Prompt提示词|掌握这个提示词技巧，你将事半功倍

AI领航者

于 2024-09-17 11:00:00 发布

阅读量439

点赞数 8

文章标签： prompt 人工智能大语言模型语言模型大模型入门大模型提示词

本文链接：https://blog.csdn.net/2401_85324918/article/details/142256628

版权

当我们在使用AI工具时，只是简单输入一个问题，而没有提供更多的信息，但AI工具仍然能够准确地完成任务？这其实得益于模型本身在大量数据中进行了训练。这种方式有一个专门的术语，叫做零样本提示(Zero-shot Prompting)。它的魅力在于，我们不需要对模型进行微调，也不需要提供任何示例样本，只需直接提问，模型就能完成相应的任务。

比如我们询问GPT，《谷歌如何工作，重新定义团队》这本书主要讲述了哪些内容，这个时候我们并没有给出书中的一些内容作为提示，GPT却回复了这本书的一些简介和价值，让我们很快就能了解这本书。提示词及其回复如下图所示：

少量样本提示(Few-shot Prompting)

虽然模型通过零样本提示（ zero-shot ）的能力就已经很强大了，但在使用AI工具的过程中，有时候简单地使用提示词可能效果并不理想。为了更好地引导AI，我们可以尝试使用 few-shot 少量样本提示。

所谓的少量样本提示（few-shot），就是在 Prompt 提示词中给问题提供一个 Context上下文，在上下文中提供一些具体的例子或者情境，这些示例的作用是让AI通过这些信息更好地理解并关联到问题的全貌和需求。从而引导模型找到对应的回答方式，生成更为准确的响应。这样，当我们问问题时，AI就能基于这些例子更精准地给出答案或是提供应对方案。

举一个简单的例子。我们使用GPT，想要了解中国各个省会的城市是哪里，其省会城市有哪些著名景点。比如并不仅仅是想得到“湖南的省会是长沙”这样的答案，还希望GPT同时告诉我们长沙的一些景点，我们可以先给GPT一点其他省会城市的样本作为参考，然后再问湖南的省会是哪里，这个时候GPT回复“湖南的省会是长沙”的同时，还会告知长沙的一些景点。如下图所示：

Prompt思维链提示

在遇到需要推理的复杂任务时，通过少量样本提示（few-shot）可能无法达到预期，因为模型无法从少量样本中学习到完整的推理过程。这时候就需要引申出另外一个概念：思维链提示 - CoT (Chain-of-Thought Prompting)。通常涉及到推理的复杂任务，并不是可以一步直接得到答案的，中间会有很多的计算和推理过程。当我们让GPT 回答这些推理问题时，并没有给模型足够的思考空间，他没有草稿纸去进行计算。所以我们在给到模型提供示例时，不要只给一个答案，而是要把解题思路也给到模型，这样的话，模型学习到的效果会更好。

比如，我们出一个数学题，请GPT进行回答，题目如下：

A+B=10，B+C=15，A+C=15，请问B是多少？

我们直接将该题目发给GPT，让它帮我们解答，如下图所示：

从上图可以看到，GPT的回答是错误的。

出现错误的原因是由于缺少推理过程或者它的推理过程不正确，我们自己在面对这样的问题时都没法直接一眼得到答案，而是需要心算或者在草稿中进行计算。这时候要想解决问题，一个最简单的方式叫做 Zero-shot CoT 零样本思维链。比如我们可以让其直接仔细思考解答过程，然后再回答，如下图所示：

这个时候再看GPT的回答是正确的，而且也附上了它的推理过程。

如果问题更加复杂，零样本思维链得到的结果还是错误的。那就需要提供几个示例，而这时候提供的示例不光是给一个结果，还要给到一个思考的过程作为示例，相当于把自己的思维过程传达给 AI，让 AI 也用这个思路来分析问题，最终得到所需的答案。比如上面的案例，我们告诉GPT的解题思路可以将方程1加上方程2减去方程3，然后用得到的结果除以2就得到B的值。如下图所示：

如果碰上思维链的方式还不能使GPT的回复达到预期，那还可以更进一步的对 Prompt 进行优化。这些优化的方式是让 GPT 产生多个思维链，也就是多个推理路径，最终选择一个一致性最高的答案。这种方法叫做 Self-Consitency 自洽性。为一个问题，提供3个解决方案，最终结合3个解决方案给出与问题一致性最高的答案。

比如我们想从上海到北京去旅游，时间预期是5天，让GPT 给出三个方案，然后再跳出一个最符合我们预期的方案，如下图所示：

Prompt生成知识提示

在极少数情况下，我们可能会发现，无论我们如何调整模型思考的方式，GPT的回复始终无法满足我们的期望，无法解决我们的问题。这可能是因为模型本身缺乏必要的背景知识，或者模型不知道如何运用背景知识来解答。如果问题在于模型缺乏背景知识，那么我们只能主动采取行动。我们可以利用上下文Context，将所需的背景知识直接添加到提示中，然后让模型尝试给出答案。这样，模型就能在我们的引导下，运用所提供的背景知识来回答问题。而如果问题在于模型不知道如何运用背景知识，那么我们可以采用一种技巧，叫做Generate Knowledge Prompting生成知识提示。通过给模型提供一些示例，我们可以帮助模型自己生成解答问题的背景知识。一旦模型拥有了这些背景知识，我们就可以将其添加到上下文中，再次向模型提问。有了背景知识，模型自然能够准确回答我们的问题。这两种方法都能够解决模型在面对问题时的困扰，帮助我们更好地利用GPT来解答问题。

比如，最近哈尔滨火遍全网，我们想写一份去哈尔滨的研学旅行的策划案，但是你又不知道如何入手，这个时候，你可以先询问GPT，一份好的研学旅行的策划案应该包含哪些方面，如下图所示：