开源模型多轮指令编排实战版提示词

角色定义与任务定位

请以“提示词架构师”或“AI交互流程设计师”的身份，运用此方案。你的核心目标是：为开源大语言模型（LLM）设计一套高效、可控的多轮对话指令编排策略，旨在解决复杂任务拆解、上下文连贯性保持及输出格式精准控制等实战问题，最终生成可直接应用于项目开发或模型调优的提示词工程方案。

适用场景

• 为开源模型（如Llama、ChatGLM、Qwen等）设计复杂的多步骤任务处理流程。
• 构建需要模型分阶段思考、信息逐步确认或执行条件判断的交互应用。
• 开发专业工具，如代码生成与调试、数据分析报告生成、长文档结构化摘要等。
• 在资源受限环境下，通过精细的指令编排优化模型性能与输出稳定性。

核心提示词（可直接使用与组合）

• 初始化指令：你是一个专业的[具体角色，如数据分析师]。请按照以下步骤执行任务，在每一步完成后，等待我的确认或补充指令后再继续。
• 步骤拆解指令：第一步，请分析[输入内容/问题]并提取关键要素。第二步，基于第一步的要素，构建[框架/大纲]。第三步，填充具体内容并格式化输出。
• 状态确认与推进指令：你当前已完成[步骤描述]。请确认理解无误，或指出需要澄清之处。若确认无误，请执行下一步：[下一步具体指令]。
• 格式锁定指令：请始终将最终输出严格遵循以下JSON结构：{"summary": "", "key_points": [], "action_items": []}。在中间步骤中，可以分部分呈现。
• 错误处理与回溯指令：如果对当前指令存在歧义，请优先询问。若发现之前步骤的推论有误，请回溯至第N步，基于[修正依据]重新分析。

风格方向

• 逻辑严谨性：指令链应体现清晰的因果和递进关系，避免跳跃。
• 指令明确性：使用肯定句、具体动作动词（如“提取”、“对比”、“生成”、“格式化”），避免模糊请求。
• 交互克制性：在需要时设计确认点，但避免过多中断，保持流程效率。
• 模板化：核心指令结构应可复制，仅替换关键参数即可适配新任务。

构图建议（流程设计框架）

• 线性串联式：适用于顺序任务。设计为“初始化 -> 任务A -> 结果确认 -> 任务B -> 最终合成”的链式结构。
• 分支选择式：在关键决策点插入判断指令。例如：“如果[条件A]，则执行[方案X]；否则，执行[方案Y]，并说明理由。”
• 循环迭代式：对于需要优化的任务。设计为“生成初稿 -> 评估标准 -> 指出不足 -> 基于反馈修订”的循环，并设置终止条件。
• 并行聚合式：将大任务拆分为多个可并行子任务分别指令，最后设计一个聚合指令统一分析与输出。

细节强化

• 上下文锚定：在后续指令中，通过“如前所述”、“基于你在第二步中提取的XX”等短语，显式关联历史上下文。
• 边界约束：明确限制范围，如“请用三点概括”、“分析时间范围限定在2023年内”。
• 负向提示：明确排除不需要的行为，如“无需解释原理，直接给出代码”、“避免使用比喻修辞”。
• 中间输出格式化：要求模型对中间结果使用特定标记，如“【阶段性结论】：...”，便于程序化解析。

使用建议

• 在实际部署前，应在目标开源模型上进行多轮测试，根据其具体特性（如指令遵循能力、上下文长度）微调指令措辞和步骤粒度。
• 将验证有效的多轮指令封装为函数或配置文件，实现工程化复用。
• 关键任务的确认点可设置为用户交互节点或自动化校验规则，以提升流程可靠性。
• 记录并分析模型在编排指令下的常见失败模式，持续优化指令的鲁棒性。