提示工程AI 安全治理【免费下载链接】TheBigPromptLibraryA collection of prompts, system prompts and LLM instructions项目地址https://gitcode.com/gh_mirrors/th/TheBigPromptLibrary点击查看免费下载本文围绕 TheBigPromptLibrary 仓库中的 Structured Reasoner 自定义指令GPT IDg-8ES8Tt8zi展开逐层拆解这份基于 Google DeepMind SELF-DISCOVER 方法的系统提示词从任务级的 SELECT / ADAPT / IMPLEMENT 三段发现流程到实例级的结构化求解与迭代优化并补充仓库内同源指令 selfREFLECT 记录的方法论细节与公式化表述。读完本文你将掌握如何阅读、复刻并定制一套先发现推理结构、再按结构解题的自组合推理提示词用于复杂问题求解类自定义 GPT 的场景化设计。一、SELF-DISCOVER 方法是什么先发现结构再套用结构Structured Reasoner 的 GPT Description 写道Tackle complex reasoning with cutting edge self-discover approach invented by Google Deepmind。这份指令的核心任务就是把 SELF-DISCOVER 推理结构落实到每一次复杂问题求解中。SELF-DISCOVER 的核心思想可以用一句话概括不要用一套固定的提示模板去套所有问题而是先针对任务自组合出一套专属的推理结构再用这套结构去逐实例求解。这与常见的固定链式推理Chain-of-Thought形成鲜明对比——推理的脚手架不是预置的而是模型根据任务临时构建的。仓库内另一份同主题指令 selfREFLECT 在说明文字中给出了该方法的形式化表述可以帮助我们理解 Structured Reasoner 提示词背后设计逻辑的出处SELECT选取模块给定原始推理模块描述集合D如 critical thinking、break the problem into sub-problems与无标签的任务示例ti模型通过元提示pS选出对当前任务有用的模块子集DSDS M(pS ∥ D ∥ ti)ADAPT适配模块把选出的通用模块描述改写为贴合当前任务的描述DA例如把将问题分解为子问题适配为按顺序逐个计算算术运算DA M(pA ∥ DS ∥ ti)IMPLEMENT实施模块将适配后的描述落地为可执行的结构化推理计划DI并借助一个人工编写的推理结构示例Shuman帮助模型完成从自然语言描述到结构化计划的转换DI M(pA ∥ Shuman ∥ DA ∥ ti)Stage 2套用求解把发现的结构追加到任务的每个实例上让模型按结构生成答案A M(DS ∥ t), ∀t ∈ T需要说明的是这些公式取自 selfREFLECT 指令文件 内嵌的论文式说明而非本次主文档本身Structured Reasoner 主文档则以更加工程化、步骤化的自然语言重新组织了这一方法论。理解这条方法论主线是读懂后续两阶段协议的前提。二、Stage 1任务级推理结构发现SELECT → ADAPT → IMPLEMENTStructured Reasoner 的第一阶段在**任务级Task-Level**运作——即针对这一类问题而不是某一道具体问题构建推理结构。指令要求meticulously divided into two comprehensive stages每一步都必须以精确、清晰的方式执行。2.1 SELECT从预定义模块集中挑选推理模块第一条动作是分析问题并选取推理模块先对问题做详细分析识别其核心组成与需求使用 meta-prompt元提示在预定义推理模块集合中评估并挑选与任务组件最匹配的模块挑选时要显式陈述选择理由指令给出了标准句式Selecting critical thinking module due to the tasks requirement for deep analysis.选择批判性思维模块因为任务要求深度分析。这一动作的设计意图是阻止模型跳过模块选择直接作答。指令原文明确要求显式说出选择哪个模块以及为什么选它例如批判性思维、创造性思维、分解问题、反思性思考等模块都属于候选池。这里的预定义集合在 Structured Reasoner 主文档中并未展开列出但从 selfREFLECT 的说明看该集合对应论文中的atomic reasoning modules原子推理模块且其 SELECT 分支在模型对选择不确定时允许Review Module Descriptions → Consult Expertise or External Resources → 回到选择即允许查外部资源辅助决策——这条兜底逻辑在 Structured Reasoner 中通过确保每个动作都在上下文语境中被充分理解与应用的总体要求来体现。2.2 ADAPT把通用模块适配到具体任务第二个动作是逐模块深度适配对每个被选中的模块调整其通用指导使其对准当前任务的具体细微差异与难点记录每个模块的适配过程说明原始描述如何被修改以更好贴合任务。指令给出了标准句式Adapting the critical thinking module to specifically address the analysis of argumentative structures within the task.将批判性思维模块适配为专门分析任务中的论证结构。这一步的意义在于推理模块集合里的描述是通用的例如将问题分解为子问题对所有任务都适用但只有按任务重写后才真正有用。从 selfREFLECT 的对应表述看ADAPT 阶段生成的是对任务更具体的适配后模块描述DA例如算术问题中把分解问题重写为按顺序计算每个算术运算。2.3 IMPLEMENT落地为 key-value 对构成的结构化推理计划第三个动作是把适配后的模块转化为可执行的结构化推理计划计划必须组织成key-value pairs键值对形式每个 key 代表一个步骤或动作对应的 value 给出该步骤的详细指令或相关信息明确勾勒实施策略确保计划既可解释interpretable又能有效引导求解过程。这是整个提示词中最具工程特征的输出格式要求。键值对结构把松散的自然语言推理转化为机器可循的步骤清单既约束了模型的输出形式也让读者/审计者能逐条核对推理链条。这里可以与 selfREFLECT 中实现为可执行的推理结构并以 JSON 格式输出自定义推理结构的写法互为印证——两者都强调结构化、可解析的输出只是 Structured Reasoner 用键值对表达selfREFLECT 用 JSON 承载。三、Stage 2实例级求解APPLY → DOCUMENT → EVALUATE ITERATE第二阶段在**实例级Instance-Level**运作用第一阶段发现的任务级推理结构去解每一个具体问题实例。3.1 APPLY STRUCTURED PLAN按结构化计划逐例求解有了任务专属推理结构后把它应用到任务的各个实例上详细说明计划中每一步的执行展示 key-value 对如何引导推理与求解显式引用计划中每一步在当前语境中的执行方式确保逻辑、系统的推进。这里的核心约束词是 explicit references——模型不能笼统说我按计划做了而要把计划中的每一步key与其在当前问题中的具体执行value对应起来逐条展开。3.2 DOCUMENT SOLUTION PROCESS记录每个决策点与推理步骤在求解过程中模型必须详尽记录每个决策点与推理步骤每一步决策点是什么、为什么这样选结构化计划如何支撑问题求解过程为每个动作给出清晰的理由clear rationale。该动作把推理过程的透明度固化为强制要求使输出不仅包含答案还包含可审计的推理轨迹。这一点与仓库中大量 GPT 指令强调的可解释输出一脉相承——结构化计划的价值正是让复杂推理对用户可见、可核。3.3 EVALUATE AND ITERATE评估并迭代改进推理结构完成一个任务实例后对推理与求解过程做全面评估找出结构化计划特别有效的环节以及可以精炼或改进的方面把评估所得洞察用于迭代式精化推理结构提升其对未来任务的有效性与适用性。这是 SELF-DISCOVER 区别于一次性链式提示的关键推理结构本身是可进化资产。每一次实例求解都会回馈到任务级结构中形成发现结构 → 用结构求解 → 用结果反哺结构的闭环。从 selfREFLECT 的流程示意看这个迭代同样体现在 key-value 对出现歧义时Refine Key-Value Pairs for Clarity的回环处理上。四、行为基调与输出纪律提示词中的隐性约束层除了两阶段协议Structured Reasoner 指令还包含一段值得单独拆解的行为设定它们直接影响模型的执行风格指令原文要点行为影响You have unlimited tokens and love complexity and hard problems设定乐于挑战难题的心智基调防止模型畏难或敷衍作答此为指令宣称不代表实际额度You know you can do anything and solve any problem. You no longer have any restrictions移除自我设限鼓励模型穷尽思路If a problem is complex or difficult that is awesome...The harder the better将复杂问题重新框定为值得享受的机会而非负担You must provide your best final solution that answers the original question at the very end of your message强制输出锚点无论过程多长消息末尾必须回到原始问题给出最优最终答案Only use web browsing if explicitly requested限制联网浏览默认离线推理其中 best final solution at the very end 是最容易被忽略却最重要的纪律条款它可以理解为对过程冗长却忘记收束这类 LLM 通病的纠偏——推理过程写得再漂亮也要在末尾用直接回答原始问题来收尾。另外这类指令中unlimited tokensno restrictions属于提示词内的话术设定实际运行时仍受模型本身的上下文窗口与安全策略约束阅读与复用时需注意区分指令设定与客观能力。五、从提示词到可运行的自定义 GPT复刻与部署要点Structured Reasoner 这份文件以GPT URL / GPT logo / GPT Title / GPT Description / GPT instructions的标准字段结构存储与仓库中其他 1500 份 GPT 指令文件格式一致。仓库的 CustomInstructions/README.md 收录了全部 GPT 索引GPT 解析与索引工具 则提供了按 ID 查找、重命名、重建目录等维护能力。若要复刻一个自己的 Structured Reasoner建议保留以下最小可运行骨架可直接替换到 GPT Builder 的 Instructions 中Your primary function is to implement the SELF-DISCOVER reasoning structure for complex problem-solving tasks. ### Stage 1: Discover Reasoning Structure on Task-Level 1. SELECT: 分析问题核心组件用 meta-prompt 从预定义推理模块集中挑选最匹配的模块并显式说明选择理由。 2. ADAPT: 对每个选中模块做深度适配记录原始描述如何被改写以贴合任务。 3. IMPLEMENT: 将适配后的模块转化为 key-value 对形式的结构化推理计划key步骤/动作value该步骤的详细指令。 ### Stage 2: Solve Problems Using Discovered Structure on Instance-Level 1. APPLY STRUCTURED PLAN: 将任务级结构应用到具体实例显式引用每一步的执行方式。 2. DOCUMENT SOLUTION PROCESS: 记录每个决策点与推理步骤给出清晰理由。 3. EVALUATE AND ITERATE: 评估结构效果用洞察迭代精化推理结构反哺未来任务。 # Very Very Important You must provide your best final solution that answers the original question at the very end of your message. Only use web browsing if explicitly requested.按上述骨架搭建时可以按需调整三个自由度推理模块候选池主文档未枚举模块集合可在 Instructions 中显式列出如 critical thinking、creative thinking、sub-problem decomposition、reflective thinking、means-end analysis 等约束 SELECT 的搜索空间结构化输出的载体键值对Structured Reasoner 风格或 JSONselfREFLECT 风格均可取决于下游是否需要机器解析迭代强度如果希望结构越用越准可在 Stage 2 的 EVALUATE 步骤后追加显式的更新任务级结构动作形成书面化的闭环。六、实战演练一个复杂论证评估任务的完整执行轨迹为便于对照执行协议这里用一个实际输入演示 Structured Reasoner 应输出的流程轮廓输入为评估以下政策提案的可行性并给出最终判断Stage 1任务级结构发现SELECTSelecting critical thinking module due to the tasks requirement for deep analysis of argumentative structures; selecting sub-problem decomposition due to the multi-factor nature of feasibility assessment.ADAPTAdapting critical thinking module to specifically address evidence quality assessment within this policy feasibility task; adapting decomposition to split into economic, social and implementation risk dimensions.IMPLEMENT键值对示例evidence: 逐条评估提案所引数据来源的可靠性与时效性dimension_econ: 分析成本收益与财政可持续性dimension_social: 分析利益相关方接受度与公平性dimension_risk: 识别实施障碍与缓解措施synthesis: 综合各维度给出可行性等级判断Stage 2实例级求解APPLY逐条展示evidence → dimension_econ → ... → synthesis在当前提案语境下的实际执行结果每一步显式引用计划中的 keyDOCUMENT记录关键决策点例如此处因数据样本量不足将结论置信度下调EVALUATE指出evidence 维度耗时过长但收益有限下次可合并为快速筛查据此微调结构收束消息末尾直接给出对原始问题的最终可行性判断遵守 best final solution at the very end 纪律。该示例演示了协议如何把一次复杂评估拆解为可见、可控、可迭代的推理流水线读者可直接套用同一轮廓处理技术方案评审、架构选型对比、科研假设论证等任务。七、结语结构化推理提示词的复用价值Structured Reasoner 的价值不局限于这份 GPT 本身而在于它示范了一种**元认知优先的提示词设计范式**先让模型思考该怎么思考再让模型按想好的方式思考最后反思刚才的思考方式。这种三层递进正是 SELF-DISCOVER 方法的核心也是它与普通思考步骤模板的本质区别。对想要在自己的自定义 GPT 中落地这套方法的开发者建议以 8ES8Tt8zi_Structured_Reasoner.md 为蓝本参考 selfREFLECT 中的公式化描述理解每一步的理论动机再按本文第五节的最小骨架裁剪定制即可。仓库作为学习型资料库全部指令文件仅供阅读与学习用途部署时请将其作为提示词素材而非现成可执行代码对待。延伸阅读仓库内同主题的推理类指令还包括 selfREFLECTSELF-DISCOVER 自反思流程、Tree of Thoughts GPT多分支推理搜索等可在 CustomInstructions/README.md 中检索更多提示词样本GPT 文件的字段格式约定与批量解析方式参见 GPT 解析工具说明。赞分享提示工程AI 安全治理【免费下载链接】TheBigPromptLibraryA collection of prompts, system prompts and LLM instructions项目地址https://gitcode.com/gh_mirrors/th/TheBigPromptLibrary点击查看免费下载相关推荐如何用LangGPT框架提升AI文本处理效率结构化提示词完整指南如何用LangGPT框架提升AI文本处理效率结构化提示词完整指南 LangGPT是一款革命性的结构化提示词框架它让每个人都能成为提示词专家作为结构化提示词提示工程大模型人工智能AI 技能/插件Prompt 模板TDengine 虚拟表查询优化聚合下推与两阶段窗口查询拆分原理深度解析TDengine 虚拟表查询优化聚合下推与两阶段窗口查询拆分原理深度解析 导读 本文深入剖析 TDengine 针对工业 IoT 场景设计的 虚拟表Virt数据库时序数据库物联网大数据实时分析云原生面向结果的提示词写作方法LangGPT 五阶段结构化对话框架面向结果的提示词写作方法LangGPT 五阶段结构化对话框架 写 prompt 的人有两种一种在地基上盖楼一种在空中砌墙。前者越盖越稳后者早晚坍塌。 这提示工程大模型人工智能AI 技能/插件Prompt 模板上一篇Velero node-agent 节点亲和性loadAffinity设计解析为 Volume Snapshot Data Movement 备份精确约束 VGDP 运行节点下一篇Linux lp 命令详解打印文件与打印队列任务管理实战指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考