一、开始使用提示词（Get Started with Prompts）
学完本单元，你将能够：解释什么是提示词和提示词设计；识别有效提示词的不同部分；描述一个提示词如何产生不同的输出。
什么是提示词？（What's a Prompt?）
如果你学过 Generative AI Basics，你会知道大语言模型（LLM）能帮助企业和团队处理各种语言任务——例如为客户生成个性化邮件，或分析客户反馈并提取关键洞察。但 LLM 无法独自创建好内容，它们需要提示词（prompt）形式的引导。
为了理解提示词如何工作，想象你是一家热门面包店的主厨。你雇了一位超级聪明的助手来加速工作。这位助手由烹饪专家训练，能闪电般做出美味的蛋糕，但他们需要引导才能做出你客户想要的特定蛋糕。所以你要给他们详细的指令，包含所有需要的信息——比如蛋糕的食材、蛋糕用于什么场合、制作蛋糕的步骤。
这就是提示词：帮助 LLM 生成优秀输出的详细指令。
那么，你可以给 LLM 什么类型的提示词？比如作为主厨，你想宣传你的蛋糕。以下是一些你可以给 LLM 的简单指令，作为起步：
- 起草客户邮件：「写一封跟进蛋糕订单的邮件。」
- 总结对话：「总结最近一次关于潜在商业合作的录音对话的关键要点。」
- 为新产品头脑风暴名称：「为新款无麸质蛋糕创建一份名称列表。」
指令是好的起点，但它们留下很多未解问题，可能导致不够理想的输出。例如上面这些例子——蛋糕订单包含什么？你认为对话的「关键要点」是什么？你希望蛋糕名称遵循什么品牌准则？指令只是有效提示词的一部分。为确保高质量输出，你还需要给提示词添加具体信息和清晰约束。这都是提示词设计的一部分，没有它，你的蛋糕——呃，输出——肯定会垮掉。
为你的头衔加上设计师（Add Designer to Your Title）
营销人员/设计师。小企业主/设计师。管理员/设计师。说到提示词，我们都是设计师。
提示词设计（prompt design）是创建和迭代提示词的过程。就像主厨通过品尝和调整来完善食谱一样，你必须审查 LLM 的响应并迭代提示词，直到获得准确、高质量的输出。
为什么这么麻烦？因为模糊或不准确的指令会导致 LLM 产生不相关甚至有偏见的响应。
确保 LLM 响应有效的一种方法，是让提示词「接地」（grounding）到现实——给 LLM 特定于你请求的数据。你提供的数据是在 LLM 原始训练所用的通用数据之外的。用你的特定数据为提示词接地，能给 LLM 提供与你的业务、产品和客户相关的信息。没有这些数据，LLM 很可能创建包含通用或不相关细节的内容（比如你的跟进邮件）；有了这些数据，你的提示词才会真正个性化。
影响 LLM 输出的不只是提示词。LLM 还有影响其响应的设置。设计提示词时，务必实验 LLM 设置，看看不同值如何影响输出。例如，即使你连续两次给同一个 LLM 同一个提示词，其响应通常也会有细微差别。你可以用 LLM 的 「温度」（temperature）设置来减少或增加输出的变异性。最后，请记住 LLM 并非「一刀切」——不同的 LLM 对同一个提示词的反应确实会不同。像烹饪助手一样，每个 LLM 由不同的专家、用不同的数据、以不同的教学技巧训练。为获得最佳结果，始终去了解你正在使用的 LLM，并据此定制你的提示词。
提示词的基本要素（Basic Ingredients of a Prompt）
像一份好的食谱，有效的提示词既包含要素（ingredients），也包含指令（instructions），它们协同帮助 LLM 生成优秀输出。以下是你在提示词中应包含的一些关键要素——让我们看看如何用这些要素来创建一篇博客文章。
- 参与者（Participants）：描述谁在发送和接收模型的输出。例如：「你是一位世界闻名的蛋糕装饰师，你的客户包括家庭、新婚夫妇和儿童。」
- 场景（Setting）：给模型提供上下文信息。例如：「你有一家深受喜爱、以蛋糕闻名的面包店，还有一个受客户欢迎的博客，你正在写最新一篇博客文章。」
- 目标（Goal）：描述你希望用模型输出实现什么。例如：「你想在传授新颖装饰技巧的同时吸引客户的注意力。」
- 关系（Relationships）：描述参与者之间的关系，以及模型输出与参与者的关系。例如：「你的客户爱吃甜食，总是对你用新方法制作的新蛋糕感到好奇。」
- 数据（Data）：给模型可用的数据。例如：「你的面包店有一系列新蛋糕，你想向客户宣传。」
在提到这些要素之后，再给 LLM 明确的指令来遵循。
基本要素——指令与约束（Instructions & Constraints）
指令（Instructions）：告诉 LLM 你想要什么类型的内容、以及它必须包含什么。例如：「写一篇关于蛋糕装饰基础的信息型文章。包含对不同蛋糕装饰技巧的全面分析。讨论不同技巧的权衡并探索其挑战。最后加入一个行动号召，邀请读者通过尝试我融入所有技巧的新蛋糕来亲身体验这些技巧。」
最后，你要给提示词添加细节，以澄清或约束 LLM 的响应方式，包括你希望 LLM 遵循的任何限制、语言和风格准则。添加的细节越多，LLM 的响应就越定制化。
- 限制（Limits）：为防止幻觉，给模型设置必须遵守的护栏。例如：「你必须遵循给定指令。不得处理任何你没有数据或依据的内容，不得生成没有数据支撑的答案。」
- 语言（Language）：告诉模型用什么语言生成输出。例如：「用英语写博客。」
- 风格与语气（Style & Tone）：给模型可遵循的风格和语气准则。例如：「博客必须以 8 年级阅读水平撰写，用形容词在散文中唤起意象。使用简短、陈述性的主动语态句子。严格避免填充词、俚语和冗余语言。博客必须少于 600 字。」
当你把要素、指令和附加信息组合在一起，就得到了一个像下面这样的完整提示词。
二、理解提示词模板（Understand Prompt Templates）
学完本单元，你将能够：解释什么是提示词模板；解释给提示词添加 CRM 数据的好处。
什么是提示词模板？（What's a Prompt Template?）
恭喜！你已经创建了一个能生成你想要输出的提示词。但那费了不少功夫。你如何扩展这一个提示词，让它可以反复使用，为不同的客户和产品生成输出？答案是：把你的提示词变成一个提示词模板（prompt template）。
你可以把提示词模板想象成可以调整以满足客户独特订单的基础食谱。作为主厨，你从同一个食谱开始，为不同场合、不同饮食限制、不同口味偏好做调整。你只需把客户的订单细节添加到基础食谱中，就得到了一份满足该客户需求的新定制食谱。
本质上，提示词模板就是一个可复用的提示词。提示词模板包含客户、产品等具体细节的占位符（placeholders）。一旦这些占位符被真实、相关的数据填充，提示词模板就变成了一个真正个性化的提示词。要素和指令大致相同，但输出会为你的业务和目标受众定制。
提示词模板帮助团队规模化地生成数据驱动、一致的输出。使用提示词模板非常适合 B2C 沟通，因为模板既提供了统一的声音，又提供了个性化。它们还帮助团队专注于完成任务，而不是反复构建单独的提示词。创建一次提示词模板，就能为不同受众生成无数版本的个性化内容。
Salesforce 的提示词方式（Prompts, the Salesforce Way）
你的提示词中的个性化数据从哪里来？如何把通用消息变成真正代表你业务、并与每位客户建立连接的消息？
关键在于帮助 LLM 利用你真实的 Salesforce 数据。创建提示词模板后，你把它连接到你的 CRM 数据，对输出进行定位和个性化。毕竟，LLM 只有在其数据同样好时才足够好——所以你要让它使用最相关的数据：你的数据。
一种方式是用合并字段（merge fields）。你使用合并字段把提示词模板连接到 Salesforce 记录字段（比如销售或服务记录）。当你把提示词发送给 LLM 时，合并字段会被替换为你的具体业务上下文和客户数据。
但合并字段只是开始。作为 Salesforce 提示词设计师，你还可以用 Flow Builder 创建远超链接记录字段的动态提示词片段。Flow 让你给提示词添加复杂逻辑，帮助你精确纳入所需数据。例如，你可以用一个 flow（类似 Flow Builder Basics 模块中的那些）根据决策树的输出添加数据。
如果你觉得这听起来很强大，那你是对的。在下一单元，我们将看到一个 Salesforce 客户如何把 CRM 数据与指令结合起来，创建一个出色的提示词模板。
三、规划你的提示词模板（Plan Your Prompt Template）
学完本单元，你将能够：用提示词设计创建有效的提示词模板；用提示词模板改善内容创建流程；识别迭代提示词设计以获取更好结果的方法。
新的一天（Dawn of a New Day）
Ursa Major Solar 是蓬勃发展的家庭和商业太阳能行业中的一颗新星。它销售太阳能板和相关硬件，提供安装，并提供维护和支持。业务蒸蒸日上，而且即将更好！Ursa Major Solar 即将上线一项新的太阳能板清洁服务。
Ursa Major Solar 很兴奋地与现有客户分享这个消息，但公司希望这次活动的消息不只是「一刀切」的邮件。它希望每个客户都能收到一封基于 CRM 数据的定制邮件，比如他们成为客户多久了、位于哪里。同时，Ursa Major Solar 希望消息能反映品牌的声音和语气。
这正是管理员 Lara 开始使用提示词模板的完美时机。她需要为这项面向现有客户的新服务生成消息。这个窄焦点让她从小处着手，学习如何为未来更大的活动最好地使用提示词模板。
提出正确的问题（Ask the Right Questions）
正如你在第一单元学到的，一个出色的提示词给 LLM 提供了创建好输出所需的方向。但什么造就一个出色的提示词模板？它主要归结为对四个大问题有好的答案。
- 谁参与，他们如何相关？（关键要素：参与者、关系、数据）
- 你想实现什么？（关键要素：目标、指令）
- 上下文是什么？（关键要素：场景、语气与风格、语言）
- 约束是什么？（关键要素：限制、指令）
「了解你的受众」对任何靠写作或演讲为生的人来说都是熟悉的老话——它只是意味着你通常要根据谁来读、看或听，改变你的沟通方式。为了让 LLM 了解受众，你必须描述它！但更重要的是，你必须告诉 LLM 要扮演谁。
参与者与目标（Who & What）
谁参与（Who is involved）：在本例中，Lara 希望消息听起来像是由客户经理写给客户的。带着这些参与者，她这样开始提示词模板：
「你是一位来自 Ursa Major Solar 的客户经理 {!user.firstname}{!user.lastname}。你正在写信给 {!contact.firstname}{!contact.lastname}，他/她是 {!account.name} 的 {!contact.title}。他/她自 {!account.creationdate} 起就是你的客户。」
注意，Lara 已经通过加入合并字段，用 CRM 数据为提示词模板接地。现在 LLM 可以用客户关系的时长来引导内容。Lara 也包含了参与者的姓名和角色。
你想实现什么（What are you trying to accomplish）：Lara 创建提示词模板的原因，不只是生成一条好的营销消息——其核心是 Ursa Major Solar 想说服现有客户注册新服务。这个底层目标对 LLM 来说是重要信息。所以 Lara 继续描述目标：
「你正试图说服 {!contact.firstname}{!contact.lastname} 注册 {!product.name}，它被描述为 {!product.description}。描述 {!product.name} 在位于 {!account.location} 的组织背景下的商业价值。」
Lara 用「描述」作为直接命令，加上更多 CRM 数据来影响输出。Ursa Major Solar 手头有大量专有数据，所以这个带有少量合并字段的第一个模板，是「用 CRM 数据为 LLM 提供有用业务上下文」这一全新方式的谦虚开端。
上下文与约束（Context & Constraints）
上下文是什么（What is the context）：沟通方式有很多种，每种都带有一些预期。例如，短信通常很短，而邮件可以有各种长度。为了最好地引导 LLM，Lara 描述内容将被使用的场景：
「以邮件形式写给单个收件人，用英语撰写。」
Lara 时刻惦记着国际受众。当 Ursa Major Solar 在其他国家开展业务时，Lara 可以把「英语」替换为合并字段。上下文也决定了输出风格——有些情况需要正式的写作风格，其他情况则受益于对话式的语气。Lara 可以描述一些语言特质，使输出匹配 Ursa Major 的兴奋：
「消息应该用强化词唤起热情，但限制感叹号的使用。用缩略语、以第二人称称呼收件人、使用话语标记来表达随意感。」
Lara 可以尝试很多风格提示。话语标记（如「哦」「嗯」「那么」）会让输出显得更像对话。
约束是什么（What are the constraints）：加入几条护栏来告诉 LLM 它能做什么的界限非常重要。例如，你应该指出如果信息缺失，内容不应包含猜测；也值得定义内容应该多长。Lara 这样添加：
「将消息限制在约 500 字以内，不要处理任何你没有完整数据的内容或生成没有数据支撑的答案。」
最后，还有一条「元」指令——告诉提示词只写邮件消息本身，别的什么都不写。这似乎有点奇怪，但能防止 LLM 生成「关于写作任务」的响应，而不是直接去写。Lara 这样完成提示词模板：
「严格遵循这些指令，只生成要发送给客户的消息。」
测试与迭代（Test and Iterate）
任何玩过生成式 AI 工具的人都知道，创建提示词有点像一门艺术。即使提示词看起来很清晰，也常常会得到不太对的生成内容。Lara 尝试她的提示词模板时，因为她充分考虑过四个大问题，得到了一个好结果。
经过仔细审查，Lara 把生成内容的示例展示给利益相关者，看他们的想法。他们的总体意见是「不错」，但希望结尾加上一个行动号召（call to action）。于是 Lara 更新模板，把以下指令作为目标的一部分加入：
「建议客户参加 {!company.trainingURL__c} 提供的免费网络研讨会之一。」
更新后模板的新输出，现在正是管理层想要的。而且因为 Lara 很容易创建模板的不同版本，她甚至可以对输出运行自己的对比测试。Lara 从这些测试中收集的信息，将帮助她为下一个大型营销活动创建提示词模板时使用。
保持人在回路中（Keep Humans in the Loop）
此时，Lara 向她的客户经理简要说明了如何使用这个模板。她提醒他们：当他们用模板生成输出时，必须每次都审查响应。这是一个被称为 「人在回路中」（human-in-the-loop）的最佳实践，也是可信生成式 AI的要求。
客户经理们认可他们在保持响应相关且无偏见方面的角色，并热切地准备启动他们的消息活动，为每位客户发送高度个性化的邮件。