产品经理AI对话（二）：Prompt不只是一句话

很大程度上，Prompt的结构与内容会对最后模型的输出能力产生极大影响，所以，我们需要做好Prompt的设计。这篇文章里，作者就对Prompt如何构建等问题做了分享，一起来看。

Prompt是什么？简单理解，用户输入给AI模型的一串指令或提示词（Prompt）让模型完成指定任务。前文提到，训练模型的【Pre-train,Prompt,Predict】这个范式，用特定语言的模板（prompt）挖掘预训练模型（Pre-train）的本身能力，因此可以降低语义差异。（其他训练范式请见上个系列）

理所当然的，输入的不同直接决定了输出的质量。Prompt 的结构与内容对最后模型的输出能力有极大影响，要想更好地得到输出，对Prompt的设计必不可少。

一、Prompt有哪些分类

1. Zero-shot

零样本提示，即直接给指令，不举例引导。其实这是最为能证明模型推理能力的情况，也是我们最理想的任务形式，我们让机器人做什么事，它就能直接做了。

例如：在机器没有专门针对进行股市描述分析训练，输出一份股市走势报告。

我们常发现这样的情况模型输出的效果不是很好，因此针对这样的情况，还会进一步补充更多的提示信息过渡。

2. Few-Shot

即提供给模型几个示例，实现上下文学习(ICL – In Context Learning)，引导模型更好地输出任务。其中只提供了一个示例的是One-shot。

例如下图（与豆包对话），在这个Case中给出了两个示例，最后的输出也可以看到依赖了相关输入。

但Few shot仍然具有局限性，特别是对于推理性等复杂任务。

但大家发现，如果将问题分解成步骤，并向模型演示，可能会有所帮助，因此CoT(chain-of thought prompting)成为大家关注的方向，以解决复杂任务（例如算术、推理等）。

3. CoT（Chain of Thought）

简单来讲，为了更好地解决复杂问题，我们需要模型了解中间推导/计算的过程，因此思维链其实是多了中间的推导。但CoT对小模型作用不大，对复杂问题的性能增益更大。（模型参数达到10B有效果，100B效果明显）

1）Zero shot CoT

这种思维链非常的取巧，即不再给模型任何的示例，只是发出指令让它自己“一步步想”。即利用：Let’s think step by step 以及 Therefore,the answer is 等提示得出答案。

例如下图的情况，虽然模型回答错了；

当然如果矫正这个问题，我们可以再给出一些提示，继续给出推导思路 (不属于Zero Shot)；

现在模型已回答正确，那么我们再提问一次，可以看到模型已经学到这样的推导逻辑。

2）Few shot CoT

是ICL（In-context learning)的一种特殊情况，将<Input,Output>扩充为<input,CoT,output>

Few shot CoT是在进行提示的时候，给出一个具体的推导示例，例如：

3）增强的CoT策略：Self- Consistency

这个名字看起来很复杂，翻译也比较复杂，利用自洽性提高语言模型中的思维链推理效果。其实你可以很简单的理解，就是模型通过了多种思维得出了多个结果，最后投票看哪个结果占比最多（可能也有其他维度），最后输出这个投票出来的结果。

例如刚刚的篮子数学题，豆包给了三种解法：

假设现在使用的是Self- Consistency，那么模型内部投票发现有两个结果的答案是4个水果，1个答案是5个水果，按照既定投票规则，最后输出的答案是4，就可以在很大程度上可以提高模型的效果。

针对思维链，行业内也整理了有效思维链的特点：

1. 具有逻辑性，即思维链的逻辑相互连接，形成了一个完整的思考过程
2. 具有全面性：即全面细致地思考问题，这里可以采用MECE法则（独立且穷尽每一个关键步骤）
3. 可行性：每个步骤都可行
4. 可验证性：每个步骤都可验证

二、如何构建Prompt

AIGC产品经理（及人工智能训练师）构建Prompt的能力是核心竞争力之一，Prompt影响最终模型输出，而使用者需要洞察当下产品需求。框架化、结构化组建Prompt可以更好地完成任务。

网上已经有很多介绍如何Prompt的体系和模板，但万变不离其宗，再多维的框架也有基础。针对文本类，我个人比较推荐QCIPSPE框架，大家可以根据不同的需求进行修改。注意，要避免说不做什么，直接说要做什么即可，做直接、具体、精确的输入。

• Q：Question type：问题类型，例如建议、查询、比较等
• C：Capacity and role ：角色
• I：Insight：提供上下文
• P：Priorty:：表明问题中的优先级
• S：Statement：需求澄清
• P：Personality：回答的风格
• E：Experiment：多个答案或者比较

三、Prompt需要避免的问题

• 过于精简的信息：如果BOT能根据缺失信息再触发多轮问询是最好的，但如果BOT不支持，可能就会出现回答过于宽泛或者不准确的问题。如框架所示，附上背景描述或示例参考有助于模型更好的输出。
• 过于修饰的词藻：复杂的语义反而会扰乱模型输出，Prompt简单、直接、完整，即可最高效的得到答复。
• 前后语义互斥：保证指令的准确性，不要将冲突信息放在一起。这里特殊地，尽量要求模型做什么，不要说不可以做什么。

对于生成类对话产品来说，Prompt决定了最后的输出。但是对于垂类场景来说，Prompt是用户对于BOT的指令，用户使用门槛是否过高还需提供框架精简用户输入，是否每个场景都合适生成式引入也需垂类产品考虑。

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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

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

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

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🆓