单样本调优范例生成器

62 浏览
5 试用
1 购买
Oct 14, 2025更新

本提示词模板专为AI模型调优和测试场景设计,能够基于用户提供的任务描述和单个示例,快速生成结构化的可复用提示词范例。该模板具备深度分析任务需求、智能识别关键要素、结构化输出范例的能力,支持自然语言处理、图像识别等多种AI应用场景。通过分步推理和链式思维方法,确保生成的范例逻辑严密、适配性强,大幅提升模型调优效率和质量。模板内置业务级参数配置,支持多场景灵活应用,输出结果可直接用于模型训练和系统测试。

任务分析摘要

  • 任务类型识别
    • 文本分类(客服对话情绪分类与可解释输出)
  • 核心要素提取
    • 输入为多轮客服对话(含角色与轮次)
    • 输出需包含:情绪标签、理由、触发词列表、严格结构化格式
    • 触发词需从用户话语中定位并类型化(显性情绪/问题强度/时间紧迫/否定强化等)
  • 适用场景说明
    • 客服质检与情绪监测
    • 小样本微调与回归测试的快速基准
    • 样例驱动的提示词模板设计与评估

结构化模板

[模板标题]
客服对话情绪分类·单样本可解释模板

[模板描述]
使用单个示例定义输出风格与结构,完成对“用户”主导情绪的单标签分类,并提供可解释理由与关键触发词,输出严格遵循固定JSON模式,便于快速小样本调优与回归测试。

输入格式:
- 对话: 多轮文本,需标注角色与轮次(示例:用户(1)/客服(2)/用户(3))
- 标签集合: 允许选择的情绪标签列表(示例:["愤怒","烦躁","焦虑","失望","紧迫","中性","满意"])
- 触发词提取规则: 简述触发词识别标准(示例:从用户话语中提取显性情绪词、问题强度/频率词、否定/强化词、时间紧迫表达等)

输出格式:
- 标签: 从标签集合中选择一个主标签
- 理由: 结合对话内容与触发词的简明解释,不重复纯粹抄写
- 触发词: 数组,每项包含{text, role, turn, type}四个字段
- 结构化格式: 仅输出如下JSON结构
  {
    "label": "<标签>",
    "reason": "<理由>",
    "triggers": [
      {"text": "<触发词或短语>", "role": "用户", "turn": <轮次>, "type": "<触发类型>"}
    ]
  }

示例模板:
—— 单样本演示(基于给定示例) ——
输入:
- 对话:
  1 用户:这个功能总是出错,我很烦。
  2 客服:抱歉造成困扰,我会立即处理。
  3 用户:希望今天能解决。
- 标签集合:["愤怒","烦躁","焦虑","失望","紧迫","中性","满意"]
- 触发词提取规则:仅从用户话语中识别触发词;优先选择显性情绪词与问题强度/时间紧迫表达

输出(JSON):
{
  "label": "烦躁",
  "reason": "用户明确表达“我很烦”,并提到功能“总是出错”体现问题强度,同时“希望今天能解决”带有时间紧迫,但主导情绪为烦躁。",
  "triggers": [
    {"text": "总是出错", "role": "用户", "turn": 1, "type": "问题强度"},
    {"text": "我很烦", "role": "用户", "turn": 1, "type": "显性情绪"},
    {"text": "希望今天能解决", "role": "用户", "turn": 3, "type": "时间紧迫"}
  ]
}

—— 通用指令模板(可复用占位符) ——
请根据以下客服对话进行“用户”主导情绪的单标签分类,并提供理由与触发词。仅输出JSON,严格遵循:
{
  "label": "<从{{label_set}}中选择的单一标签>",
  "reason": "<基于对话与触发词的简明解释>",
  "triggers": [
    {"text": "<触发词或短语>", "role": "用户", "turn": <整数轮次>, "type": "<显性情绪|问题强度|时间紧迫|否定强化|需求升级等>"}
  ]
}
对话:
{{dialogue}}

标签集合:
{{label_set}}

触发词提取规则:
{{trigger_rules}}

要求:
- 仅从用户话语中提取触发词;若非必要,不从客服话语提取
- 保持单标签输出;若存在多种情绪,选取主导情绪
- 不添加额外字段或文字说明,仅输出指定JSON

使用说明

  • 模板应用场景
    • 客服情绪质检、情感监控、投诉识别与优先级分配
    • 小样本微调与回归测试的统一输出基准
  • 变量填写指南
    • {{dialogue}}:按时间顺序列出多轮对话,并标明角色与轮次(从1开始)
    • {{label_set}}:结合业务需要定制标签集合,保持互斥与可解释性
    • {{trigger_rules}}:简述识别标准(如显性情绪词、频率/强度词、时间紧迫、否定/强化、需求升级等)
  • 预期效果说明
    • 以单样本规范输出结构与风格,快速对齐模型行为
    • 固定JSON架构便于自动评测、误差定位与回归对比
    • 触发词定位提升可解释性,有助于迭代标注与模板优化

任务分析摘要

  • 任务类型识别
    • 问答生成(FAQ条目与提示词构建),单样本学习驱动
  • 核心要素提取
    • 单个用户意图与问答样例
    • FAQ标准化标题与多问法归一
    • 答案结构化(步骤、前置条件、风险、替代路径、CTA等)
    • A/B答案变体与可控差异项
    • 评估维度与验收标准,支持快速上线与转化验证
  • 适用场景说明
    • 客服知识库、应用内帮助中心、搜索FAQ、智能客服/语音机器人、运营快速上线与灰度实验

结构化模板

[单样本FAQ与A/B答案生成提示词模板]

[模板描述]
基于单个用户意图与问答样例,生成标准化FAQ条目、可复用提示词,以及A/B两版答案与评估清单,支持快速上线与转化提升。

输入格式:
- 业务领域: 该FAQ所属的业务模块或主题(例:账号与安全)
- 用户意图: 用一句话描述用户要解决的核心问题
- 单一样例_Q: 单个示例问题文本
- 单一样例_A: 对应示例答案文本
- 受众与语气: 目标用户与语气要求(例:新手友好/专业简洁)
- 渠道与呈现限制: 展示渠道与字数/格式/链接限制
- 品牌与合规约束: 术语规范、禁用词、免责声明、合规要求
- 目标与指标: 上线目标与核心度量(例:自助完成率、点击率)
- A/B变量策略: 指定要对比的差异项(例:长度/语气/排版/是否含排查)
- 语言与地区: 输出语言及地区规范(例:简体中文-中国)
- 其他上下文: 任何与流程、入口、权限相关的补充说明

输出格式:
- FAQ标题: 规范化、可检索的标题(含核心关键词)
- 标准问法: 1-3个用户常见问法的归一表述
- 答案结构:
  - TLDR: 一句话结论/最短路径
  - 步骤: 1-N条可执行步骤
  - 前置条件: 版本/权限/设备等要求
  - 替代路径: 备选方案或不同入口
  - 常见失败与排查: 常见错误与修复
  - 注意事项与合规: 风险、安全与限制说明
  - 链接与入口: 内外部跳转、菜单路径
  - CTA: 下一步行动与期望
- A版答案: 按答案结构生成(遵循A/B变量策略中的A设定)
- B版答案: 按答案结构生成(遵循A/B变量策略中的B设定)
- 评估维度与验收标准: 维度清单(名称/定义/度量方式/阈值)
- 负例与边界: 容易混淆但不属于该意图的提问示例
- 元数据: 版本、标签、更新人、更新时间
- 上线清单: 文案检查项、链接校验、埋点/事件、A/B流量与指标对齐

示例模板:
<<SYSTEM>>
你是FAQ与提示词构建器。基于单个示例,输出结构化FAQ条目、A/B答案与评估清单,用于快速上线与转化验证。严格遵循输出Schema与渠道限制;保持用词与品牌合规;避免不确定承诺;不输出与用户意图无关的信息。

<<USER_INPUT>>
{
  "业务领域": "{{business_domain}}",
  "用户意图": "{{user_intent}}",
  "单一样例_Q": "{{single_example_q}}",
  "单一样例_A": "{{single_example_a}}",
  "受众与语气": "{{audience_tone}}",
  "渠道与呈现限制": "{{channel_constraints}}",
  "品牌与合规约束": "{{brand_compliance}}",
  "目标与指标": "{{goals_metrics}}",
  "A/B变量策略": {
    "A": "{{ab_variant_a_spec}}",
    "B": "{{ab_variant_b_spec}}",
    "差异点": ["{{diff_1}}","{{diff_2}}","{{diff_3}}"]
  },
  "语言与地区": "{{locale}}",
  "其他上下文": "{{extra_context}}"
}

<<OUTPUT_SCHEMA>>
请仅输出JSON,字段如下:
{
  "FAQ标题": "string",
  "标准问法": ["string", "string", "string"],
  "答案结构": {
    "TLDR": "string",
    "步骤": ["string", "string"],
    "前置条件": ["string"],
    "替代路径": ["string"],
    "常见失败与排查": ["string"],
    "注意事项与合规": ["string"],
    "链接与入口": ["string"],
    "CTA": "string"
  },
  "A版答案": {
    "TLDR": "string",
    "步骤": ["string"],
    "前置条件": ["string"],
    "替代路径": ["string"],
    "常见失败与排查": ["string"],
    "注意事项与合规": ["string"],
    "链接与入口": ["string"],
    "CTA": "string"
  },
  "B版答案": {
    "TLDR": "string",
    "步骤": ["string"],
    "前置条件": ["string"],
    "替代路径": ["string"],
    "常见失败与排查": ["string"],
    "注意事项与合规": ["string"],
    "链接与入口": ["string"],
    "CTA": "string"
  },
  "评估维度与验收标准": [
    {"维度":"准确性","定义":"与真实流程一致","度量":"人工核对/功能点击成功率","阈值":">=95%"},
    {"维度":"完整性","定义":"覆盖前置与异常路径","度量":"清单覆盖率","阈值":">=90%"},
    {"维度":"可操作性","定义":"步骤可执行且最短路径","度量":"完成率/时长","阈值":"提升>=X%"},
    {"维度":"清晰度","定义":"易读、短句、关键信息前置","度量":"可读性评分/用户调研","阈值":"达到等级Y"},
    {"维度":"合规与品牌一致","定义":"术语/禁词/声明符合规范","度量":"合规审查通过","阈值":"100%"},
    {"维度":"可发现性","定义":"标题与问法含高频关键词","度量":"搜索点击率","阈值":"提升>=Z%"}
  ],
  "负例与边界": ["string","string"],
  "元数据": {"版本":"v{{version}}","标签":["{{tag1}}","{{tag2}}"],"更新人":"{{owner}}","更新时间":"{{updated_at}}"},
  "上线清单": {
    "文案检查": ["术语一致","字数符合渠道限制","无敏感信息"],
    "链接与入口校验": ["链接可用且权限正确","菜单路径验证"],
    "埋点与指标": ["点击/完成事件ID","A/B实验ID与分流比例"],
    "A/B配置": {"A":"{{ab_variant_a_spec}}","B":"{{ab_variant_b_spec}}","分流":"{{traffic_split}}","主要指标":"{{primary_metric}}","观察期":"{{observation_window}}"}
  }
}

<<SINGLE-SHOT EXAMPLE FILL>>
{
  "业务领域": "账号与安全",
  "用户意图": "重置账号密码",
  "单一样例_Q": "如何重置账号密码?",
  "单一样例_A": "进入“设置-安全-重置密码”,输入短信验证码后设置新密码。",
  "受众与语气": "面向所有用户,语气专业且简洁",
  "渠道与呈现限制": "App内帮助,≤120字,允许内部页面链接",
  "品牌与合规约束": "统一使用“账号”,提示安全与验证,不收集敏感信息",
  "目标与指标": "提升自助完成率,降低转人工率",
  "A/B变量策略": {
    "A": "极简版:仅最短路径步骤+安全提示;不含排查",
    "B": "增强版:含失败排查与替代路径;末尾明确CTA",
    "差异点": ["长度","是否包含排查","CTA明示程度"]
  },
  "语言与地区": "简体中文-中国",
  "其他上下文": "登录内外流程相同入口;短信验证必需"
}

使用说明

  • 模板应用场景
    • 基于单个高质量问答样例,快速生成标准化FAQ、A/B答案与评估清单,用于客服知识库、应用内帮助、智能客服与搜索FAQ的快速上线与灰度验证。
  • 变量填写指南
    • 用户意图与单一样例须同一主题且清晰可操作;渠道限制需给出字数/格式要求;A/B变量策略明确差异点(长度、语气、结构、是否包含排查、CTA强度等);品牌与合规约束写明术语、禁词与必要声明。
  • 预期效果说明
    • 输出包含可直接发布的FAQ条目与两版可控差异答案,附带评估维度与上线清单,支持按主要指标进行A/B分流与效果跟踪,实现快速上线与转化提升。

任务分析摘要

  • 任务类型识别
    • 结构化抽取(基于单张图像的文字标注说明,输出统一模式的通用检测结果)
  • 核心要素提取
    • 场景信息(时间、地点/场景类型、条件标签)
    • 物体类别与数量(统一类别命名、可扩展属性)
    • 物体属性(如颜色/状态/信号状态等,按类别可选)
    • 关系抽取(主语-谓语-宾语的规范化关系)
    • 目标优先级/显著性(主要/次要/其他)
  • 适用场景说明
    • 多类别、多场景的通用目标检测数据构造、模型测试与评测
    • 文本标注到结构化标签的转换
    • 单样本示例驱动的快速扩展与迁移

结构化模板

[通用目标检测-单样本结构化抽取提示词模板]

[模板描述]
将一段关于单张图像的文字标注说明,抽取为统一的通用检测结构化输出。统一类别、属性、关系字段,支持多类别、多场景扩展。包含单样本示例与占位符,便于直接复用与迁移。

输入格式:
- 场景描述(scene_description): 一段场景文字,如“白天城市街道”
- 标注(annotations): 类别与数量/属性的混合描述,如“行人(2),车辆(1),交通灯(红)”
- 关系(relations_text): 主语-关系-宾语的自然语言,如“行人靠近斑马线,车辆在行人后方”
- 备注(notes): 目标优先级等额外信息,如“主要目标为行人,次要目标为车辆”
- 类别词表(category_catalog): JSON,键为规范化类别(snake_case英文),值为同义词数组(可选)
- 属性维度定义(attribute_schema): JSON,定义通用与按类别的属性及可选值(可选)
- 关系词表(relation_schema): JSON,规范化关系谓词及同义词(可选)
- 输出语言(output_language): zh-CN 或 en(默认 zh-CN)

输出格式:
- JSON,对应字段:
  - schema_version: 字符串版本号
  - scene: { description, tags: [时间/环境/场所类型等可派生标签] }
  - objects: 数组,每项包含
    - category: 规范化类别(如 person, vehicle, traffic_light, crosswalk)
    - count: 整数(未知可用 0 或省略)
    - attributes: 对象属性键值(按 attribute_schema,可缺省)
    - saliency: primary | secondary | other(如可由 notes 推断)
    - role: target | context(可选,目标/上下文)
  - relations: 数组,每项为 { subject, predicate, object, level } 
    - subject/object: 使用规范化类别名;当实例级不可区分时使用类别级
    - predicate: 规范化关系谓词(如 near, behind)
    - level: category | instance(默认 category)
  - targets: { primary: [类别], secondary: [类别], others: [类别] }
  - notes: 原始备注或补充

示例模板:
你是信息抽取器。请将给定的图像文字标注说明转换为统一的通用检测结构化JSON。
要求:
- 使用给定的类别词表、属性维度与关系词表进行规范化;缺失可保留为空或 unknown。
- 类别统一为英文snake_case;数量为整数;属性仅使用已定义的键。
- 关系优先抽取为规范谓词;无法确定实例级时使用类别级关系(level=category)。
- 不臆测不存在的信息;不输出除指定JSON外的任何文本。

统一词表与模式(可按需覆盖或扩展):
- category_catalog(示例):
  {
    "person": ["行人","人","路人"],
    "vehicle": ["车辆","车","汽车"],
    "traffic_light": ["交通灯","红绿灯","信号灯"],
    "crosswalk": ["斑马线","人行横道"]
  }
- attribute_schema(示例):
  {
    "common": {
      "color": ["red","green","blue","yellow","black","white","gray","unknown"],
      "state": ["unknown"]
    },
    "traffic_light": {
      "signal_state": ["red","yellow","green","off","unknown"]
    }
  }
- relation_schema(示例):
  {
    "near": ["靠近","接近","临近"],
    "behind": ["在后方","后面"],
    "in_front_of": ["在前方","前面"],
    "left_of": ["左侧","在左边"],
    "right_of": ["右侧","在右边"],
    "on": ["在上方","在…上"],
    "under": ["在下方","在…下"],
    "next_to": ["挨着","旁边"]
  }

单样本示例(用于对齐):
- 示例输入
  - scene_description: 白天城市街道
  - annotations: 行人(2),车辆(1),交通灯(红)
  - relations_text: 行人靠近斑马线,车辆在行人后方
  - notes: 主要目标为行人,次要目标为车辆
  - output_language: zh-CN
- 示例输出
{
  "schema_version": "v1",
  "scene": {
    "description": "白天城市街道",
    "tags": ["daytime","urban_street"]
  },
  "objects": [
    {
      "category": "person",
      "count": 2,
      "attributes": {},
      "saliency": "primary",
      "role": "target"
    },
    {
      "category": "vehicle",
      "count": 1,
      "attributes": {},
      "saliency": "secondary",
      "role": "target"
    },
    {
      "category": "traffic_light",
      "count": 1,
      "attributes": { "signal_state": "red" },
      "role": "context"
    },
    {
      "category": "crosswalk",
      "count": 1,
      "attributes": {},
      "role": "context"
    }
  ],
  "relations": [
    { "subject": "person", "predicate": "near", "object": "crosswalk", "level": "category" },
    { "subject": "vehicle", "predicate": "behind", "object": "person", "level": "category" }
  ],
  "targets": {
    "primary": ["person"],
    "secondary": ["vehicle"],
    "others": []
  },
  "notes": "主要目标为行人,次要目标为车辆"
}

待处理输入(请替换花括号中的占位符):
- scene_description: {SCENE_DESCRIPTION}
- annotations: {ANNOTATIONS}
- relations_text: {RELATIONS_TEXT}
- notes: {NOTES}
- category_catalog: {CATEGORY_CATALOG_JSON}
- attribute_schema: {ATTRIBUTE_SCHEMA_JSON}
- relation_schema: {RELATION_SCHEMA_JSON}
- output_language: {OUTPUT_LANGUAGE}

请基于以上占位符内容,输出仅包含一个符合指定格式的JSON。

使用说明

  • 模板应用场景
    • 将文本标注快速转换为统一的通用检测结构,支持多类别/多场景扩展与评测
    • 基于单样本示例的一致化抽取与提示词复用
  • 变量填写指南
    • 使用 {SCENE_DESCRIPTION}/{ANNOTATIONS}/{RELATIONS_TEXT}/{NOTES} 填入当前样本的原始文字
    • 按需提供/扩展 {CATEGORY_CATALOG_JSON}/{ATTRIBUTE_SCHEMA_JSON}/{RELATION_SCHEMA_JSON},未提供则使用示例默认
    • {OUTPUT_LANGUAGE} 选填 zh-CN 或 en(默认 zh-CN)
  • 预期效果说明
    • 产出统一、可比对的JSON结构;类别/属性/关系字段规范一致,便于跨场景迁移与批量测试

示例详情

适用用户

机器学习工程师

在数据有限时,用单示例生成训练范例与提示词模板;快速定位关键变量,缩短调优与回归时间。

自然语言产品经理

将用户意图与单个对话样例,转成分类、问答、摘要等模板;推动A/B验证与上线,提升体验与转化。

计算机视觉研究员

把单张标注或识别样例转为通用模板;统一输入输出规范,快速扩展到多类别、多场景测试。

解决的问题

帮助AI产品与研发团队在仅有一个示例的情况下,快速生成结构化、可复用的提示词模板;加速模型调优与测试,提升任务适配度与稳定性;标准化产出,便于跨项目迁移与协作;缩短从需求到上线的周期,显著降低试错成本,推动试用用户转化为付费用户。

特征总结

一键从单示例提炼任务关键要素,秒出结构化模板,可直接套用在相似任务与场景。
自动识别输入与输出格式,生成占位符与变量说明,减少反复沟通与试错成本。
内置链式推理设计,让范例逻辑更严密,提升模型在真实业务中的稳定性与可迁移性。
支持文本与图像等多模场景,轻松扩展到客服、营销、教育、检测等业务流程。
模板可参数化配置,快速调整语气、风格与约束,持续复用,适配不同团队与渠道。
提供质量自检步骤,自动排查逻辑冲突与遗漏,出厂即用,减少人工审阅压力。
结合单样本学习思路,在数据稀缺时仍能产出可训练范例,加速迭代与上线节奏。
标准化输出结构,便于团队协作与版本管理,确保跨项目迁移时清晰可控。
与业务目标对齐的范例描述,帮助明确成功标准,提升转化、准确率等关键指标。
快速上手的使用说明与变量指南,新成员也能迅速产出高质量范例,缩短培训周期。

如何使用购买的提示词模板

1. 直接在外部 Chat 应用中使用

将模板生成的提示词复制粘贴到您常用的 Chat 应用(如 ChatGPT、Claude 等),即可直接对话使用,无需额外开发。适合个人快速体验和轻量使用场景。

2. 发布为 API 接口调用

把提示词模板转化为 API,您的程序可任意修改模板参数,通过接口直接调用,轻松实现自动化与批量处理。适合开发者集成与业务系统嵌入。

3. 在 MCP Client 中配置使用

在 MCP client 中配置对应的 server 地址,让您的 AI 应用自动调用提示词模板。适合高级用户和团队协作,让提示词在不同 AI 工具间无缝衔接。

AI 提示词价格
¥10.00元 ¥20.00元
立减 50%
还剩 00:00:00
先用后买,用好了再付款,超安全!

您购买后可以获得什么

获得完整提示词模板
- 共 685 tokens
- 3 个可调节参数
{ 任务描述 } { 示例内容 } { 任务类型 }
获得社区贡献内容的使用权
- 精选社区优质案例,助您快速上手提示词
限时免费

不要错过!

免费获取高级提示词-优惠即将到期

17
:
23
小时
:
59
分钟
:
59