覆盖 OpenAI、Anthropic Claude、Google Gemini、DeepSeek、Midjourney、Stable Diffusion 等主流模型的符号体系，按使用频率排序，含原理说明与官方来源
以下符号适用于大语言模型的提示词工程，按在主流提示词中的使用频率从高到低排列。不同模型对这些符号的支持程度各有差异。
| 排名 | 符号 | 用途 | 场景 | 示例 | 适配模型 | 基础原理 | 来源文档 |
|---|---|---|---|---|---|---|---|
| 1 | <tag>...</tag> |
结构化提示词，划分内容边界，标注指令/示例/上下文/输入数据 | 复杂多段提示词、多角色设定、Few-shot 示例组织 |
<role>你是一个专业的技术文档翻译</role>
<rules>保持原文格式，术语统一</rules>
<document>待翻译的原文内容...</document>
<format>只输出中文翻译结果</format>
|
XML标签为模型提供明确的语义边界，减少指令与数据混淆。Claude 在训练中特别接触过 XML 格式提示词，理解力最强 | ||
| 2 | """...""" |
分隔符（Delimiter），包裹需要特殊处理的文本块 | 包裹参考文档、用户输入、待处理文本，避免与指令混淆 |
# 基础分隔
用俳句总结由三引号分隔的文本。
"""在此插入你想要总结的文字"""
# 多文本对比
对比以下两段文本的异同。
"""第一段文本内容..."""
"""第二段文本内容..."""
输出格式：相同点 / 不同点
|
分隔符将指令与待处理数据物理隔离，防止模型把输入内容误认为指令的一部分 | ||
| 3 | ## / ### |
建立层次结构，标记提示词不同部分 | 组织长提示词的各区块：角色、规则、示例、输出格式 |
## 角色
你是一个资深的数据分析师。
## 任务
分析以下销售数据并输出趋势报告。
## 规则
- 使用中文输出
- 包含同比/环比数据
- 附带结论与建议
## 数据
...（数据内容）
|
利用Markdown 标题的层级关系向模型传达指令的优先级和逻辑结构，模型在预训练中大量接触 Markdown | ||
| 4 | - / * / 1. |
枚举规则、步骤、类别、约束条件 | 列举输出格式要求、任务步骤、禁止事项 |
# 规则列表
- 只输出中文翻译，不添加解释
- 保留原文的 Markdown 格式
- 专业术语使用括号标注英文原文
- 遇到不确定的词句给出备选翻译
# 步骤列表
1. 阅读并理解用户输入
2. 提取关键信息点
3. 按指定格式组织输出
4. 检查是否遗漏任何要求
|
列表格式利用逐行对齐的注意力模式，使模型逐条处理每个规则/步骤，减少遗漏 | ||
| 5 | ... |
标记推理/思考过程，与最终答案分离 | 推理模型的链式思考输出，调试推理过程 |
|
通过强化学习（RL）将模型的隐式推理过程显性化，标签将推理 token 与输出 token 分离 | ||
| 6 | <|...|> |
控制对话模板中的角色切换、消息边界 | 开发者底层使用，构建 chat template |
<|begin_of_text|>
<|start_header_id|>system<|end_header_id|>
你是一个有帮助的助手。<|eot_id|>
<|start_header_id|>user<|end_header_id|>
你好！<|eot_id|>
<|start_header_id|>assistant<|end_header_id|>
|
特殊 Token 作为控制序列嵌入训练数据，标记 BOS/EOS/角色边界，模型在 token 级别识别这些控制信号 | ||
| 7 | {...} / [...] |
指定结构化输出格式 | API 调用中的 JSON mode、Structured Outputs |
# 在提示词中要求 JSON 输出
分析以下评论的情感，以 JSON 格式输出：
{
"sentiment": "positive/negative/neutral",
"score": 0.0到1.0,
"keywords": ["关键词1", "关键词2"],
"reason": "判断理由"
}
# API 层面（更推荐）
response_format={"type": "json_object"}
|
JSON Schema 约束在解码层限制 token 输出空间，确保输出严格符合指定结构（Constrained Decoding） | ||
| 8 | Answer: Summary: |
文本标签分隔符，划分提示词不同部分 | Few-shot 示例中的 Q/A 格式化 |
Question: 法国首都叫什么？
Answer: 巴黎
Question: 中国最长的河流是？
Answer: 长江
Question: 日本的首都是哪里？
Answer:
|
文本标签通过模式匹配训练让模型识别输入-输出边界，是 Few-shot 的标准格式 | ||
| 9 | ```...``` |
包裹代码块、命令行、格式化文本 | 编程任务、提供代码示例、包裹结构化数据 |
# 包裹代码示例
```python
def calculate_sum(numbers):
return sum(numbers)
```
请优化上面这段代码的性能。
# 包裹输入数据
```
Name: 张三
Age: 28
City: 北京
```
将以上信息转为 JSON 格式。
|
三反引号触发代码生成模式，模型在预训练中学习到该标记与代码块的强关联 | ||
| 10 | --- |
视觉分隔符，区分不同段落或输入 | 分隔系统指令与用户输入，区分多个输入块 |
## 系统设定
你是一个专业的翻译助手，只翻译不解释。
---
## 用户输入
The quick brown fox jumps over the lazy dog.
---
## 输出要求
请翻译为中文。
|
作为 Markdown 标准语法，视觉断行帮助模型区分不同语义段落 | ||
| 11 | [...] |
标记可选内容、引用标注、占位符 | 模板变量、引用格式、Llama 的 [INST] 指令边界 |
# Llama 2 指令格式
[INST] <
|
方括号在训练数据中常出现于引用标记、脚注、可选内容等上下文，模型学习到其边界含义 | ||
| 12 | <PRE> <SUF> <MID> |
模型特定语义标签，非 XML 语境 | 代码填充任务（Infilling）、模型内置标记 |
<PRE>def calculate_sum(numbers):
total = <SUF>
return total
result = calculate_sum([1, 2, 3])</PRE>
<MID>（模型在此处生成代码填充结果）
|
特殊标记作为任务模式切换信号，在 fine-tuning 阶段嵌入以触发特定能力（如代码填充） |
<think（无 >），这是 DeepSeek 特有的设计。注意：2025年初曾发现 <think 标签存在注入漏洞，空对话中发送未闭合标签可能导致返回其他用户对话片段。
cache_control 标记，将静态重复内容缓存。缓存读取成本降至基础价格的 0.1 倍，Claude Code 实际命中率可达 92%，节省 81% 成本。详见 Anthropic Prompt Caching 文档。
reasoning_effort 参数（low/medium/high），同时引入新的 developer 角色消息（区别于 system）。推理模型内部使用 <think_end> 标记分隔思考过程与最终输出。
以下符号适用于 AI 图像/绘画生成，按使用频率从高到低排列。不同平台/模型对符号的支持差异极大：Stable Diffusion 的符号系统最复杂，Midjourney 使用 -- 参数体系，而 DALL-E 和 Flux 几乎不使用任何特殊符号。
| 排名 | 符号 | 用途 | 场景 | 示例 | 适配模型 | 基础原理 | 来源文档 |
|---|---|---|---|---|---|---|---|
| 1 | (word) / ((word)) |
权重增强——增加被包裹词的重要性 | 强调画面主体、关键元素、风格关键词 |
# 嵌套权重
(masterpiece:1.2), (best quality:1.2),
a girl with (beautiful detailed eyes:1.3),
(((highly detailed face))) # ≈ 权重1.331
(((extra detailed hair)))
# 权重对照表
(word) = 1.1
((word)) = 1.21
(((word))) = 1.331
((((word)))) = 1.464
|
每嵌套一层 ()，权重乘以 1.1。修改 CLIP 文本编码中的 token 注意力权重 |
||
| 2 | (word:N) |
精确指定权重倍数 | 需要精确控制某个元素在画面中的强度 |
# 增强权重 (N>1)
a girl, (red eyes:1.5), long black hair,
(masterpiece, best quality:1.2)
# 降低权重 (N<1)
landscape, (snowy:0.5), mountains,
(blurry:0.3), (low quality:0.4)
# 多元素精确控制
(castle:1.3) on a (cliff:1.1) over (ocean:1.2),
(dramatic sky:1.4)
|
直接设置 CLIP 编码中该 token 的乘法系数，N>1 增强影响，N<1 削弱影响 | ||
| 3 | --param value |
参数前缀，附加在提示词末尾 | 设置宽高比、模型版本、风格化程度等 |
# 常用参数组合
/imagine prompt: a beautiful sunset over the ocean, golden hour --ar 16:9 --v 6 --s 200
# 参数列表速查
--ar 16:9 # 宽高比
--v 6 # 模型版本
--s 250 # 风格化程度(0-1000)
--q .5 # 渲染质量
--c 50 # 混沌度
--seed 12345 # 种子值
--niji 6 # 动漫模型
|
-- 作为 CLI 参数前缀，Midjourney 解析器将其与提示词文本物理分离，作为独立的配置参数 |
||
| 4 | --no item1, item2 |
负面提示词，指定不希望出现的元素 | 排除画面中的建筑物、水印、多余人物等 |
# 排除多个元素
a forest landscape --no buildings, roads, people, cars
# 注意：MJ 会独立读取每个词
--no modern clothing # 被解读为 "no modern" + "no clothing"
# 正确写法
--no modern, clothing
# 等价于多提示词权重-0.5
tulip fields --no red
# 等价于 tulip fields:: red::-.5
|
等价于多提示词中该部分权重设为 -0.5，通过降低交叉注意力层中目标 token 的激活值实现排除 | ||
| 5 | [word] / [[word]] |
权重降低、交替词、步数编辑 | 削弱不想突出的元素；在采样过程中切换关键词 |
# 降权
landscape, [snowy], mountains # snowy权重=0.9
[[snowy]] # snowy权重=0.81
# 交替词
[sunny|rainy] landscape # 前半步sunny，后半步rainy
# 步数编辑
[blue hair:red hair:15] # 前15步蓝色，之后切红色
[day:night:20] # 前20步白天，之后切夜晚
|
降权：每层权重乘以 0.9。交替：[A|B] 按采样步数切换 prompt。步数编辑：在指定步数替换 token |
||
| 6 | :: |
多提示词分隔与权重分配 | 控制多个概念的相对比例 |
# 等权（默认）
space:: ship:: astronaut # 三者权重相等
# 不等权
space::2 ship # space权重是ship的2倍
# 多概念权重
cheese::2 cake:: painting # cheese最高
# 负权重
still life gouache painting:: fruit::-.5 # 减少水果
# 权重自动归一化
space::100 ship::100 # 等价于 space::1 ship::1
|
将提示词按 :: 切分为独立概念，每个概念独立编码后按权重比例混合，权重自动归一化 |
||
| 7 | <lora:name:N> |
调用 LoRA / Hypernetwork / Embedding 模型 | 在提示词中直接加载外部微调模型 |
# 加载 LoRA
a girl,
|
<> 标记在预处理阶段被解析，擦除后加载对应网络权重并融入 UNet 模型，N 控制融合强度(0~1) |
||
| 8 | AND |
并集生成，同时关注多个独立概念 | 生成同时包含多个独立主体的画面 |
# 同时包含独立主体
apple AND orange # 同时生成苹果和橙子
# 多主体并集
cat AND dog AND bird # 同时出现三种动物
# 搭配权重使用
(apple:1.3) AND (orange:1.1) # 苹果略强于橙子
# 与普通逗号分隔的区别
"apple, orange" # → 可能生成"苹果味的橙子"
"apple AND orange" # → 分别生成两者
|
每个 AND 分隔的概念被分别编码为独立的条件向量，然后合并，避免概念混合 | ||
| 9 | {word} |
循环强调，增加关键词出现次数 | 在 NovelAI 及其衍生前端中增强权重 |
# 嵌套增强
{masterpiece} # ≈ 重复1.05倍
{{masterpiece}} # ≈ 重复1.1倍
{{{masterpiece}}} # 继续叠加
{{{{masterpiece}}}} # 极大增强
# 注意
# A1111 WebUI 中 {} 无特殊含义
# 仅在 NovelAI 及其衍生前端中有效
|
{} 将内容重复多次（约 1.05 倍），嵌套叠加 |
||
| 10 | BREAK |
提示词分段，截断注意力 | 让模型在长提示词中重新聚焦 |
# 分段重新聚焦
a beautiful forest scene, lush green trees, sunlight filtering through leaves BREAK detailed closeup of a deer grazing in the meadow, soft focus background
# 多段使用
sunset sky, orange clouds BREAK ocean waves crashing on rocks BREAK silhouette of a person on the beach
|
在 BREAK 处截断交叉注意力，后续 token 的注意力从头计算，模拟多个独立短提示词的效果 | ||
| 11 | | |
提示词矩阵分隔符 | 批量生成所有组合的变体图像 |
# 3个选项 → 2^3=8种组合
a busy city street in a modern city|illustration|cinematic lighting
# 生成的8张图：
1. a busy city street in a modern city
2. ..., illustration
3. ..., cinematic lighting
4. ..., illustration, cinematic lighting
... 共8种组合
# 需配合 Prompt Matrix 脚本使用
|
解析器按 | 拆分，生成所有子集组合，每个组合独立运行一次推理（2^n 张图） |
||
| 12 | [a:b:N] |
提示词步数编辑，在指定步数切换内容 | 控制画面在不同采样阶段的演变方向 |
# 采样中途切换
[blue hair:red hair:15] # 前15步蓝色，之后红色
[day:night:20] # 前20步白天，之后夜晚
# 创造渐变效果
a portrait of a woman [wearing sunglasses:not wearing sunglasses:15]
# 搭配权重使用
[(summer landscape:1.2):(winter landscape:1.2):25]
|
采样器在每步对 prompt 做条件注入，步数编辑在指定步后替换条件文本 | ||
| 13 | (word:from:to:step) |
渐变权重，让关键词权重在步数间线性变化 | 创造从模糊到清晰、从弱到强的渐变效果 |
# 权重渐变
(red:0.5:1.5:10) # 前10步red从0.5增长到1.5
(blur:1.0:0.0:15) # 前15步blur从1.0衰减到0
# 实际应用：从模糊草稿到清晰成品
(sketch:1.5:0.5:10), (detailed:0.5:1.5:10), a cityscape
# 语法格式
(word : 起始权重 : 结束权重 : 步数)
|
在指定步数区间内对 token 权重做线性插值，利用扩散去噪过程中早期控制布局、后期控制细节的特性 |
4k、8k、photorealistic、ultra-detailed、Unreal engine、Octane render、masterpiece 等均已失效。V6 推荐使用清晰、描述性强的自然英语，最多准确处理约 5 个具体对象。
以下矩阵展示各模型对常用符号的支持情况，方便快速查阅。
| 符号 | GPT-4o / o3 | Claude 3.5/4 | Gemini | DeepSeek | Llama 3/4 |
|---|---|---|---|---|---|
<tag> XML标签 | 推荐 | 强烈推荐 | 推荐 | 支持 | 内置 |
""" 三引号 | 推荐 | 支持 | 支持 | 支持 | -- |
## 标题 | 推荐 | 支持 | 推荐 | 支持 | 支持 |
- 列表 | 推荐 | 支持 | 推荐 | 支持 | 支持 |
... 思考 | 内部 | 支持 | -- | 原生 | -- |
{} JSON | Structured | JSON mode | Structured | 支持 | 支持 |
| 符号 | SD (A1111) | ComfyUI | Midjourney | DALL-E 3 | Flux |
|---|---|---|---|---|---|
() 权重增强 | 支持 | 部分 | 不支持 | 不支持 | 不支持 |
(word:N) 精确权重 | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
-- 参数 | 不支持 | 不支持 | 必用 | 不支持 | 不支持 |
--no 负面 | 独立框 | 独立框 | 支持 | 自然语言 | 不支持 |
:: 多提示词 | 不支持 | 不支持 | 支持 | 不支持 | 不支持 |
[a|b] 交替 | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
<lora:> 网络调用 | 支持 | 不同语法 | 不支持 | 不支持 | 不支持 |
AND 并集 | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
BREAK 分段 | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
... 思考标签成为推理模型（DeepSeek R1、QwQ、Kimi）的通用标记，OpenAI o 系列也在内部使用类似机制。
4k、masterpiece、Unreal engine 等传统赞美词/技术词已失效，甚至会削弱其他关键词权重。