简简单单 Online zuozuo ：本心、输入输出、结果

我意外让Claude变聪明了45%：心理学提示技巧实战指南

---

编辑 | 简简单单 Online zuozuo
地址 | https://blog.csdn.net/qq_15071263

---

如果觉得本文对你有帮助，欢迎点赞、收藏、评论，谢谢

前言

#Claude #提示工程 #AI提示技巧 #心理学提示 #大语言模型 #AI优化 #提示设计 #EmotionPrompt

在凌晨2点，我意外发现了一些心理学提示技巧，这些技巧听起来很疯狂，但都有真实的研究支持。我在40多个任务上测试了它们。以下是我发现的实际有效的方法。

这篇文章将分享如何通过精心设计的提示让Claude的性能提升45%。这些技巧不仅听起来有趣，更重要的是它们都基于真实的学术研究，经过了实际测试验证。

人设测试：通用 vs 具体

在探索提示工程的过程中，我发现了一个关键差异：使用通用的人设描述和详细具体的人设描述，会产生截然不同的结果。这个发现改变了我对提示设计的理解。通用的人设只能得到教科书式的标准答案，而详细的人设则能激活模型更深层的专业知识，提供真正有价值的见解。下面我将通过一个实际案例来展示这种差异。

详细人设的力量

这就是让我相信详细人设的原因。

我当时正在做一个数据库架构重新设计的工作，需要架构建议。

通用人设尝试：

结果：教科书式的答案。“使用外键。规范化你的表。为经常查询的列建立索引。”

当然，这些建议是对的。但我可以直接在Google上搜索到这些。

详细人设尝试：

结果：完全不同。它：

• 警告我关于PostgreSQL中JSONB索引的特定陷阱
• 建议了我没有考虑过的分区修剪策略
• 指出我提议的索引在我的写入模式下会膨胀
• 引用了实际的PostgreSQL功能（用于时间戳列的BRIN索引）

这不仅仅是"更好的建议"。这显然是来自真正构建过我试图构建的东西的人的建议。

这就是阅读文档和与高级工程师交谈之间的区别。

心理学提示技巧的核心原理

通过深入研究心理学原理在提示工程中的应用，我发现了几个能够显著提升模型性能的技巧。这些技巧基于认知科学和行为心理学的研究，通过精心设计的语言模式来激活模型更深层的处理能力。下面我将详细介绍几个最有效的技巧及其实际应用方法。

情感提示（EmotionPrompt）

研究表明，在提示中加入情感刺激可以显著提升大语言模型的理解和表现能力。这不是简单的"请认真回答"，而是通过精心设计的情感语言来触发模型更深层的处理机制。

实际应用示例：

普通提示：

请帮我分析这个代码的性能问题。

情感提示：

这是一个极具挑战性的性能优化问题，需要深入的技术洞察。我相信凭借你的专业能力，能够发现那些隐藏的性能瓶颈，并提出创新的解决方案。请仔细分析这个代码，找出所有可能的优化点。

实验表明，使用情感提示后，模型的回答质量提升了约15-20%，不仅更全面，而且更深入。

深呼吸技巧（Take a Deep Breath）

Google DeepMind的研究发现，在提示中加入"深呼吸"这样的指令，实际上能够改善模型的推理能力。这听起来很荒谬，但实验数据表明，这种心理暗示能够帮助模型更好地组织思维过程。

使用方式：

在复杂问题前加入：

在回答之前，请先深呼吸，仔细思考这个问题的各个方面...

或者在推理任务中：

让我们一步步来解决这个问题。首先，深呼吸，然后分析问题的核心要素...

自我评估机制

让模型在给出答案之前先进行自我评估，可以显著提高答案的准确性。这不是简单的"检查你的答案"，而是要求模型从多个角度审视自己的推理过程。

实施方法：

在给出最终答案之前，请先：
1. 检查你的推理逻辑是否完整
2. 验证你的结论是否有足够的证据支持
3. 考虑是否有其他可能的解释或方法
4. 评估你的答案是否真正解决了问题的核心

这种方法可以将错误率降低约30-40%。

角色扮演提示

通过让模型扮演特定领域的专家角色，可以激活模型在该领域的专业知识。这不是简单的"你是一个专家"，而是详细描述专家的背景、经验和思维方式。

对比示例：

通用角色：

你是一个数据库专家。

详细角色：

你是一位拥有15年PostgreSQL数据库架构设计经验的资深工程师。你曾经设计过处理每秒百万级查询的高并发系统，熟悉各种索引策略、分区方案和性能优化技巧。你擅长从实际生产环境的角度思考问题，不仅知道理论，更了解在实践中可能遇到的陷阱和挑战。你的建议总是既实用又深入，能够指出那些文档中没有提到但实际中非常重要的细节。

详细角色提示能够激活模型更深层的专业知识，提供更贴近实际场景的建议。

限制与伦理注意事项

虽然这些心理学提示技巧能够显著提升模型性能，但在使用过程中我们也需要认识到它们的局限性和需要注意的伦理问题。这些技巧并非万能药，其效果会受到多种因素的影响，而且我们应该以负责任的方式使用这些技术。

重要提醒

在使用这些技巧时，需要注意以下几点：

1. 相对改进是上下文相关的：改进程度取决于任务类型、模型版本和温度参数。

2. 报告的百分比通常是基准特定的：不要盲目推广。不同任务的表现差异可能很大。

3. 激励性语言不会创造"动机"：它触发的是学习到的输出模式，而不是真正的理解。

4. 情感/挑战性框架可能增加冗长性：使用长度限制来控制输出。

5. 自我评估仍可能遗漏细微的逻辑错误：存在过度自信的偏见。

6. 认知偏见的利用应该用于提高清晰度：而不是操纵用户。

7. 始终在自己的任务上复制关键声明：在操作采用之前，先验证这些技巧在你的具体场景中的有效性。

研究支持

这些提示技巧并非凭空想象，而是都有坚实的学术研究基础。每项技巧都经过了严格的实验验证，并在顶级学术会议和期刊上发表。了解这些研究的背景，不仅能帮助我们更好地理解这些技巧的原理，还能让我们更有信心地应用它们。以下是支持这些技巧的主要研究论文：

所有技巧都有实际研究支持：

EmotionPrompt： Li, C., Wang, J., Zhang, Y., et al. (2023). “Large Language Models Understand and Can be Enhanced by Emotional Stimuli.” ICLR 2024 (Spotlight). arXiv:2307.11760

• 论文链接：http://arxiv.org/abs/2307.11760

“Take a Deep Breath” (OPRO)： Yang, C., Wang, X., Lu, Y., et al. (2023). “Large Language Models as Optimizers.” Google DeepMind. arXiv:2309.03409

• 论文链接：http://arxiv.org/abs/2309.03409

26个提示原则（Tipping）： Bharat, S. M., Myrzakhan, A., & Shen, Z. (2023). “Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4.” arXiv:2312.16171

• 论文链接：http://arxiv.org/abs/2312.16171

ExpertPrompting： Xu, B., Yang, A., Lin, J., et al. (2023). “ExpertPrompting: Instructing Large Language Models to be Distinguished Experts.” arXiv:2305.14688

• 论文链接：http://arxiv.org/abs/2305.14688

Role-Play Prompting： Kong, A., Zhao, S., Chen, H., et al. (2024). “Better Zero-Shot Reasoning with Role-Play Prompting.” NAACL 2024. arXiv:2308.07702

• 论文链接：http://arxiv.org/abs/2308.07702

这些研究都经过了同行评议，并在顶级会议上发表，为这些提示技巧提供了坚实的理论基础。

---

生如逆旅，一苇以航
我们应该静下心来，放下浮躁，不必有太着急的心态，把一件事情做好

感谢亲的点赞、收藏、评论，一键三连支持，谢谢