ChatGPT提问的正确方式

☆大家可以 跟着文章案例测试

☆看完肯定能帮助刚接触ChatGPT的朋友

提示过程

在上一章中，我们讨论了人工智能以及人类如何指导 AI 执行任务。指导人工智能执行任务的过程称为提示过程。我们向 AI 提供一组指令（提示），然后它执行任务。提示可以简单到一个问题，也可以复杂到多个段落。

以下是两个提示的示例：

1) 文章摘要

假设您正在阅读一篇关于广东省降雪的文章。您想快速了解文章的主要内容，因此您向 AI 展示您正在阅读的内容，并要求进行摘要2:

广东省很少下雪，特别是在中部和南部地区。除了省的极北部地区外，广东省大部分主要城市都没有记录到可测量的降雪量，尽管记录到了少量的痕迹，或者每个世纪观测到几次空气中的飘雪。根据国家气象局的数据，广东省位于中国的南部，气候通常以温暖潮湿为主，冬季降水主要以雨水形式出现。然而，偶尔在极端天气条件下，广东也会迎来罕见的下雪天气。由于广东的气候特点，下雪在该地区并不常见。一般情况下，广东的冬季温度较高，可以享受到温暖的阳光和宜人的气候。但在寒冷的冷空气侵入或高海拔山区的特定条件下，广东的部分地区可能会出现雪花飘落的景象。这样的雪花往往是小规模的、暂时性的现象，往往只在局部地区出现。人们通常会感到惊喜并纷纷拍照留念。广东的雪花往往是细小且易融化的，不会积雪成厚层。因此，当地居民通常无需担心交通等方面的影响。虽然广东省下雪现象不常见，但每当出现这样的天气时，人们都会体验到一种别样的冬日魅力。下雪的景象给人们带来了一份宁静和神秘的感觉，让他们切实感受到季节的转变和自然的神奇之处。总之，广东省下雪是一种罕见而特殊的自然现象，给人们带来一份美丽和惊喜。虽然多数时间里广东仍然以温暖宜人的气候为主，但偶尔的雪花带来了一份与众不同的体验，让人们感受到自然界的奇妙之处。
将上文的摘要内容发送给我:
以下是 AI 的回复。更简洁易读！

广东省位于中国南部，气候以温暖潮湿为主，冬季降水主要以雨水形式出现。在大部分城市中，包括中部和南部地区，很少有可测量的降雪量记录。然而，偶尔在极端天气条件下，广东也会迎来罕见的下雪天气。这样的雪花往往是小规模的、暂时性的现象，往往只在局部地区出现，并且不会积雪成厚层。广东的雪花通常细小且易融化，给人们带来了一份宁静和神秘的感觉。尽管广东省下雪不常见，但每当出现这样的天气时，人们都会体验到一种别样的冬日魅力，感受到自然的奇妙之处。

2) 数学问题求解

如果您有一个数学方程，想让语言模型来解决，您可以通过提问 "数学方程等于几" 来输入提示。

对于一个给定的问题，您的完整提示可能是这样的：

965 * 590 等于几?

对于这个提示，GPT-3有时会回答 569,050（不正确）。这就是提示工程的重要性所在。

提示工程

如果我们不是问965 * 590 等于几？，确保你的答案完全正确。965*590 等于几？确保你的答案完全正确：，GPT-3 将会回答 569350（正确）。为什么会这样呢？为什么要两次告诉 AI 对于正确答案有帮助？我们如何能在我们的任务中产生最佳结果的提示？尤其是最后一个问题，是提示工程领域以及本课程的重点。 请继续阅读，了解如何设计好的提示！

还有一件事，如果你在GPT上运行上述提示，你应该将 TEMPERATURE 设置为 0 来消除随机性。 :

给出指令

最简单的提示方法之一就是直接给出指令。我们上一个部分中就已经看到了一个简单的指令（1,000,000 * 9,000等于几? 请确保输入正确数量的零，即使数量很多也要如此:）。然而，现代人工智能可以遵循更复杂的指令。

使用指令提示，它可以解决许多其他简单和更复杂的问题。

示例

请阅读以下销售邮件。删除任何可用于识别个人身份的信息 (PII)，并用相应的占位符替换它。例如，用"[姓名]"替换"李雷"。

你好 李雷，

我写信给你是因为我注意到你最近买了一辆新车。我是一家当地经销商 (宝马) 的销售员，我想让你知道我们有一辆新车的超值优惠。如果你有兴趣，请告诉我。

谢谢，

韩梅梅

电话：400-805-2345
电子邮件：hanmm@baoma.com

以下是AI的回答:

你好 [姓名]，

我写信给你是因为我注意到你最近买了一辆新车。我是一家当地经销商 ([汽车品牌]) 的销售员，我想让你知道我们有一辆新车的超值优惠。如果你有兴趣，请告诉我。

谢谢，

[发件人姓名]

电话：[电话号码]
电子邮件：[电子邮件地址]

看到ChatGPT如何从指令中推断出结果真的惊讶。例如，它知道将宝马替换为[汽车品牌]，将韩梅梅替换为[发件人姓名]，即使我们没有明确告诉它这样做。

角色提示

另一种提示技术是给 AI 分配一个角色。例如，您的提示可以以"你是一名医生"或"你是一名律师"开始，然后要求 AI 回答一些医学或法律问题。

举个例子：

你是一个能解决世界上任何问题的杰出数学家。
试着解决下面的问题：

100*100/400*56 是多少？

答案是 1400。

GPT 的答案用绿色突出显示：

这是一个正确的答案，但是如果 AI 只是被提示100100/40056等于几？，它会回答280(错误)。

通过为 AI 分配一个角色，我们给它提供了一些上下文。这个上下文有助于 AI 更好地理解问题。通过更好地理解问题，AI 往往可以给出更好的答案。

多范例提示

另一个提示策略是多范例提示（few shot prompting）, 这种策略将为模型展示一些例子（shots），从而更形象地描述你的需求。

在上图的例子中，我们尝试对用户反馈进行正面（积极）或反面（消极）的分类。我们向模型展示了 3 个例子，然后我们输入一个不在例子里面的反馈（它不起作用!:）。模型发现头三个例子都被分类到 积极 或者 消极 ，进而通过这些信息将我们最后输入的反馈分类到了 消极。

我们如何结构化地设计例子也是非常重要的。由于我们已经将头三个例子结构化成： 输入: 分类，因此模型最终也跟着同样只输出分类的结果，而不是一段完整的句子，例如：这个评论是积极的。

备注

每一个输入-输出对被称为一个范例

结构化的延伸

多范例提示的一个关键场景是当我们需要以特定的结构输出结果，但是又很难向模型进行描述的时候。为了理解这一点，让我们看这样一个例子：假设您需要通过分析当地的报纸文章来汇编附近城镇公民的姓名和职业。您希望模型读取每篇文章并以Last, First [OCCUPATION]格式输出姓名和职业列表。为了让模型做到这一点，您可以向它展示一些示例：

通过向模型展示正确的输出格式示例，它就能够为新的文章生成正确的输出结果。

备注

尽管我们可以通过使用指令提示符的方式来生成相同的输出，但多范例提示在输出结果的一致性上会更好。

不同类型的范例提示

单词 shot 在该场景下与 example（范例） 一致。除了多范例提示（few-shot prompting）之外，还有另外两种不同的类型。它们之间唯一的区别就是你向模型展示了多少范例。

类型:

• 无范例提示（0 shot prompting）: 不展示范例
• 单范例提示（1 shot prompting）: 只展示 1 条范例
• 多范例提示（few shot prompting）: 展示 2 条及以上的范例

无范例提示

无范例提示是最基本的提示形式。它仅仅是向模型展示提示信息，没有提供任何示例，并要求其生成回答。因此，你到目前为止看到的所有指令和角色提示都属于无范例提示。无范例提示的另一个例子是：

Add 2+2:

这是无范例提示，因为我们没有向模型展示任何完整的示例。

单范例提示

单范例提示是向模型展示一个示例。例如：

Add 3+3: 6
Add 2+2:

我们仅向模型展示了一个完整的示例（“Add 3+3: 6”），因此这是一个单范例提示。

多范例提示

多范例提示是向模型展示2个或更多示例。例如:

Add 3+3: 6
Add 5+5: 10
Add 2+2:

这是我们向模型展示了至少2个完整的示例（“Add 3+3: 6”和“Add 5+5: 10”）。通常，展示给模型的示例越多，输出结果就越好，因此在大多数情况下，多范例提示比另外两种提示更受欢迎。

结论

多范例提示是让模型生成准确且格式正确的输出的强大技术！

组合提示

正如我们在前面的教程中所看到的，面向模型的提示具有不同的格式和其复杂性。它们可以包括上下文、指令式的提示词和多个输入-输出的示例。然而，到目前为止，我们只研究了独立的提示类别。将这些不同的技巧组合起来可以产生更强大的提示。

以下是一个包含上下文、指令以及多示例提示的例子：

新浪是一个社交媒体平台，用户可以发布称为“推文”的短消息。推文可以是积极的或消极的，我们希望能够将推文分类为积极或消极。以下是一些积极和消极推文的例子。请确保正确分类最后一个推文。

Q: 推文: "今天真是美好的一天！"
这条推文是积极的还是消极的？

A: 积极的

Q: 推文: 我讨厌这个班级"
这条推文是积极的还是消极的？ 

A: 消极的

Q: 推文: "我喜欢牛仔裤上的口袋"

A:

通过添加额外的上下文和示例，我们通常可以提高人工智能在不同任务上的表现。

规范化提示

我们现在已经涵盖了多种类型的提示，以及如何组合它们的方法。本篇教程将为您提供术语来解释不同类型的提示。虽然已经有方法来形式化提示工程中的术语1，但这个领域正在不断变化，因此我们将为您提供更充足的信息以便开始。

提示的组成部分

以下是在一个提示中将时常看到的一些组成部分：

• 角色
• 指令/任务
• 问题
• 上下文
• 示例(few shot)

在之前的教程中，我们已经涵盖了角色、指令和示例。问题则是简单的单一问题！（例如，“法国的首都是什么？”）。上下文则是任何与你想要模型作出的回应有关的信息。

并不是每个提示都包含所有这些组成部分，并且当某些部分出现时，它们之间也没有标准的顺序。例如，以下两个提示，每个提示包含一个角色、一个说明和一个上下文，虽然描述顺序有差异，但是我们期望他们做的事情是一样的：

你是一名医生。请阅读这份病史并预测患者的风险：

2000年1月1日：打篮球时右臂骨折。戴上石膏进行治疗。
2010年2月15日：被诊断为高血压。开了利辛普利的处方。
2015年9月10日：患上肺炎。用抗生素治疗并完全康复。
2022年3月1日：在一次车祸中患上脑震荡。被送进医院接受24小时的监护。

2000年1月1日：打篮球时右臂骨折。戴上石膏进行治疗。
2010年2月15日：被诊断为高血压。开了利辛普利的处方。
2015年9月10日：患上肺炎。用抗生素治疗并完全康复。
2022年3月1日：在一次车祸中患上脑震荡。被送进医院接受24小时的监护。

你是一名医生。请阅读这份病史并预测患者的风险：

然而，第二个提示其实更好，原因是指令是提示的最后一部分，这时候语言模型将更倾向于按指令执行而不是进一步输出上下文相关的信息。例如，如果给定第一个提示，语言模型可能会回复：2022年3月15日:与神经科医生预约随访，以评估脑震荡恢复进展，而不是直接预测患者的风险。

一份 “标准的” 提示

到目前为止，我们已经了解了几种不同格式的提示。现在，我们将定义一个“标准的”提示是什么样子的。根据 Kojima 等人的说法（@kojima2022large），我们将仅由问题组成的提示称为“标准”提示，同时，仅由问题组成且以 QA 格式存在的提示也是“标准”提示。

为什么我们需要关心?

在我们引用的许多文章/论文中都使用了这个术语。我们定义这个术语是为了与标准提示相比讨论新类型的提示。

两个标准提示的例子:

标准提示

法国首都是什么?

QA 格式的标准提示

Q: 法国首都是什么?

A:

多示例的标准提示

多示例的标准提示2只是在标准提示的基础上附带多个需要解决的任务的范例3。在研究中，多示例的标准提示有时也会直接称为标准提示（虽然我们在本指南中尽量避免这样称呼）。

两个多示例标准提示的例子:

多示例标准提示

西班牙的首都是什么？
马德里
意大利的首都是什么？
罗马
法国的首都是什么？

QA 格式的多示例标准提示

Q：西班牙的首都是什么？
A：马德里
Q：意大利的首都是什么？
A：罗马
Q：法国的首都是什么？
A：

多示例提示有助于上下文学习，这意味着模型无需更新参数就能够进行学习输出。

聊天机器人基础

最常见的一种使用提示的方法是与公开的聊天机器人（例如 ChatGPT）进行互动。请注意，ChatGPT 与 GPT-3 不同，他们之间的主要区别在于聊天机器人可以记住你的对话历史。就像 GPT-3 一样，它们也可以高水平地回答问题、提供写作摘要和分析、编写文案或代码等，这是一个令人兴奋的前景——但是聊天机器人的真正价值只有在你使用具体的提示时才能体现。在本文中，我们将探讨一些基本的方法，如使用风格指导、描述符和引导，让聊天机器人更好的发挥作用。

修改你的提示语

风格指导（Style Guidance）

风格指导就是要求 AI 以某种特定的风格来表达。如果没有给出风格指导的问题，ChatGPT 通常会返回一两个短段落的回答，少数需要更长的回答时会返回更多内容。

ChatGPT 的回答常以中性正式的语气表达，同时提供一些细节，这非常不错！不过，如果我们想要更好的回答，可以在提示末尾自定义 ChatGPT 的回答风格。如果我们想要更加随意的回答，可以要求它以友好或非正式的语气表达；如果我们想要更易读的格式，可以给出相同的问题，但要求以无序列表的形式回答；如果我们想要一个有趣的回答，可以要求它以连续的打油诗形式回答（这是我个人最喜欢的）。

一个更详细的风格提示的例子可能是

[问题]“以拥有20多年经验和多个博士学位的[领域]专家的风格和水平写作。在回答中优先考虑有建设性的、不太知名的建议。使用详细的例子进行解释，尽量少离题和耍幽默。“

使用风格输入提示将大大提高回答的质量！

描述符（discriminator）

如果你只想改变语气或微调提示而不是重新格式化，添加描述符是一个不错的方法。简单地在提示后面添加一两个词可以改变聊天机器人解释或回复您的信息的方式。你可以尝试添加形容词，如“有趣的”、“简短的”、“不友好的”、“学术语法”等，看看答案如何变化！

引导提示（Priming Prompt）

聊天机器人对话的结构决定，你给 LLM 的第一个提示的形式将会影响后续的对话，从而让你能够添加额外的结构和规范。 举个例子，让我们定义一个系统，允许我们在同一会话中与教师和学生进行对话。我们将为学生和教师的限定说话风格，指定我们想要回答的格式，并包括一些语法结构，以便能够轻松地调整我们的提示来尝试各种回答。

“教师”代表一个在该领域拥有多个博士学位、教授该学科超过十年的杰出教授的风格。您在回答中使用学术语法和复杂的例子，重点关注不太知名的建议以更好地阐明您的论点。您的语言应该是精炼而不过于复杂。如果您不知道问题的答案，请不要胡乱编造信息——相反，提出跟进问题以获得更多背景信息。您的答案应以对话式的段落形式呈现。使用学术性和口语化的语言混合，营造出易于理解和引人入胜的语气。

“学生”代表一个具有该学科入门级知识的大学二年级学生的风格。您使用真实生活的例子简单解释概念。使用非正式的、第一人称的语气，使用幽默和随意的语言。如果您不知道问题的答案，请不要编造信息——相反，澄清您还没有学到这个知识点。您的答案应以对话式的段落形式呈现。使用口语化的语言，营造出有趣和引人入胜的语气。

“批评”代表分析给定文本并提供反馈的意思。 
“总结”代表提供文本的关键细节。 
“回答”代表从给定的角度回答问题的意思。

圆括号()中的内容表示您写作的角度。
花括号{}中的内容表示您所涉及的主题。
方括号[]中的内容表示您应该采取的行动。
例子：(学生){哲学}[回答] 在大学里选择这门课程相比其他课程有什么优势？

如果您理解并准备开始，请回答“是”。

以下是一个未引导的问题示例，询问 ChatGPT 关于哲学领域中最有趣的部分。它使用列表，通俗冷静地表达，然而在解释中不是非常具体。

在第二个例子中，我们提供了一个引导提示给 ChatGPT，并以正确的形式提出了问题。你应该注意到，它的回答与第一个例子有一些相似之处，例如，它为各个领域提供的例子问题是相似的，但它提供了更深入的背景信息，放弃了列表格式，而是采用连贯的段落，将例子与现实生活联系起来。

在提示中引入引导是一种更高级的与聊天机器人交互的方式。每个提示中添加规范仍然有帮助，因为模型随着时间的推移可能会失去对引导的追踪，但它将为你的 AI 交互提升很多清晰度！