工具调用与自我循环后可能演变为难以追踪的错误。这一判断与本仓库的 autoGPT 风格模板 形成了对照后者展示了自主 Agent 提示词所需要的大量约束目标、约束、命令白名单、自评估、JSON 响应格式等这恰好说明自主模式需要付出远超普通对话的工程成本来兜住模型的不可靠性。在结构化模板中的对应实现LangGPT 的完整版模板 Role.md 将这种承认局限的思想直接固化为模板字段其 Profile 一节要求同时定义Capabilities能力与Limitations局限并明确要求Define how the model should respond when faced with any limitations——即在模型能力不足时如何回应。把模型会出错这一认知写进提示词本身正是结构化提示词相对散装提示词的优势之一。提供详细任务上下文、相关信息与完整指令原文档的第二条建议只有一句话却是一条核心方法论what would you tell a task contractor if they cant email you back?如果无法与任务外包人员邮件联系你会怎么交代任务这句话的本质是换位思考测试把模型想象成一个无法追问、只能按书面说明执行的远程外包人员。如果你给它的指令含糊到外包人员看了会做错那么模型也会做错。合格的提示词应当像一份可以脱离作者独立执行的任务说明书包含任务目标期望达成的最终结果背景信息任务所处的上下文与约束条件输入与输出规格模型接收什么、必须返回什么质量标准与禁忌什么样的输出算合格什么绝对不能做。LangGPT 模板把这一思想结构化地落到了字段层面。以 baseRole.md 为例其Profile中的Description要求Give an overview of the characters characteristics and skills而Workflow则要求把交互过程拆解为First → Then → Finally的显式步骤序列Role.md 的Capabilities更是逐条要求定义谁在用这个模型、用户会输入什么、你期望模型如何处理这些输入。这些字段本质上是强制你完成任务外包说明书的思考结构化的过程就是逼你把隐性假设显性化的过程。用 Be Concise 节省 40%–90% 的调用成本原文档引用 ray-project 的 llm-numbers 研究指出在提示词末尾追加 Be Concise请简洁指令可节省约 40%–90% 的 token 费用。其原理非常直接API 按 token 计费模型输出越长费用越高。而简洁指令显著压缩了模型输出的冗余度客套话、重复表述、过度展开从而直接削减输出 token 数量。对于大批量调用场景这一条是最容易落地、ROI 最高的优化手段。实践时的注意事项把简洁指令放在关键位置结合下文指令位置影响输出的原则可同时出现在提示词开头Please be concise.与结尾Answer concisely.形成双重约束平衡简洁与完整对需要详细论证的任务可改用限定性表述例如 Be concise but cover all key points保持简洁但覆盖所有要点避免过度压缩导致信息丢失在系统提示词中固化对于 LangGPT 风格的长期角色可将简洁要求写入Rules一节使其成为角色的稳定行为约束而非每次手动追加。用母语级英文书写提示词原文档第三条建议用母语级native英文风格书写提示词。模型训练语料以英文为主地道的英文表达更能唤起模型语义空间中准确、丰富的关联。文档给出的示例是商务场景下用 join the mission加入使命替代 complete the task完成任务——前者更具感染力与场景感触发的是使命与协作的语义域而后者则更接近机械的流程描述。推广开来看这一建议包含两个层面措辞层面优先选择模型语料中高频、语义准确、风格匹配的词汇与句式语境层面在特定领域商业、法律、医学使用该领域约定俗成的表达让模型更快进入角色。这一思想与 LangGPT 的结构化方法完全兼容Profile中的Language字段、Style字段Role.md 中明确要求 Define the posture and tone the model should exhibit in its responses正是用来承载此类措辞与风格约束的结构化位置。探索模型能力边界按模型强弱适配提示词结构原文档第四条建议聚焦模型差异复杂的提示词结构对弱模型无效能力较弱的模型无法消化多层嵌套的结构化指令此时应使用简单直接的结构结构复杂度必须与模型能力匹配弱模型成本显著更低文档估算 GPT-3.5-Turbo 的使用成本约为 GPT-4 的 1/50roughly 50 times cheaper因此在弱模型可胜任的任务上使用弱模型是极具性价比的选择。这两条组合起来是一条清晰的成本-能力决策路径先评估任务复杂度与质量要求 → 能交给弱模型的绝不交给强模型 → 交给弱模型的提示词保持简单 → 只有强模型才值得投入复杂结构化模板。LangGPT 仓库为这一分层思路提供了直接证据——它针对不同能力的模型准备了差异化的提示词资产ChatGPT3.5.txt 与 ChatGPT35.json面向能力较弱的模型的提示词其 JSON 结构ChatGPT35.json刻意保持精简仅包含 Profile / Skills / Goals / Constraints / Init 少数几层ChatGPT4.txt面向强模型的提示词可承载更丰富的结构与更精细的约束Claude2.txt面向 Claude 系列模型的能力与表达习惯定制miniRole 系列提供了 MarkdownminiRole.md、JSONminiRole.json、YAMLminiRole.yaml三种格式的精简模板结构仅为 Role → Profile → Rules → Workflow → Initialization 一层正适合弱模型用简单结构的场景与之相对Role.md 完整版模板则加入了 Capabilities、Limitations、Style、Examples、Tools 等更丰富的层级适合 GPT-4 / Claude 级别的强模型。从源码结构看这种一套框架、多套模板、按模型强度分档的设计正是 LangGPT探索模型能力边界理念的工程化体现模板本身不预设强弱强弱由你选择的模板档位决定。微软的五条提示词工程建议原文档引用了微软官方文档总结的五条经典建议逐条拆解如下。Be Specific尽量具体压缩解释空间Leave as little to interpretation as possible. Restrict the operational space.给模型留下越少的解读空间输出就越可控。模糊的指令写一份报告会让模型自行选择篇幅、结构与风格具体的指令写一份 500 字、包含现状分析和三条建议的季度报告则锁定了关键变量。LangGPT 模板中的Constraints约束字段正是这一原则的结构化载体例如 baseRole.md 中的 Dont break character under any circumstance 就是对角色行为的显式收窄。Be Descriptive善用类比与描述Use analogies.类比能帮助模型把新任务映射到熟悉的语义模式上。像审计师核查账目一样逐行检查这段代码远比请仔细检查代码更能激活模型的相关能力。描述性语言与 Role.md 中要求定义的who the users of the model will be, what inputs they will provide形成呼应——把受众与输入描述得越生动模型的理解越准确。Double Down关键指令前后重复Sometimes you may need to repeat yourself to the model. Give instructions before and after your primary content, use an instruction and a cue.在主体内容前后各放一次关键指令例如请总结以下内容……与……请总结以上内容可以显著提高指令被遵守的概率。这一技巧与本仓库模板中的Reminder机制异曲同工——baseRole.md 的Reminder节要求模型在每次响应前回顾角色设定与当前语言/规则本质就是在长对话中反复强化关键约束对抗上下文稀释。Order Matters信息顺序影响输出The order in which you present information to the model may impact the output. ... This is referred to as recency bias.指令在内容之前总结以下内容……还是之后总结以上内容……few-shot 示例的排列顺序都会影响输出——这被称为近因偏差recency bias。实践建议最重要的指令放在提示词开头获得最高注意力与结尾利用近因效应few-shot 示例中与目标最相似的示例放在最靠近目标的位置在结构化提示词中# Role一级标题统摄全局、Initialization作为开场白锚定交互起点见 README_zh.md 的结构化示例与 examples/prompts_zh.md 中的诗人案例正是利用位置信息强化关键内容的做法。Give the Model an Out给模型一条退路...include something like respond with not found if the answer is not present. This can help the model avoid generating false responses.当模型无法完成任务时与其让它硬编答案不如预先给它一条合法退路——例如如果答案不在文本中请回复 not found。这直接对冲了前文提到的幻觉缺陷模型编造答案很多时候是因为提示词没有允许它承认不知道。在 LangGPT 模板中这一原则可以落到 Role.md 的Limitations字段——明确模型在什么情况下应当如何回应包括拒绝、澄清、承认不确定。从技巧到范式LangGPT 结构化提示词如何沉淀以上所有原则汇总以上技巧不难发现它们之间存在一个共同弱点每一条都依赖写作者当时的自觉——今天记得写 Be Specific明天可能就忘了给模型留退路。LangGPT 的价值正在于把这些零散技巧固化为可复用的结构范式。在 结构化提示词系统论述 中作者系统阐述了结构化提示词的核心概念标识符如#、、-、[]等符号其中#标识标题层级、标识变量用于表达层次结构属性词如Role、Profile、Rules、Workflow、Initialization等每个属性词都携带语义是对模块内容的总结与提示用于表达语义结构。以 examples/prompts_zh.md 中的诗人提示词为例可以看到上述所有技巧在结构中的落位Be Specific落实为### 擅长写现代诗 / 七言律诗 / 五言诗的具体能力分节Be Descriptive落实为Description中对诗人角色的形象化刻画Double Down / Order Matters落实为# Role全局统摄 Initialization开场白对规则的重申Give the model an out落实为Rules中对行为边界的显式声明。而 miniRole.md、miniRole.json、miniRole.yaml 三种格式的精简模板则证明了同一套结构可以随工程需要自由切换标记语言——Markdown 适合快速上手JSON / YAML 适合程序化生成与管理这与 HowToWritestructuredPrompts.md 中使用 json、yaml 这类成熟的数据结构对 prompt 进行工程化开发特别友好的论断一致。一句话总结Tips 文档回答的是什么是对的提示词LangGPT 模板回答的是如何稳定地写出对的提示词。将本文的技巧逐条对照 Role.md 与 baseRole.md 模板字段去实践你就能把零散的 prompt 经验沉淀为可复制、可迭代、可团队共享的结构化资产。【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址: https://gitcode.com/gh_mirrors/la/LangGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考