原文：https://baoyu.io/blog/prompt-engineering/advanced-prompting-using-pseudocode-to-control-llm-output

众所周知，当我们需要让大语言模型（LLM）执行任务时，需要输入 Prompt 来指导其执行，而 Prompt 是使用自然语言描述的。对于简单的任务，自然语言能够描述得很清楚，比如：“请翻译以下内容为简体中文”或“请生成以下内容的摘要”等。

然而，当我们遇到一些复杂的任务，比如要求模型生成特定的 JSON 格式，或者任务有多个分支，每个分支需要执行多个子任务，子任务之间还相互关联时，自然语言描述就显得力不从心了。

思考题

在继续阅读之前，这里有两道思考题可以先试试看：

1. 有多个长句子，需要将每一个都拆分成不超过 80 个字符的短句子，然后输出成一个 JSON 格式，清晰地描述长句子和短句子之间的对应关系。例如：

   [
     {
       "long": "This is a long sentence that needs to be split into shorter sentences.",
       "short": [
         "This is a long sentence",
         "that needs to be split",
         "into shorter sentences."
       ]
     },
     {
       "long": "Another long sentence that should be split into shorter sentences.",
       "short": [
         "Another long sentence",
         "that should be split",
         "into shorter sentences."
       ]
     }
   ]
   

2. 一段原始字幕文稿，只有对话信息，现在需要从中提取章节、发言人，然后按照章节和段落列出对话内容。如果是多个发言人，每段对话前需要标明发言人；如果是同一个发言人连续发言，则不需要。实际应用中可以使用整理视频文稿的 GPT。

   ---

   Prompt 的本质

   Prompt 的本质是一种对 LLM 的控制指令，用自然语言描述，让 LLM 理解我们的要求，然后按照要求将输入转化为我们期望的输出结果。常用的 few-shot 技巧通过举例子让 LLM 理解我们的要求，然后参考样例输出我们期望的结果。比如 CoT（思维链，Chain of Thought），通过人为地对任务进行分解并限定执行流程，让 LLM 按照指定的流程和步骤执行，从而得到更好的结果。

   ---

   伪代码的应用

   既然 Prompt 的本质是一种对 LLM 的控制指令，我们可以不局限于传统的自然语言描述方式，还可以借助伪代码来精准地控制 LLM 的输出结果和定义其执行逻辑。

   • 伪代码是一种用于描述算法的形式化描述方法，介于自然语言和编程语言之间，用于描述算法的步骤和流程。
   • LLM 对伪代码的理解能力相当强，因为在训练时已经训练过大量的优质代码，可以轻易理解伪代码的含义。

   ---

   如何写伪代码 Prompt

   伪代码对于程序员来说非常熟悉，对于非程序员，只需要记住一些基本规则，就可以写出简单的伪代码：

   • 变量：用来存储数据，比如用一些特定符号表示输入或中间结果。
   • 类型：用来定义数据的类型，比如字符串、数字、数组等。
   • 函数：用来定义某个子任务的执行逻辑。
   • 控制流：用来控制程序的执行流程，比如循环、条件判断等。

   例如：

   Array<{
   sentence: string;
   segments: string[]
   }>
   

   实例应用

   用伪代码整理字幕文稿

   整理字幕文稿这个任务相对复杂，可以将其分解成几个子任务，并逐步执行：

   • 提取主题
   • 提取章节
   • 提取发言人
   • 查找段落和发言人
   • 格式化输出

   伪代码示例

   function extract_subject(transcript) {
     // 在转录中找到主题并返回
   }
   
   function extract_chapters(transcript) {
     // 找到剧本中的章节并返回
   }
   
   function extract_speakers(transcript) {
     // 在文本中找到发言者并返回
   }
   
   function find_paragraphs_and_speakers_in_chapter(chapter) {
     // 找到章节中的段落和发言者并返回
   }
   
   function format_transcript(transcript) {
     subject = extract_subject(transcript);
     console.log("Subject:", subject);
     speakers = extract_speakers(transcript);
     console.log("Speakers:", speakers);
     chapters = extract_chapters(transcript);
     console.log("Chapters:", chapters);
   }
   

   ---

   借助伪代码让 ChatGPT 一次画多张图片

   通过伪代码可以让 ChatGPT 一次生成多张图片：

   javascript复制代码
   images_prompts = [
     {
       style: "可爱",
       prompt: "画一只可爱的狗",
       aspectRatio: "宽屏"
     },
     {
       style: "现实主义",
       prompt: "画一只逼真的狗",
       aspectRatio: "正方形"
     }
   ]
   
   images_prompts.forEach((image_prompt) => {
     console.log("Generating image with style: " + image_prompt.style + " and prompt: " + image_prompt.prompt + " and aspect ratio: " + image_prompt.aspectRatio);
     image_generation(image_prompt.style, image_prompt.prompt, image_prompt.aspectRatio);
   });
   

   

   ---

   通过上述例子，可以看到借助伪代码，我们可以更精准地控制 LLM 的输出结果和定义其执行逻辑，不仅局限于自然语言描述方式。当遇到复杂任务或多个子任务时，伪代码描述 Prompt 更加清晰和准确