微软：9个提示词技巧，让AI大模型高质量回答你的问题！

提示工程（Prompt engineering）可以提升大模型输出质量。

然而，这也具有一定挑战性，因为它需要理解模型的能力和局限性，以及所涉及的领域和任务。

以下是微软官网给出的9个撰写提示词的建议。

更多内容可在文末点击阅读原文查看。

1. 提供明确的指示

确保提示词具体说明你希望模型生成的内容，包括预期的格式、长度和语气。

例如，如果你希望模型生成新闻文章的摘要，可以指定句子的数量、需要涵盖的主要观点以及写作风格。

2. 使用关键词、符号或标签

这有助于大模型更清晰地识别有意义的信息，并消除歧义。

你可以在单个提示词中使用多种策略，例如用“Summary:”和“<|end|>”等短语标明完成的开始和结束。

你还可以指示大模型查找特定格式提供的上下文，这有助于将更复杂的提示词模板化。

例如：“总结用三重引号分隔的文本。使用少于25个单词。‘’‘<待总结文本>’‘’”。

3. 提供上下文

提供一些关于应用、领域和用户意图的背景信息。这些上下文有助于模型生成更相关和连贯的输出。

例如，如果你希望模型生成代码，可以包括一些导入语句以使模型专注于相关的库和模块。

你还可以提供一些注释或描述来解释代码的目的和逻辑。对于对话任务，可以提供一些关于用户、话题和对话目标的背景信息。

4. 从零样本学习开始，然后进行少样本学习

当你没有或只有有限的数据用于任务时，零样本（zero-shot）学习可能很有用，或者当你想测试模型的创造力和多样性时，零样本学习也很有用。

少样本（few-shot）学习在你有一些任务数据，或者当你想引导模型的行为，输出示范的文本时很有用。你可以根据需要尝试不同数量的示例，并根据输入或反馈动态选择这些示例。

例如，如果你希望模型生成产品评论，可以从零样本学习开始，看看模型生成什么内容。然后提供一些正面或负面的评论示例来引导模型的情感和风格。

5. 尝试重新排列你的提示词

提示词中元素的顺序会影响模型的注意力和影响力。提示词底部的少样本示例或其他信息，比顶部的更能影响完成结果。

你可以尝试不同的提示词排列方式，看看模型如何响应以及哪种方式最适合你的任务。

例如，如果你希望模型生成新闻文章的标题，可以尝试将文章放在提示词的顶部或底部，看看模型如何捕捉文章的主要思想和语气。

6. 调整历史消息长度

在多轮对话应用中，如聊天机器人，提示中包含的历史对话消息长度可以为模型提供足够的上下文，以生成自然和一致的响应。

然而，你也需要监控模型的行为，发现以下问题时，清除或限制历史消息条数。

• • 偏离对话的话题或目标

• • 自我重复

• • 自相矛盾

你可以通过以下方法识别：

• • 根据对话的复杂性和连贯性调整历史长度

• • 查看是否和主题相关

• • 情感分析

• • 检测重复性

7. 优化少样本例子

你提供给模型的少样本（few-shot）示例，会显著影响模型的性能和泛化能力。你可以在你的数据上训练或微调语义相似性模型，以选择更相关的少样本示例。

语义相似性模型可以根据文本的意义和内容，而不是表面形式或句法，衡量两个文本之间的相似性。

你可以使用语义相似性模型对数据进行排序和过滤，并选择与输入或任务最相似的示例。

例如，如果你希望模型生成食谱，可以使用语义相似性模型选择一些具有类似成分、菜系或步骤的食谱示例。

8. 指导模型如何推理

你可以通过思维链（CoT）和自问自答等技术提高大模型的一些推理能力。

例如，思维链（CoT）使大模型能够将多步骤问题分解为中间步骤，从而解决标准提示方法无法解决的复杂推理问题。

9. 帮助大模型处理模糊上下文

通过指导其重新表述问题，使其更容易清晰回答。

论文 Rephrase and Respond 提供了起始提示和有用指导，说明这种技术如何让大模型重新构建人类提出的问题，使其更容易推理，并向用户提供重新表述查询的方法建议。

这种技术可以与其他推理方法如思维链结合使用，以提高推理性能并提供更具对话性和用户友好的聊天体验。

那么，如何系统的去学习大模型LLM？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！

💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

👉大模型入门实战训练👈

💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉国内企业大模型落地应用案例👈

💥《中国大模型落地应用案例集》 收录了52个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）

💥《2024大模型行业应用十大典范案例集》 汇集了文化、医药、IT、钢铁、航空、企业服务等行业在大模型应用领域的典范案例。

👉LLM大模型学习视频👈

💥观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。 （文末领取）

👉640份大模型行业报告👈

💥包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

👉获取方式：

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓