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
文章的最后，如果还找不到ChatGPT原生使用站点的，关注公众号；我往期文章有提供免费直连的地址 或 直接点击阅读原文即可跳转。
参考文献：https://baoyu.io/blog/prompt-engineering/advanced-prompting-using-pseudocode-to-control-llm-output
