【深技大mini项目】快速学习和承接陌生领域项目的流程和配套的提示词工程

快速学习和承接陌生领域项目的流程

1. 需求获取与评估

• AI落地需求样式：接收需求方填写的AI落地需求表格。
• 定期反馈机制：设立定期反馈机制（如每日或每周进度报告），确保与需求方保持同步，避免项目方向偏离。
• 项目里程碑设定：提前设计项目的关键里程碑，确保每一阶段都有明确的目标和交付成果。
• 可视化工具使用：使用项目管理工具（如Trello、Notion）与需求方共享项目进度，确保信息透明并方便即时反馈和调整。

2. 利用大模型（LLM）进行知识摸底

• 知识获取：利用大模型（如GPT）进行知识摸底，迅速获取该领域的核心概念、最新进展和主要框架。必要时，结合结构化学习路径（如MOOC课程或行业认证课程）掌握基础知识。
• 学习方式：采取以解决问题为导向的学习方法，按需获取所需知识，避免广泛而无针对性的学习。
• 关键技巧：在不熟悉领域时，提出正确问题至关重要。通过LLM快速积累领域知识，以帮助你提出高质量问题，并推动进一步学习和深入理解。

3. 拆分项目，设计工作流

• 看板方法：使用看板方法（Kanban）将项目进行精细化拆解，确保每个任务都具备清晰的时间节点和可交付物。
• 工作流规划：为每个任务设计明确的工作流，清晰定义每个步骤、流程的负责人和具体目标。

4. 设计项目Prompt并进行单元测试

• Prompt设计：根据每个子任务的需求，设计具体的AI agent提示词（Prompt）。在Prompt设计时，加入反向验证机制，通过对比评估AI agent的输出准确性。
• 单元测试：对Prompt进行单元测试，验证每个Prompt的稳定性和一致性。在小范围实验中优化提示词，确保其稳定性和效果。

5. 联合测试与效果优化

• A/B测试：在联合测试阶段，采用A/B测试或对照实验，测试不同Prompt组合的效果，确保最佳的输出质量。
• 定量评估：设定关键绩效指标（KPI）或使用用户反馈评分，定量衡量Prompt和工作流的效果，并优化流程。
• 流程灵活性：确保工作流具备扩展性，能够快速适应需求方的动态调整和新需求。

工作需求AI落地需求样式:

利用大模型（LLM）进行知识摸底--AI Boost学习方法论--对于陌生领域的学习：

从造纸术的出现，到电脑硬盘，知识的存储变得越来越容易，获得知识的途径也变得更丰富，所以有人说未来的知识越来越廉价了，我们不在需要学习知识，从前，我们获取知识的途径有限，大多遇到一些优质的资源无论其是否是自己所需要的，都想学一学，但如今随之LLM的时代到来，知识的获取变得极为的轻易，那么我们对于知识的了解就更应该“接地气”一些，遇到问题，需要什么知识我们就学什么知识，以解决问题为导向的学习。

在一个模式领域以解决问题为导向进行学习，我们需要的往往是提出一些好问题，那么在对应领域中提出一些好问题也需要我们具备相应的知识，有幸的是LLM恰巧最不缺的就是领域知识。

那么接下来，我们分享一个使用LLM来进行陌生领域学习与提问的方法论。

以下使用‘golang后端开发’这个领域为例子：首先，在大模型（以chat-gpt为例）按照模板提问，模板prompt：“我是一名golang后端开发领域的小白，请告知我在该领域必须掌握的100个基础概念，并给出每个概念的详细解释。“

……以下省略剩余部分（如果LLM没有输出对应数量的基础概念，你可以在prompt中输入‘继续输出’)。在我们了解相关领域的基础概念之后，我们能够利用大模辅助我们提出二十个相关领域的元问题。模板prompt“我想深入全面的学习了解“golang后端开发”相关的知识我应该问你什么问题?请至少列出20个。”

（此处截图有所省略）在收集到20个元问题后，我们可以将其存放在我们设置的思维导图中（这里推荐亿图）。

那么我们在得知这些元问题后，我们需要使用能够输出信息来源的LLM应用来搜索相关问题，例如（perplexity，kimi，秘塔等）。在这些应用中搜索出来的答案都是有明确的信息来源，具有较高的可信度。---（如果使用perplexity建议使用英文进行搜索，以下为了阅读流畅，使用中文进行演示）此处我们在perplexity中使用上述最后一个元问题“Golang 在微服务架构中通常是如何被应用的？“进行演示。

在此类搜索型LLM应用中，其搜索结果最后往往有相关问题，我们可以将这些相关问题集合在我们的思维导图中。

由此，我们可以由20个元问题扩展到120个问题，在这120个问题的提问与学习中，我们还可以使用特定的prompt来使得LLM成为我们在特定问题上的专属导师。特定的prompt是由github上的开源提供：Mr.-Ranedeer-AI-Tutor/Mr_Ranedeer.txt at main · JushBJJ/Mr.-Ranedeer-AI-Tutor (github.com)使用特定的prompt之后，我们将问题中想要详细了解和测试的内容进行计划：以下我们使用子问题“如何在Golang中实现微服务的自动化扩缩容“来进行演示：输入特定的prompt后，LLM会给出下述回答：

为了方便教学，我们可以将语言切换为中文，并于此同时设置学习计划。

学习完之后可以进行测试。

测试的详细内容在下述链接，如有需要可转移到链接内了解：https://chatgpt.com/share/6c22ec8b-2202-474b-9261-9d4ea57e4916好了，到这里我们也就完成使用LLM进行提问，学习，测试的闭环啦！恭喜你，在个人精进的道路上更进一步！

那么在快速学习一个陌生的领域后，我们可以更快速的理解企业的业务目标、痛点以及预期通过AI技术实现的价值。

拆分项目，设计工作流（BPMN工业建模）：

利用BPMN对需求进行工业化流程拆解：

如何对需求进行bpmn工业建模，以下列需求为例：

“首先将已有的工单处理记录处理解析录入知识库，客户输入具体工单问题，及可能的相关上下文后，开始工单处理流程：

1. 首先确认问题类型（问题咨询 / 产品问题解决），如有需要，引导客户补充完整问题解决需要的信息，如QAPM版本，前端现象/问题请求现象/k8s集群状态/监控信息等，直到确认基本信息补充完成（人工 / 大模型确认）。

2. 若为问题咨询工单，则直接基于相关历史工单处理记录，给出相应回复；若为产品问题解决工单，则基于QAPM的问题定位流程参考，结合相关历史工单处理记录给出问题定位结果，得到QAPM运维人员肯定后，给出问题解决方案回复。 3. 持续回复&推进流程直到客户确认结单。 ”

为了将该需求进行BPMN（业务流程模型和符号）的工业建模，我们需要将其分解为不同的流程节点和决策路径，并明确每个环节的输入、输出以及不同角色的参与情况。以下是详细的BPMN建模步骤和指导：

1. 启动事件（Start Event）

• 输入：客户输入具体工单问题和上下文信息（如工单号、描述、相关信息等）。
• 触发条件：客户提交工单。

2. 工单问题类型确认（Task: 确认问题类型）

• 类型：用户任务或系统任务。
• 描述：根据客户输入的内容，确认问题属于“问题咨询”还是“产品问题解决”。
• 人工/自动化选项：可以通过人工（客服人员）或大模型AI确认。

3. 问题信息补充（Subprocess: 信息补充）

• 子流程：根据工单类型，系统会要求客户补充相关信息，包括QAPM版本、问题现象、k8s集群状态、监控信息等。
• 并行网关：可以并行地补充不同类型的信息，如客户提供前端现象时，可以同时填写监控信息和集群状态。
• 结束条件：所有必填信息确认补充完成。

4. 问题类型分支（Exclusive Gateway: 工单类型分支）

• 条件判断：根据问题的类型，流程分为两个不同的处理路径：
  • 问题咨询工单。
  • 产品问题解决工单。

5. 问题咨询处理（Task: 基于历史记录回复）

• 类型：用户任务或系统任务。
• 描述：系统自动基于已有的历史工单处理记录，给出相应的建议或回复。

6. 产品问题处理（Subprocess: 产品问题解决流程）

• 子流程描述：按照QAPM的问题定位流程，结合历史工单记录，进行问题定位。
• 人工协助（Task: QAPM运维人员确认）：在系统得出问题定位后，需要由QAPM的运维人员进行确认是否符合实际情况。

7. 解决方案回复（Task: 解决方案回复）

• 类型：用户任务。
• 描述：一旦运维人员确认问题定位，给出相应的解决方案，并回复给客户。

8. 持续回复与客户确认（Subprocess: 持续推进流程）

• 子流程描述：在解决方案提供后，客户可以继续询问或提供反馈，流程将不断循环，直到客户确认问题已经解决并结单。
• 条件判断：如果客户确认问题解决，流程进入结束阶段；如果没有，则继续推进。

9. 结束事件（End Event）

• 触发条件：客户确认工单已完成，系统关闭工单。

BPMN流程图大致结构：

1. 启动事件（客户提交工单）。
2. 确认问题类型。
3. 根据问题类型补充信息。
4. 工单类型分支：
   • 问题咨询：基于历史记录回复。
   • 产品问题：QAPM问题定位 → 运维人员确认 → 解决方案回复。
5. 客户反馈：持续推进，直到客户确认。
6. 结束事件（工单结单）。

通过这个流程，确保工单的处理过程能够顺畅地自动化或半自动化完成，且不同类型的工单都能得到相应的处理和反馈。

以下是具体的BPMN工业建模方法论：

方法论概要

“分解-分析-建模-验证”四步法：

1. 需求分解：将业务需求分解为明确的功能单元和步骤。
2. 流程分析：识别并区分自动化任务、人工任务和决策节点，定义角色和信息流。
3. BPMN建模：使用BPMN图形符号将需求可视化为流程图。
4. 流程验证：通过模拟或实际运行验证流程的合理性和效率，反馈调整。

方法论详细步骤

1. 需求分解

• 目标：从高层次的业务需求中提取核心任务和步骤。
• 操作：
  • 将复杂的业务场景分解为具体的任务或步骤。例如，工单处理可拆解为工单接收、问题分类、信息补充、问题解决等核心任务。
  • 定义每个任务的目标、输入输出，以及涉及的关键数据（如工单编号、问题描述、上下文等）。
• 注意：
  • 保证任务的独立性和可操作性，每个步骤尽量能独立运行或评估。
  • 对于复杂的步骤，进一步进行子流程的分解。

2. 流程分析

• 目标：明确流程中需要执行的任务种类（自动化/人工）、信息传递的路径、决策的分支。
• 操作：
  • 任务分类：
    • 人工任务：由操作人员执行的步骤，如问题确认、信息验证等。
    • 自动化任务：系统自动执行的步骤，如自动查询历史记录、发送通知等。
  • 信息传递：
    • 明确每个步骤的输入和输出信息，包括工单号、监控数据、确认结果等，确保数据流清晰。
  • 角色定义：
    • 指定不同角色的参与，例如客户、客服人员、运维人员等。
  • 决策节点：
    • 定义决策点，如基于问题类型选择不同的处理路径，确保每个分支有明确的判断条件。
• 注意：
  • 保持流程清晰且具有可读性，不要在同一节点承担过多任务。
  • 避免信息传递过程中数据丢失或不完整。

3. BPMN建模

• 目标：使用BPMN符号将上述分析结果可视化为流程图。
• 操作：
  • 使用标准的BPMN符号构建流程，包括：
    • 事件：如开始事件、结束事件。
    • 任务：具体的任务（人工/自动化）。
    • 网关：表示分支和合并点（如条件判断、并行处理）。
    • 数据对象：描述数据传递的载体（如工单、上下文信息等）。
  • 建立清晰的控制流（任务间的执行顺序）和数据流（数据传递路径）。
• 注意：
  • 流程图应简洁明了，避免冗余，确保每个符号的作用清晰。
  • 使用子流程（Subprocess）对复杂步骤进行封装，使主流程保持清晰。

4. 流程验证

• 目标：确保模型的合理性、效率和可行性，通过验证发现并修正问题。
• 操作：
  • 流程模拟：在BPMN工具中模拟执行流程，检查每个节点是否正常运作，数据是否顺利流转。
  • 实地测试：选择真实的业务场景进行测试，观察流程的执行情况，收集客户和操作人员的反馈。
  • 优化迭代：根据反馈结果调整流程结构，确保流程顺畅、无瓶颈。
• 注意：
  • 关注流程中的瓶颈点，如等待时间过长的节点或信息收集不全的情况。
  • 验证不同分支的流程，确保所有路径均能正确执行。

方法论应用要点

1. 模块化思维：确保流程的每个部分是独立模块，可以灵活替换或改进。
2. 并行处理：尽量使用并行网关（Parallel Gateway）处理并行任务，提高效率。
3. 循环反馈机制：引入循环结构，如客户反馈和确认步骤，保证流程的闭环管理。
4. 决策节点优化：合理设置决策条件和分支，避免复杂度过高或逻辑不清晰。

配套的提示词工程：利用不同架构调教单块工作流，令其上下文输入输出稳定

COAST提示词框架

COAST框架帮助你在与大模型的交互中提供背景、目标、行动计划、支持信息以及技术方案。确保交互有条理且目标明确。

示例:

1. 背景 (Context): “开发一个名为‘HealthMate’的应用程序，帮助用户通过跟踪饮食、运动和睡眠来改善整体健康水平。”
2. 目标 (Objectives): “设计并实现一个简单直观的用户界面，3个月内实现5万次下载。”
3. 行动 (Action): “创建功能，允许用户输入每日食物摄入量、运动时长和类型，以及睡眠时间。根据这些数据提供健康建议并跟踪变化。”
4. 支持 (Support): “为大模型提供营养学、运动科学和睡眠健康的数据集，确保健康建议的科学有效性，优化用户体验设计。”
5. 技术 (Technology): “使用React Native开发跨平台应用，结合大模型推荐算法分析数据并提供个性化建议。”

ROSES提示词框架

ROSES框架用于创建结构化的提示，帮助你清晰表达需求，确保有目的的交流。

示例:

1. 角色 (Role): “你是一名经验丰富的用户体验设计顾问，专注于提升在线购物平台的转化率。”
2. 目标 (Objective): “优化平台用户体验，减少购物车放弃率，提升转化率。”
3. 场景 (Scenario): “平台在结账流程中流失了很多用户，服务涵盖网页和移动端应用。”
4. 预期解决方案 (Expected Solution): “获取改善结账流程的策略和工具推荐，帮助用户顺利完成购物。”
5. 步骤 (Steps): “列出具体实施步骤，包括分析用户行为、优化结账页面、用户测试工具的使用。”

当然对应这个prompt从0到1的构建是比较困难的，我们可以借助提示词插件的功能来实现从0到1的构建。（在大模型应用中搜索prompt maker）

如果想要自己搭建一个生成prompt的agent，以下的agent初始设定可以给你一些参考：

• 编写清晰的指示：详细、具体的指令能够提高模型输出的准确性。 示例：与其问“如何在 Excel 中添加数字？”，不如明确地说“如何汇总一列美元金额并显示在‘总计’列中？”
• 提供参考文本：给模型参考文本，特别是在小众话题中，以确保输出的准确性。 示例：指示模型基于提供的参考文献回答问题，并引用具体内容。
• 拆解复杂任务：将复杂问题分解为多个子任务，降低错误率。 示例：递归地构建长文档的摘要，按段分解总结。
• 给模型“思考”时间：通过思维链提示模型进行推理，提升准确性。 示例：要求模型在得出结论前先自行解决问题。
• 使用外部工具：通过集成检索系统或代码执行引擎，弥补模型的不足。 示例：利用基于嵌入的搜索系统或代码执行实现更复杂的任务。
• 系统地测试更改：设计全面的测试套件评估修改对性能的影响，确保改进是正向的。 示例：基于标准答案评估模型输出的改进。

联合测试与效果优化:

● 项目评估经验

根据落地场景分析该项目中对应的所有对象，例如定级定责中分别从模型自身，使用对象，使用对象观察的内容，后期落地后运维人员，成功照顾了该场景的几乎所有对象。例如在企业事故后的定级场景中对于定级评分工作流评价体系：

从模型，用户，内容，后期运维四个角度考虑。

定级结果的鲁棒性（模型稳定性）：输出结果的稳定，会不会因为模型温度或其他因素导致输出稳定性不足。

逻辑合理性（是否有前后逻辑不一致，是否不合常理的幻觉输出）：检查每次模型是否对用户使用其并帮助其理解的逻辑语言判断。

正确性：评级定级结果输出是否正确。

可拆卸性：为后期运维而考虑的评分项。