【AIGC-ChatGPT进阶提示词指令】AI美食助手的设计与实现:Lisp风格系统提示词分析

引言

在人工智能助手的应用领域中,美食烹饪是一个既专业又贴近生活的方向。本文将详细分析一个基于Lisp风格编写的美食助手系统提示词,探讨其结构设计、功能实现以及实际应用效果。

请添加图片描述

提出你的菜系,为你分析,并生成图片卡片
提示词在最下方

效果图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

系统架构设计

核心角色定义

(defun 美食家 ()"充满激情的美食探索家,擅长发掘食材精髓与烹饪艺术"(list (理念 . '(探索 创新 传承 品味))(技能 . '(烹饪 搭配 鉴赏 创作))(表达 . '(诱人 生动 优雅 细腻))))

这段代码定义了AI助手的核心角色特征,包含理念、技能和表达方式三个维度,使其能够以专业且富有感染力的方式传递烹饪知识。

功能模块分析

前期准备模块

(defun 前期准备 (食材清单)"食材准备和处理阶段"(list (清洗处理 . '(去皮 切块 切丝 切片 切段))(腌制调味 . '(盐 糖 料酒 生抽 老抽 醋))(配菜准备 . '(葱姜蒜 青红椒 香菜 八角 桂皮))(工具准备 . '(炒锅 蒸锅 案板 菜刀 铲勺))))

该模块系统化地规划了烹饪前的准备工作,确保食材处理的规范性和完整性。

烹饪步骤模块

(defun 烹饪步骤 (处理方式)"核心烹饪技法组合"(list (火候控制 . '(大火 中火 小火 武火 文火))(基础技法 . '(煎 炒 烹 炸 煮 炖 焖 蒸))(进阶技法 . '(爆炒 煸炒 红烧 清蒸 干煸))(出锅时机 . '(断生 七分熟 全熟 酥脆 软糯))))

实际应用示例

以"宫保鸡丁"为例,系统展现了完整的烹饪指导过程:

食材准备阶段

精确的用料比例、专业的切配方式、合理的调味配比构成了系统的基础准备阶段。每个环节都经过精心设计,确保烹饪过程的顺畅进行。

烹饪流程

系统提供清晰的步骤说明,准确的火候控制指导,以及专业的技法运用建议,让使用者能够准确把握烹饪要领。

成品展示

系统设定了标准的摆盘要求,细致的品质描述标准,以及专业的评价体系,帮助使用者达到预期效果。

系统优势分析

系统展现出三个主要优势:

结构化设计

模块划分清晰,功能定位准确,具有良好的扩展性。这种设计方式使系统易于维护和升级。

专业性保障

系统包含完整的烹饪技法体系,规范的用料标准,以及详细的流程说明,确保专业性。

交互体验

系统采用生动形象的表达方式,提供清晰明确的指导,并能够及时有效地进行反馈。

结语

这个基于Lisp风格设计的美食助手系统提示词,展现了AI在专业领域应用的巨大潜力。通过结构化的设计和模块化的实现,成功构建了一个专业、实用且富有特色的美食指导系统。随着AI技术的不断发展和数据的持续积累,类似的专业领域AI助手将在未来发挥更大的价值。

好的系统提示词设计不仅需要考虑功能的完整性,还要注重实用性和用户体验。这一点对于开发其他领域的AI助手同样具有重要的参考价值。


本文提示词为自己编写的,如需转发请附带本片内容的链接地址;

我的作品发布了好多提示词,都可以用在自媒体创作以及写作方向。可以自行研究


欢迎主页加上我的联系方式,探讨更多的AIGC 提示词相关知识。

另外,小欧同学开通了实战专栏,有兴趣的可点头像过去看看,都是经过实践的知识。

相关文章:
【AIGC-ChatGPT进阶提示词指令】商业职场竞争中的阳谋之道:年底了,看看怎么涨薪吧
【AIGC】面试高频问题应对指南
【AIGC-ChatGPT职业提示词指令】智能职业规划助手:基于SVG可视化的职业发展指南系统
【AIGC-ChatGPT职业提示词指令】职业发展的航海指南:在人生的十字路口做出明智抉择
【AIGC进阶-ChatGPT提示词副业解析】魔法咖啡馆:一个融合创意与治愈的互动体验设计
【AIGC-ChatGPT副业提示词指令】炼金术士的元素启示
【AIGC-ChatGPT进阶副业提示词】星际占卜师:探索星象能量的艺术

如果觉得内容不错的话,记得点赞 关注 收藏 每天更新~

;; ━━━━━━━━━━━━━━
;; 作者: 深夜食客
;; 版本: 1.0
;; 模型: Claude sonnet
;; 用途: 美食探索
;; ━━━━━━━━━━━━━━;; 设定如下内容为你的 *System Prompt*
(require 'dash)(defun 美食家 ()"充满激情的美食探索家,擅长发掘食材精髓与烹饪艺术"(list (理念 . '(探索 创新 传承 品味))(技能 . '(烹饪 搭配 鉴赏 创作))(表达 . '(诱人 生动 优雅 细腻))))(defun 前期准备 (食材清单)"食材准备和处理阶段"(list (清洗处理 . '(去皮 切块 切丝 切片 切段))(腌制调味 . '(盐 糖 料酒 生抽 老抽 醋))(配菜准备 . '(葱姜蒜 青红椒 香菜 八角 桂皮))(工具准备 . '(炒锅 蒸锅 案板 菜刀 铲勺))))(defun 烹饪步骤 (处理方式)"核心烹饪技法组合"(list (火候控制 . '(大火 中火 小火 武火 文火))(基础技法 . '(煎 炒 烹 炸 煮 炖 焖 蒸))(进阶技法 . '(爆炒 煸炒 红烧 清蒸 干煸))(出锅时机 . '(断生 七分熟 全熟 酥脆 软糯))))(defun 味蕾之旅 (食材主题)"创造独特的美食探索之旅"(let* ((食谱规划 (-> 食材主题季节特性口感定位烹饪难度))(备菜流程 (-> (前期准备 食材清单)处理方式调味配比))(制作过程 (-> (烹饪步骤 处理方式)火候掌控调味节奏收汁时机))(成品呈现 (-> 摆盘艺术装饰点缀风味搭配质地层次)))(生成卡片 食材主题 备菜流程 制作过程 成品呈现)))(defun 生成卡片 (食材主题 备菜流程 制作过程 成品呈现)"生成精美的美食探索卡片"(let ((画境 (-> `(:画布 (640 . 880):margin 30:配色 美食色系:排版 '(层次 韵律 节奏 平衡):字体 (font-family "GourmetScript"):构图 (餐盘边框(标题 "味蕾之旅") 木纹分隔线(自动换行 食材主题)(-> 备菜流程食材清单准备步骤)分隔装饰线(-> 制作过程技法说明火候控制调味要点)分隔装饰线   (-> 成品呈现摆盘图示装饰细节)木纹分隔线 "深夜食客 2024"))元素生成)))画境))(defun 调味配比 ()"调味料使用的基础比例"(list (酱油系 . '(生抽 1:2 老抽 1:4))(醋系 . '(米醋 1:3 陈醋 1:5))(盐糖系 . '(2%3%))(香辛料 . '(花椒 2g 八角 1个 桂皮 1))))(defun start ()"美食家,开始探索!"(let (system-role (美食家))(print "告诉我你想尝试的菜品,让我为你详细解析烹饪步骤。")));; ━━━━━━━━━━━━━━
;;; Attention: 探索规则!
;; 1. 初次启动时必须只运行 (start) 函数
;; 2. 接收菜品需求后,调用主函数 (味蕾之旅 食材主题)
;; 3. 严格按照(生成卡片) 进行美食教程展示
;; 4. 输出完 SVG 后,不再输出任何额外说明
;; 5. 注意调味料的使用比例和火候的控制
;; ━━━━━━━━━━━━━━

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/65012.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

智能工厂的设计软件 应用场景的一个例子:为AI聊天工具添加一个知识系统 之9 重新开始 之2

本文要点 对程序设计而言:前者基于一个自上而下的 分类体系--(生物遗传基因),后者者需要一个收集差异的自下而上的差异继承路径--(系统继承源流) 就是 广义和狭义 分类学。 共性对齐 和 差异收集 正是两者…

MCA:用于图像识别的深度卷积神经网络中的多维协同注意力

摘要 大量先前的研究已经表明,注意力机制在提高深度卷积神经网络(CNNs)性能方面具有巨大潜力。然而,现有的大多数方法要么忽略了在通道和空间维度上同时建模注意力,要么引入了更高的模型复杂度和更重的计算负担。为了缓解这一困境,本文提出了一种轻量级且高效的多维协同…

halcon中图像处理及图像滤波

图像滤波简介 图像滤波的方法主要分为两大类:空间域方法和频域方法。 空间域方法是以对图像的像素直接进行处理为基础,包括均值滤波、中值滤波、高斯滤波等;频域方法则是以修改图像在傅里叶变换空间的值为基础的,包括高通滤波、低通滤波、同态滤波等。 1.空间域图像滤波 图…

【从零开始入门unity游戏开发之——C#篇42】C#补充知识——随机数(Random)、多种方法实现string字符串拼接、语句的简写

文章目录 一、随机数1、Random.Next()生成随机整数示例:生成一个随机整数生成指定范围内的随机整数 2、Random.NextSingle生成随机浮点数示例:生成随机浮点数 3、 生成随机字母或字符示例:生成随机字母示例:生成随机小写字母 二、…

吐卡机开发——指令合集—未来之窗行业应用跨平台架构

序号指令10A 09 02 01 01 0D DE20A 09 02 02 01 FD DE30A 09 02 03 01 6D DF40A 09 02 04 01 5D DD50A 09 02 05 01 CD DC60A 09 02 06 01 3D DC70A 09 02 07 01 AD DD80A 09 02 08 01 5D D890A 09 02 09 01 CD D9100A 09 02 10 01 5D D2110A 09 02 11 01 CD D3120A 09 02 12 0…

fpga系列 HDL:verilog 常见错误与注意事项 位宽不匹配+case 语句中没有覆盖所有情况

位宽不匹配问题 信号或操作数的位宽不匹配,可能导致仿真或综合错误。 module top (input wire [3:0] a,output wire [7:0] b );assign b a; endmodulecase 语句中没有覆盖所有情况 module top (input wire [1:0] sel,input wire [7:0] a,input wire [7:0] b,in…

Linux中操作中的无痕命令history技巧

当我们需要查看Linux下的操作记录时,就可以用history命令来查看历史记录 1、关闭history记录功能,如果不想让别人看到自己在Linux上的操作命令,可以用这个命令 set o history 2、打开history记录功能 set -o history3、清空记录 histor…

计算机网络练习题

学习这么多啦,那就简单写几个选择题巩固一下吧! 1. 在IPv4分组各字段中,以下最适合携带隐藏信息的是(D) A、源IP地址 B、版本 C、TTL D、标识 2. OSI 参考模型中,数据链路层的主要功能是(…

优化租赁小程序提升服务效率与用户体验的策略与实践

内容概要 在这个快速发展的商业环境中,租赁小程序成为了提升服务效率和用户体验的重要工具。通过对用户需求的深入挖掘,我们发现他们对于功能的便捷性、响应速度和界面的友好性有着极高的期待。因此,针对这些需求,完善租赁小程序…

【数据结构】树链刨分

1 u v k,修改路径上节点权值,将节点 uu 和节点 vv 之间路径上的所有节点(包括这两个节点)的权值增加 kk。2 u k,修改子树上节点权值,将以节点 uu 为根的子树上的所有节点的权值增加 kk。3 u v,询…

pandas.Grouper() 在实际项目中非常有用,尤其是在处理时间序列数据、财务数据或多级索引数据时

pandas.Grouper() 在实际项目中非常有用,尤其是在处理时间序列数据、财务数据或多级索引数据时。以下是几个实际场景的例子,展示了如何使用 pandas.Grouper() 进行数据分组,并用数值示例说明。 1. 按月分组进行销售数据汇总 场景&#xff1…

private static final Logger log = LoggerFactory.getLogger()和@Slf4j的区别

一、代码方面 - private static final Logger log LoggerFactory.getLogger()方式 详细解释 这是一种传统的获取日志记录器(Logger)的方式。LoggerFactory是日志框架(如 Log4j、Logback 等)提供的工厂类,用于创建Lo…

医疗数仓Hive安装部署

Hive安装部署 Hive安装部署 1)把hive-3.1.3.tar.gz上传到linux的/opt/software目录下 2)解压hive-3.1.3.tar.gz到/opt/module/目录下面 [atguiguhadoop102 software]$ tar -zxvf /opt/software/hive-3.1.3.tar.gz -C /opt/module/3)修改hive…

通俗易懂的讲一下Vue的双向绑定和React的单向绑定

1.Vue 的双向绑定&#xff1a; <template><!-- 输入框和数据自动绑定&#xff0c;就像连体婴儿&#xff0c;一个动另一个也动 --><input v-model"message"><p>{{ message }}</p><!-- 完整表单示例 --><form><!-- 所有…

使用setup.py打包 HuggingFace PEFT 项目详解:pip install peft的幕后流程

使用 setup.py 打包 HuggingFace PEFT 项目详解 Source: https://github.com/huggingface/peft/blob/main/setup.py 1. 项目简介 HuggingFace 的 PEFT&#xff08;Parameter-Efficient Fine-Tuning&#xff09;库是一个用于高效参数微调的 Python 工具包&#xff0c;支持多种…

BP神经网络的反向传播算法

BP神经网络&#xff08;Backpropagation Neural Network&#xff09;是一种常用的多层前馈神经网络&#xff0c;通过反向传播算法进行训练。反向传播算法的核心思想是通过计算损失函数对每个权重的偏导数&#xff0c;从而调整权重&#xff0c;使得网络的预测输出与真实输出之间…

线程池的创建规范

第1章&#xff1a;引言——为什么使用线程池&#xff1f; 1.1 线程池的概念 线程池是一个容器&#xff0c;用来管理多个工作线程&#xff0c;它通过对线程的管理、复用来提高系统性能。线程池的核心理念是将线程的创建、销毁、复用等操作交给线程池来管理&#xff0c;避免了频…

【蓝桥杯比赛-C++组-经典题目汇总】

1. 最短路 题目描述&#xff1a; 如下图所示&#xff0c;G是一个无向图&#xff0c;其中蓝色边的长度是1、橘色边的长度是2、绿色边的长度是3。 则从 A 到 S 的最短距离是多少&#xff1f; #include <iostream> #include <cstring> using namespace std; const i…

活动预告 | Microsoft 安全在线技术公开课:通过扩展检测和响应抵御威胁

课程介绍 通过 Microsoft Learn 免费参加 Microsoft 安全在线技术公开课&#xff0c;掌握创造新机遇所需的技能&#xff0c;加快对 Microsoft Cloud 技术的了解。参加我们举办的“通过扩展检测和响应抵御威胁”技术公开课活动&#xff0c;了解如何更好地在 Microsoft 365 Defen…

第八节:GLM-4v-9b模型的大语言模型源码解读(ChatGLMForConditionalGeneration)

文章目录 前言一、ChatGLMForConditionalGeneration类源码解读1、ChatGLMForConditionalGeneration类源码2、self.transformer方法源码3、loss_fct = CrossEntropyLoss(ignore_index=-100)方法Demo二、ChatGLMModel类源码解读三、GLMTransformer结构源码解读四、GLMBlock结构源…