提示词工程师 / 提示词生成器

一个由文档驱动的Custom GPT系统，专为设计和优化AI提示词而打造。

演示链接 • GITHUB链接

概述

• 角色：创建者 / 提示词工程师
• 技术栈：Custom GPT, Diverse Prompt Formats, JSON
• 关键成果：成功设计了一个无代码且高度可扩展的提示词生成引擎。
• 摘要：该项目是我首次应用正规的提示词工程。这是一个模块化、文档驱动的提示词生成和管理系统，其所有逻辑和工作流都通过结构化文件进行管理，这些文件中包含大量不同的格式、模板和范例，以确保清晰度、可维护性和可扩展性。

面临的问题

• 挑战：由于提示词结构不佳，用户经常难以从AI模型中获得最佳输出。挑战在于创建一个系统，能够在不需要传统代码的情况下自动优化这些提示词。
• 受众：任何使用AI并希望显著提高AI输出质量和准确性的人。
• 限制：确保所有逻辑、工作流和技术都能被Custom GPT有效地解析，该GPT完全依赖于基于文本的配置和大量的格式蓝图，而不是可执行代码。

方法与决策

• 架构：一种声明式的多格式架构，其中所有系统指令都存储在相互链接的文件中。
• 关键决策：决定使用严格的文件夹结构来映射工作流、上下文和命令，以保持GPT知识库的组织性和模块化。
• 权衡：用传统编程Web应用程序的计算能力换取了由庞大格式库驱动的Custom GPT平台的即时、对话式的可访问性。
• 数据流：用户提供基本提示词 -> GPT参考结构化的模板和范例 -> GPT输出高度优化的专业提示词。

关键成果与影响

• 结果：一个非常有效的工具，能持续将用户的基本指令升级为专业、经过验证的提示词格式。
• 影响：通过确保输入与任务的最佳结构格式完美匹配，显著增强了AI和LLM的输出。

技术深度剖析

• 值得注意的细节：精心策划了行业最佳实践的丰富上下文，将大量格式和范例直接纳入GPT的知识库中。
• 验证：依赖于科学和经验证明的提示词工程格式和技术，这些技术已被测试证明可增强AI输出。
• 优化：将特定领域的上下文与活动命令分离，以优化GPT上下文窗口的使用。
• 代码质量：在所有格式蓝图之间保持严格的结构一致性，以确保GPT能够可预测地解析指令。
• 链接：请参阅GitHub存储库以了解文件结构。

反思

• 未来改进：我没有让它仅仅作为一个独立的GPT，而是决定更进一步，在我的 oz: multiagent 项目中实现一个AI子代理，直接在我自己的应用程序中自动优化输出。
• 成功之处：成功证明了可以通过声明式的提示词工程技术完全构建一个强大、模块化的逻辑系统。
• 经验教训：结构化的格式是获得可预测和高质量LLM输出的绝对关键。

---

我的贡献

• 系统设计：设计了模块化、由文档驱动的架构，以实现清晰和可维护。
• 工作流工程：在markdown文件中定义了声明式的工作流、命令和模板。
• 最佳实践：精心整理了提示词工程的上下文、技术和范例。
• 文档编写：编写并维护了所有项目文档和工作流文件。

---

项目架构

本项目使用由文档驱动的模块化文件结构。没有代码执行。

• 组件组织：
  • main_instruction.md：核心JSON配置和系统指令
  • context/context.md：特定领域的上下文和最佳实践
  • commands/commands.md：所有可用的命令
  • profiles/：代理和工作流配置文件
  • templates/：提示词模板和技术

---

演示预览

您可以通过 Prompt Engineer / Prompt Generator 体验在线的Custom GPT。

• 平台视图：Web (OpenAI ChatGPT Custom GPT)
• 功能展示：
  • 交互式选择提示词任务、格式和技术。

托管说明：
该在线Custom GPT在OpenAI上运行。源代码和文档位于GitHub上；没有代码执行系统。