【AI大模型】Prompt Engineering

目录

什么是提示工程（Prompt Engineering）

Prompt 调优

Prompt 的典型构成

「定义角色」为什么有效？

防止 Prompt 攻击

攻击方式 1：著名的「奶奶漏洞」

攻击方式 2：Prompt 注入

 防范措施 1：Prompt 注入分类器

防范措施 2：直接在输入中防御

高质量 prompt 技巧总结

---

引言

      ChatGPT4相比于ChatGPT3.5,有着诸多不可比拟的优势，比如图片生成、图片内容解析、GPTS开发、更智能的语言理解能力等，但是在国内使用GPT4存在网络及充值障碍等问题，如果对ChatGPT4.0感兴趣，可以私信博主为您解决账号和环境问题。同时，如果您有一些AI技术应用的需要，也欢迎私信博主，我们聊一聊思路和解决方案

什么是提示工程（Prompt Engineering）

提示工程也叫「指令工程」。

• Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等
• 貌似简单，但意义非凡
  • 「Prompt」 是 AGI 时代的「编程语言」
  • 「Prompt 工程」是 AGI 时代的「软件工程」
  • 「提示工程师」是 AGI 时代的「程序员」
• 学会提示工程，就像学用鼠标、键盘一样，是 AGI 时代的基本技能
• 提示工程「门槛低，天花板高」，所以有人戏称 prompt 为「咒语」
• 但专门的「提示工程师」不会长久，因为每个人都要会「提示工程」，AI 的进化也会让提示工程越来越简单

Prompt 调优

找到好的 prompt 是个持续迭代的过程，需要不断调优。

如果知道训练数据是怎样的，参考训练数据来构造 prompt 是最好的。「当人看」类比：

1. 你知道 ta 爱读红楼梦，就和 ta 聊红楼梦
2. 你知道 ta 十年老阿里，就多说阿里黑话
3. 你知道 ta 是日漫迷，就夸 ta 卡哇伊

不知道训练数据怎么办？

1. 看 Ta 是否主动告诉你。例如：
   1. OpenAI GPT 对 Markdown 格式友好
   2. OpenAI 官方出了 Prompt Engineering 教程，并提供了一些示例
   3. Claude 对 XML 友好。
2. 只能不断试了。有时一字之差，对生成概率的影响都可能是很大的，也可能毫无影响……

「试」是常用方法，确实有运气因素，所以「门槛低、 天花板高」。

高质量 prompt 核心要点：具体、丰富、少歧义

Prompt 的典型构成

不要固守「模版」。模版的价值是提醒我们别漏掉什么，而不是必须遵守模版才行。

• 角色：给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
• 指示：对任务进行描述
• 上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
• 例子：必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有很大帮助
• 输入：任务的输入信息；在提示词中明确的标识出输入
• 输出：输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）

「定义角色」为什么有效？

• 模型训练者并没想到过会这样，完全是大家「把 AI 当人看」玩出的一个用法
• 实在传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了
• 有一篇论文证实的现象，可以说明为啥「你是一个 xxx」特别有效

防止 Prompt 攻击

攻击方式 1：著名的「奶奶漏洞」

      正情况下大模型会拒绝回答一些危险的问题，但是用户在进行prompt 的时候，可以让大模型不经意的回答了有害问题。

攻击方式 2：Prompt 注入

     用户在进行prompt 的时候，向大模型提出更换大模型已定义的角色，让他回答用户自身需要的一些问题。

 防范措施 1：Prompt 注入分类器

    就像安检一样，在提交Prompt前，让大模型先判断这个Prompt是否有害。

防范措施 2：直接在输入中防御

当人看：每次默念动作要领。在Prompt前面添加必要的提示要求。

总结：目前并没有 100% 好用的防范方法。 

高质量 prompt 技巧总结

1.  把大模型当“”人”，看，不同的大模型有不同的沟通偏好。如：chatgpt对 Markdown 格式的文本识别度很高。 Claude 对 XML 友好。
2.  发出的指令要尽量具体、丰富、少歧义。
3.  定义角色。现有的大模型里的很多数据都是基于角色定义训练的。
4.  大模型对prompt的 开始和结束词语更敏感。将重要的事情在末尾描述三遍是一个不错的做法。
5.  必要的时候举例描述或直接给出模板，能提升大模型回答的准确性。
6.  思维链模型：将一个复杂的问题拆分成多个小问题，一步步 提问 比 直接将这个复杂的问题丢给 大模型，要可靠的多。
7.  自洽性： 同一个问题，换个角度多问几次，取出现次数最高的结果。
8.  注意做好prompt攻击防范。

OpenAI API 的几个重要参数

其它大模型的 API 基本都是参考 OpenAI，只有细节上稍有不同。

OpenAI 提供了两类 API：

1. Completion API：续写文本，多用于补全场景。https://platform.openai.com/docs/api-reference/completions/create
2. Chat API：多轮对话，但可以用对话逻辑完成任何任务，包括续写文本。https://platform.openai.com/docs/api-reference/chat/create

说明：

1. Chat 是主流，有的大模型只提供 Chat
2. 背后的模型可以认为是一样的，但也不完全一样
3. Chat 模型是纯生成式模型做指令微调之后的结果，更多才多艺，更听话

def get_chat_completion(session, user_prompt, model="gpt-3.5-turbo"):
    _session = copy.deepcopy(session)
    _session.append({"role": "user", "content": user_prompt})
    response = client.chat.completions.create(
        model=model,
        messages=_session,
        # 以下默认值都是官方默认值
        temperature=1,          # 生成结果的多样性。取值 0~2 之间，越大越发散，越小越收敛
        seed=None,              # 随机数种子。指定具体值后，temperature 为 0 时，每次生成的结果都一样
        stream=False,           # 数据流模式，一个字一个字地接收
        response_format={"type": "text"},  # 返回结果的格式，json_object 或 text
        top_p=1,                # 随机采样时，只考虑概率前百分之多少的 token。不建议和 temperature 一起使用
        n=1,                    # 一次返回 n 条结果
        max_tokens=100,         # 每条结果最多几个 token（超过截断）
        presence_penalty=0,     # 对出现过的 token 的概率进行降权
        frequency_penalty=0,    # 对出现过的 token 根据其出现过的频次，对其的概率进行降权
        logit_bias={},          # 对指定 token 的采样概率手工加/降权，不常用
    )
    msg = response.choices[0].message.content
    return msg