Prompt提示词如何写才能发挥大语言模型LLM的最大潜力

最新推荐文章于 2024-09-16 11:16:36 发布

和老莫一起学AI

最新推荐文章于 2024-09-16 11:16:36 发布

阅读量743

点赞数 11

文章标签： prompt 语言模型大数据人工智能知识图谱深度学习 ai

本文链接：https://blog.csdn.net/2401_85373691/article/details/141899880

版权

提示词

提示工程学是一门相对较新的学科，用于开发和优化提示，以便高效地利用语言模型（LM）来进行各种应用和研究主题。提示工程技能有助于更好地了解大型语言模型（LLM）的能力和限制。研究人员使用提示工程来改善LLM在各种常见和复杂任务上的能力，例如问答和算术推理。开发人员使用提示工程来设计与LLM和其他工具接口的强大和有效的提示技术。

本文主要介绍标准提示的基础知识，以提供指导如何使用提示与大语言模型（LLM）进行交互。

提示的组成要素

提示主要包含以下组成部分：

• 指令 - 您想让模型执行的具体任务或指令
• 上下文 - 可以涉及外部信息或附加上下文，可以引导模型做出更好的响应
• 输入数据 - 是我们有兴趣找到响应的输入或问题
• 输出指示 - 表示输出的类型或格式。

并非所有组成部分都是提示所必需的，格式取决于手头的任务。我们将在后面发布的指南中涉及更多具体的示例。

提示词的通用设计技巧

指令

通过使用指令来指导模型进行各种简单任务的设计，例如“写入”、“分类”、“总结”、“翻译”、“排序”等。尝试使用不同的指令、关键字、上下文和数据，看看什么对您的特定用例和任务最有效。通常，上下文对于您尝试执行的任务越具体和相关，效果越好。建议将指令放在提示的开头。建议使用一些清晰的分隔符，如“###”，来分隔指令和上下文。

例如：

Prompt:

###指令###  
将下面的文本翻译成西班牙语：  
文本：“嗨！”

Output：

Texto: "¡Hola!"

具体的

我们输入的指示和任务上要非常具体，提示越详细，结果就越好，尤其是我们在要求大模型以特定格式或风格给我们返回内容时。需要注意的是，详细而具体的提示并不是越长越好，因为大模型的输入长度存在一定的限制，要尽量避免一些不是很重要的无用细节。

例如，让我们尝试从一段文本中提取特定信息的简单提示。

Prompt：

提取以下文本中的人物。  

期望格式：  

人物: {"姓名":"","性别":""}  

输入：“姚明（Yao Ming），男，汉族，无党派人士，1980年9月12日出生于上海市徐汇区，祖籍江苏省苏州市，前中国职业篮球运动员，司职中锋，现任亚洲篮球联合会主席、中国篮球协会主席、中职联公司董事长兼总经理、十三届全国青联副主席，改革先锋奖章获得者，第十四届全国人大代表。”

Output:

人物: {"姓名":"姚明","性别":"男"}

Few-Shot提示

大语言模型经过大量的数据训练和指令微调，具备了强大的语义分析能力和推理能力。但在处理更复杂的任务时，推理能力仍然表现不足。为了改进这一点，few-shot prompt被用作一种技术，以实现上下文学习，在Prompt中提供演示，以引导模型获得更好的性能。

例如，任务是在一个句子中正确使用一个新词。

Prompt:

示例1:
生物名: 翼火龙
特征: 生活在火山地带，拥有火焰吐息能力，翅膀覆盖着耐高温的鳞片。
分类: 火元素生物

示例2:
生物名: 水灵狐
特征: 居住在深林的溪流旁，能够操控水流，毛发闪耀着水珠般的光泽。
分类: 水元素生物

请根据同样的模式，对以下生物进行分类：
生物名: 光羽兽
特征: 栖息于云之彼端，身体轻盈透明，背上生有能折射阳光形成彩虹的羽毛，以光线为食。

Output:

分类: 光元素生物

我们可以清楚地观察到，模型通过仅提供一个示例（即1-shot）学会了如何执行任务。对于更困难的任务，我们可以尝试增加演示次数（例如3-shot、5-shot、10-shot等）。

CoT思维链

标准的 Few-shot Promp 技术对于许多任务来说表现良好，但在处理更复杂的推理任务时仍然不够完美。当零次提示和少次提示不足时，这可能意味着模型所学到的不足以胜任任务。

所有的推理任务我们都可以给它拆分成几个步骤。换句话说，如果我们将问题分解成步骤，并向模型演示，可能会有所帮助。CoT思维链技术通过中间推理步骤实现复杂的推理能力。您可以将其与 Few-shot Prompting 结合使用，以在需要推理后响应的更复杂任务中获得更好的结果。

例如：
Prompt:

这组数中的奇数加起来是一个偶数：4、8、9、15、12、2、1。
A：将所有奇数相加（9、15、1），得到25。答案是 False。

这组数中的奇数加起来是一个偶数：15、32、5、13、82、7、1。
A:

Output:

这组数中的奇数加起来是一个偶数：15、32、5、13、82、7、1。
A：答案是 False。因为将所有奇数相加（15、5、13、7、1），得到41，是一个奇数，不是偶数。

Zero-Shot CoT

最近提出的一个新思路是Zero-Shot CoT，其基本思想就是将“让我们一步步思考”添加到提示中。让我们尝试一个简单的问题，看看模型的表现如何：

Prompt:

我去市场买了10个苹果。我给了邻居2个苹果和给修理工2个苹果。然后我又去买了5个苹果，并吃了1个。我还剩下多少苹果？

Output:

我去市场买了10个苹果。我给了邻居2个苹果和给修理工2个苹果。然后我又去买了5个苹果，并吃了1个。我还剩下6个苹果。

答案是不正确的！现在让我们试试特殊提示的方式。
Prompt:

我去市场买了10个苹果。我给了邻居2个苹果和给修理工2个苹果。然后我又去买了5个苹果，并吃了1个。我还剩下多少苹果？

让我们一步步思考。

Output:

好的，让我们逐步解决这个问题。

我去市场买了10个苹果。

剩余苹果数：10个。

我给了邻居2个苹果和给修理工2个苹果。

剩余苹果数：6个。

然后我又去买了5个苹果。

剩余苹果数：11个。

并吃了1个。

剩余苹果数：10个。

所以，最后我还剩下10个苹果。

实际上，这个简单的提示在这个任务上非常有效，令人印象深刻。这在您没有太多示例可用于提示的情况下特别有用。

Text2SQL提示词

以Text2QSL的具体任务为例：

【系统提示词】：你是一个IT开发工程师。在这个任务中，你的目标是将自然语言问题转换为有效的SQL查询语句。请仔细分析问题，逐步推理出所需的数据库表格、列名、以及
             必要的SQL操作（如SELECT, FROM, WHERE, JOIN等），并确保遵循SQL语法规范。
【COT思维链】：当你处理每个问题时，想象你在心中逐步构建SQL查询的过程。
             1、首先，先确定查询的目标是什么（即SELECT部分）；
             2、然后，考虑从哪个表获取这些信息（FROM部分），以及是否有任何特定条件需要过滤结果（WHERE部分）；
             3、如果涉及到多个表的关联，请明确它们之间的连接条件。
【表结构信息】：{
                  CREATE TABLE Books (
                              id INT AUTO_INCREMENT PRIMARY KEY COMMENT '主键',
                              title VARCHAR(255) NOT NULL COMMENT '图书标题',
                              author VARCHAR(255) NOT NULL COMMENT '图书作者',
                              isbn CHAR(13) UNIQUE NOT NULL COMMENT '图书ISBN号',
                              publication_date DATE NOT NULL COMMENT '出版日期',
                              category VARCHAR(100) NOT NULL COMMENT '图书类别'
                  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT='图书记录';
             };
【样例数据】: {
                  "title": "示例图书",
                  "author": "作者名字",
                  "isbn": "1234567890",
                  "publication_date": "2023-04-01",
                  "category": "小说"
            };
【Few-Shot示例】：[
                      {
                        "提问":"找出所有在2023年出版的书籍。",
                        "响应":"SELECT title FROM Books WHERE year(publication_date) = '2023'"
                      },
                      {
                        "提问":"找出所有在2023年出版的书籍，并按照出版日期排序。",
                        "响应":"SELECT title FROM Books WHERE year(publication_date) = '2023' ORDER BY publication_date"
                      }
                ]
【用户指令】：{question}
【响应格式】：请以SQL代码的形式提供您的答案，确保它直接回答了上述问题，并且遵循正确的SQL语法。

零基础如何学习大模型 AI

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。

⑤AI+零售：智能推荐系统和库存管理优化了用户体验和运营成本。AI可以分析用户行为，提供个性化商品推荐，同时优化库存，减少浪费。

⑥AI+交通：自动驾驶和智能交通管理提升了交通安全和效率。AI技术可以实现车辆自动驾驶，并优化交通信号控制，减少拥堵。

…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。