大模型LLM-Prompt-TRACE
1 TRACE
"TRACE"框架是一种用于指导人工智能或语言模型以更有效的方式响应特定任务或问题的提示词结构。以下是"TRACE"框架的组成部分及其应用示例：
-
Target（目标）：确定需要解决的问题或达成的目标。
-
Role（角色）：定义AI在任务中应扮演的角色或身份。
-
Action（行动）：指定AI需要采取的具体行动或步骤。
-
Context（背景）：提供任务相关的背景信息，帮助AI更好地理解情境。
-
Elaboration（详细说明）：要求AI提供详细的解释或阐述
2 TRACE 示例
-
示例1：城市规划分析
假设您是一位城市规划分析师，需要评估北京城市扩张对环境的潜在影响。
Target（目标）：确定北京城市扩张对当地生态环境和居民生活质量的影响。
Role（角色）：我希望你扮演一位资深的城市规划分析师。
Action（行动）：分析城市扩张的数据，评估其对环境、交通和居民生活的影响。
Context（背景）：北京作为中国的首都，近年来经历了快速的城市化进程，包括新的住宅区、商业区和基础设施的建设。
Elaboration（详细说明）：提供对城市扩张影响的全面分析，包括对绿地面积、交通流量、空气质量和居民满意度的评估。
-
示例2：文化遗产保护
假设您是一位文化学者，对北京丰富的历史文化遗产感兴趣，并希望评估现代化进程中文化遗产保护的现状。
Target（目标）：评估北京在现代化发展中对文化遗产保护的成效。
Role（角色）：我希望你扮演一位文化遗产保护专家。
Action（行动）：调研并分析北京在城市发展中如何平衡文化遗产的保护与现代化需求。
Context（背景）：北京拥有众多的历史遗迹和文化地标，如故宫、天坛、颐和园等，这些遗产在城市发展中面临着保护挑战。
Elaboration（详细说明）：详细阐述北京文化遗产保护的现状，包括政策、公众意识、资金投入以及实际保护措施的效果。