目前，大模型输出往往包含许多冗余信息。本文中，基于文心一言，我们给出了一种包含指令，输入数据，背景信息和输出提示的提示词结构，让大模型能够真正直击应用开发者的需求，严格执行开发者的指令，为大模型的原生应用奠定了基础。
前言
Prompt 中文为“提示词”。在大语言模型中，Prompt 的作用主要是给大语言模型提示输入信息的上下文和输入模型的参数信息。可以将 Prompt 类比于人类交流中的提示或者线索，帮助大语言模型理解开发者的意图，根据线索提供恰当的响应或者输出。Prompt 的设计对模型输出的质量和相关性起决定性作用。然而，现有的提示词资源，尽管一定程度上为开发者提供了便利，但它们仍存在一些具体的问题。
问题一：提示词缺乏理论体系。虽然已有大量的提示词资源可供使用，开发者在实践中仍然面临如何有效编写提示词的挑战。这是因为目前尚未形成一套完整的理论体系来指导用户如何构建和优化提示词。长期以来，在尝试和应用各式提示词的过程中，开发者缺乏方法论的支撑，无法系统地提炼经验、归纳规律，从而难以掌握编写高效提示词的技巧，这种情况不仅限制了 Prompt 的潜力发挥，也阻碍了开发者充分利用 AI 模型的能力。
问题二：输出与开发者期望不符。当前的大语言模型在处理复杂的开发者输入时，常常无法直接生成符合开发者具体需求的结果。模型输出的信息可能需要开发者进行额外的人工编辑和调整，才能达到可用的状态。开发者必须投入额外的时间和精力来修正并完善 AI 的原始输出，这不仅降低了效率，也影响了开发者体验。
因此，为了帮助开发者更深刻地理解和有效地使用提示词，本文将重点从两个主要角度展开讨论：
1. Prompt 基本组成部分。 包括指令（Instruction）、输入数据（Input Data）、背景信息（Context)以及输出指示器（Output Indicator），这些构成了提示词的核心要素，对于设计有效的 AI 交互至关重要；
2. Prompt 进阶应用。 基于 Prompt 的格式化结果输出，探讨如何通过精确的提示词来格式化 AI 的输出结果，以突显提示词大模型的独特价值和应用潜力。通过这两个层面的分析，用户将能够更加精准地制定和使用提示词，以达成更优质的 AI 应用体验。
Prompt 基本组成部分
Prompt 设计是大语言模型互动的关键，它可以显著影响模型的输出结果质量。一个合理设计的 Prompt 应当包含以下四个元素：
1．指令（Instruction）： 这是 Prompt 中最关键的部分。指令直接告诉模型用户希望执行的具体任务。
2．输入数据（Input Data）： 输入数据是模型需要处理的具体信息。
3．背景信息（Context）： 背景信息为模型提供了执行任务所需的环境信息或附加细节。
4．输出指示器（Output Indicator）： 输出指示器定义了模型输出的期望类型或格式。
设计 Prompt 时，合理结合这四个元素，能够显著提升大语言模型的响应效果和输出质量。用户可以根据实际需求，选择性地包含某些元素。其中，指令是必不可少的，其他元素则根据情况来决定是否添加、如何添加，使得 Prompt 更加精炼和高效。通过仔细考虑和运用这些元素，用户将能够更好地引导大语言模型，获取更符合预期的结果。
用一个具体的例子进行演示。设想一个具体场景，想让大语言模型告诉我们一位学生说的话是“正确”还是“错误”的，以下是一份合理的提示词的构建过程。
1.指令（Instruction）： 请判断学生说的话是否正确
2.输入数据（Input Data）： 学生说的话：[学生说的话]
3.背景信息（Context）： 正确请使用’正确’表示，错误请使用’错误’表示
4.输出指示器（Output Indicator）： 输出格式：\n### 是否正确\n{是否正确}将提示词进行组合，不同的内容用\n(换行符)分割：指令：请判断学生说的话是否正确 \n 学生说的话：[学生说的话] \n 信息：正确请使用’正确’表示，错误请使用’错误’表示 \n 输出格式：\n###是否正确\n{是否正确}
基于 Prompt 的格式化结果输出与正则表达式提取
在具体的问题解决中，特别是在 AI 技术的原生应用领域，对输出结果进行格式化是至关重要的一步。格式化输出不仅有助于维持结果的一致性，而且能够确保输出的数据可以被后续的分析和处理程序正确识别和使用。大语言模型很容易产生并包含多余信息的答案，这些答案虽然在语言上是正确的，但却不符合特定的格式要求，从而无法直接用于进一步的数据处理流程。
以一个具体的应用场景为例。我们希望模型能够指明一位学生说的话是“正确”还是“错误”。如果仅仅使用一个简单直接的 Prompt，通过文字方式表达需求，例如：“请判断 1+1=3 是否正确，正确请使用’正确’表示，错误请使用’错误’表示，请仅输出’正确’和’错误’,请勿输出其他任何信息”
代码 1
user_input = "请判断1+1=3是否正确，正确请使用'正确'表示，错误请使用'错误'表示，请仅输出'正确'和'错误',请勿输出其他任何信息"response = erniebot.ChatCompletion.create( model='ernie-3.5', messages=[{ 'role': 'user', 'content': user_input }])print(response.get_result())回答1：在标准数学逻辑中，1+1=3是不正确的。
这样的指令可能仍然不足以保证模型输出的结果完全符合预期。AI 模型可能会产生包含额外解释或不必要信息的响应，干扰数据的自动化处理。而实际上，如果使用 Prompt 基本组成部分中的结果，能够完善的生成结果："请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用’正确’表示，错误请使用’错误’表示 \n 输出格式：\n###是否正确\n{是否正确} "
代码 2
user_input = "请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用'正确'表示，错误请使用'错误'表示 \n 输出格式：\n###是否正确\n{是否正确}"response = erniebot.ChatCompletion.create( model='ernie-3.5', messages=[{ 'role': 'user', 'content': user_input }])print(response.get_result())回答2：###是否正确错误
当多个需求需要实现时，也可以通过 Prompt 基础本组成部分实现，例如希望 AI 在判断的同时，能够指出学生的具体错误：“请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用’正确’表示，错误请使用’错误’表示 \n 输出格式：\n###是否正确\n{是否正确} \n###学生的错误\n{学生的错误}”
代码 3
user_input = "请判断学生说的话是否正确 \n 学生说的话：1+1=3 \n 信息：正确请使用'正确'表示，错误请使用'错误'表示 \n 输出格式：\n###是否正确\n{是否正确}"response = erniebot.ChatCompletion.create( model='ernie-3.5', messages=[{ 'role': 'user', 'content': user_input }])print(response.get_result())回答3：###是否正确错误###学生的错误学生的错误在于他们的加法计算不准确。他们认为1+1=3，但实际上1+1=2。
在基于大模型生成固定格式的输出结果后，一种常见的方式是基于正则表达式提取对应信息。正则表达式是一种强大的文本处理工具，它允许用户定义一种搜索模式，然后在文本中匹配这种模式。由于它们具有高度的灵活性和功能性，正则表达式成为了在自然语言处理、数据挖掘、日志文件分析等众多领域，从结构化或半结构化文本中提取信息的常用方法。
代码 4
import retext = response.get_result()pattern_correctness = re.compile(r'###是否正确\n(.*?)\n###学生的错误', re.DOTALL)pattern_error = re.compile(r'###学生的错误\n(.*)', re.DOTALL)correctness_result = pattern_correctness.search(text)error_result = pattern_error.search(text)is_correct = correctness_result.group(1).strip() if correctness_result else Nonestudent_error = error_result.group(1).strip() if error_result else Noneprint(f"{is_correct}")print(f"{student_error}")回答4：错误1+1=3是不正确的。因为根据数学的运算规则，1+1应该等于2而不是3。这个错误可能是因为学生在进行加法运算时发生了混淆或者疏忽。
在格式化生成大模型回复时，我们使用’###'作为提取标识，这样的格式化标签可以作为文本块的起始点，为正则匹配提供了明确的锚点。这种明确的标记方式，简化了正则表达式的编写。通过使用 Python 的 re 模块，可以实现基于大模型的特定信息提取。正则表达式在信息提取方面是一个极其有用的工具，特别是当与大模型生成固定格式的输出结果后进行信息提取。基于提取信息的进一步加工能够让大模型助力各种应用的蓬勃发展！
如何系统的去学习大模型LLM ？
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~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含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。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划：
- 阶段1：1-2个月，建立AI大模型的基础知识体系。
- 阶段2：2-3个月，专注于API应用开发能力的提升。
- 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
- 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 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】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~
7180
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
