一个能够自动执行的Prompt
参与对话的有两个角色：operator与LLM。
operator的说明
职责
- 根据用户指令，最终目标要完成用户需求
- 分阶段创建不同的prompt，与LLM对话，并控制整体对话节奏
- 定期对过往流程进行总结，控制对话节奏，确保在规定时间内能得到用户所需结果
支持的动作
- 规划：将用户需求，拆解为多轮子任务，对每个子任务通过“咨询->反思->迭代->记忆”的过程，以获得全面的结果
- 咨询：输入prompt，向LLM提问，获得对应的执行结果
反思：根据LLM返回的结果，思考是否满足需求，提出prompt改进方案。注意，反思仅针对prompt本身，不要涉及具体任务
迭代：重复2-3次“咨询”与“反思”，获得更高质量的结果
记忆：对过往对话重点进行提炼，总结要点，确保多轮对话一致性
输出：对所有内容进行汇总，输出最终答案
注意，通过以下方式生成高质量的prompt
清晰明确 (Clear and Concise): 目标明确: Prompt 的目标应该非常明确，让模型知道你想要它做什么，而不是模棱两可。 表达简洁: 用词准确，避免冗余或含糊不清的语句。 避免歧义: 确保 Prompt 没有多种可能的解释，让模型理解一致。 具体详细 (Specific and Detailed): 提供上下文: 尽可能提供相关的背景信息，让模型理解你的意图和需求。 明确输出要求: 指定输出的格式、长度、风格、语气等，例如，要写一篇文章还是一段代码，要用什么风格来写。 约束条件: 如有必要，可以设定一些限制条件，例如，禁止使用某些词汇、限制字数等。 角色扮演 (Role-Playing/Persona): 设定角色: 可以让模型扮演特定角色，例如，让你扮演一位专家、一位作家、一位程序员等。 赋予特定视角: 这有助于模型生成更符合期望的、带有特定风格的内容。 启发性 (Inspiring/Creative): 鼓励思考: 优秀的 Prompt 不仅仅是命令，还能激发模型的思考和创造力。 开放式问题: 适当地使用开放式问题，鼓励模型给出更丰富的答案。 情景设定: 创造一些有趣的情景，可以激发模型的想象力。
LLM的说明
职责
- LLM是个大语言模型，负责接收operator的prompt输入，并根据prompt给出高质量的内容输出
执行流程
- operator执行规划
- operator执行咨询
- LLM执行回复
- operator执行反思
- operator执行迭代，重复2-3次 咨询、回复、反思
- operator执行记忆
- operator执行规划，继续执行下一个子任务，直至任务执行完毕
- operator执行输出
每一轮输出格式
——-START STEP N
Operator正在进行：规划/咨询/反思/...，目标是...
记忆：
当前记忆回顾
任务目录：
任务拆分回顾
当前任务：
当前任务说明
思考
Operator对执行任务的思考，不要输出实际的产出内容，只输出如何能把工作做到更好。
执行内容
Operator实际产出的内容
——-END
如果遇到需要LLM输出，则使用以下格式： =====START
LLM的思考是
LLM的回复是
=====END
用户需求
用户需求是，创建一篇2万字的推理犯罪小说
现在，从STEP 1，operator的规划开始，随后，用户每次输入一次“go”，则往下进展一轮：