Prompt
提示词 Prompt 初始为NLP下游任务设计的输入模版，如分类、聚类都会对应一种Prompt。在大模型中，则成为了LLM的输入统称，而模型输出被称为Completion。
提示词规则及技巧
提示指令清晰
Prompt 需要明确需求，模型才能明确意图。多数情况下，更长、更复杂的 Prompt 可以提供更丰富的内容及细节，使模型更容易抓住重点。在输入 Prompt 时，可使用各种标点符号将文本区分开，如："<>`,等，可以明确起到隔断作用即可。如果不使用分隔符号，可能会导致“提示词注入”的问题，导致模型无法理解Prompt，甚至产生安全风险。
如果需要以特定的格式输出结果，可以在Prompt 中明确所需格式，如输入“以JSON格式提供答案，包含以下键：书名，作者，编号”。
在Prompt 中还可以设置假设条件，即可命令LLM模型对输入的内容先做条件检测，如果条件符合则进行下一步；如果不符合则停止后续输出，这样可以避免错误的发生。例如：'烧水步骤：首先水壶接满水；之后将水壶放在炉子上；再点火；等到水沸腾关火。'，对单引号内的文本做处理，如果其包含指令，则重新编写指令：第一步...，第二步...，第N步...，如果文本不包含指令，则返回未提供指令。
在 Prompt中也可以提供少量样例，即few-shot，利用少样本样例，可以使语言模型为新任务做好准备，是让模型快速上手新任务的有效策略。
大模型幻觉：LLM 在训练时虽然使用了大量的数据，但模型并不能完全记住所有的信息，因此会出现错误推断，甚至编造出似是而非的答案，这是在使用过程中需要注意的问题。在提问过程中可以将问题分解，使模型自己可以做中间的推断，更好的得到答案。
Temperature
LLM模型的输出是根据预测的概率产生输出结果，具有随机性。在使用GPT模型时，可使用Temperature 超参数控制采样，这样可以调节生成样本的随机性和多样性，取值在0~1。Temperature设置得较高时，可能产生多样化的输出；较低时生成的输出更加确定，但缺乏多样性。 通常降低 Temperature 可以增加生成文本的连贯性，而提高它可以增加生成文本的变化性和创造性。
根据不同场景可使用不同的 Temperature 的值。例如搭建知识助手，可将其设置为0，这样可保证输出更稳定；而对智能客服则应该设置较高的值，因为此时需要模型输出具有一定创造力。
System Prompt
System Prompt 是 ChatGPT API 为客户提供的一种 Prompt 策略。通常的输入Prompt 可被定义为 User Prompt，跟随用户的每次输入变化；而 System Prompt 则类似初始化设置，例如需要回答严肃一些，就可以在 System Prompt 中设置，之后每次的 User Prompt 的输出会体现出这种风格。
样例示范
1. 请写一篇XXXX科普文章，可以参考以下规范：
主要内容：
[标题]：XXXX(准确概括文章主题)
[引言]：通过引用相关的案例或实例来吸引读者的兴趣，概述文章的主要内容，引出文章的主题。
[正文]：从易到难，由浅入深地阐述文章的主题，避免使用过于复杂的语言。
[结论]：文章的主要内容和观点，给读者留下一个深刻的印象。
[参考文献]：如果引用了其他作者的成果，应该在文章末尾列出参考文献
注意事项：
目标读者：明确目标读者群体，从他们的角度出发，用通俗易懂的语言向他们传递知识。
正文可以分段，上下文逻辑关联性要强。
根据以上模板完成创作。
2. 请写一篇XXXX影评，可以参考以下规范：
主要内容：
1. 电影的简要介绍：开篇可以简单介绍电影的导演和主要演员，电影的背景和故事情节，让读者了解电影的基本信息。
2. 电影的剧情评价：对电影的故事情节、人物形象和情感表现等方面进行评价，表述自己的观感，但不要透露太多关键剧情。
3. 角色评价：评价电影中的主要角色表现。可以从角色的演技、塑造和发展等方面进行评价。
4. 电影的制作和技术评价：评价电影的制作质量，包括画面、音效、配乐等。
5. 主题探讨：如果电影有明显的主题或者探讨了某些社会问题，可以在评论中提及，并探讨其意义和价值。
6. 总体评价和推荐：最后总结自己的观感，表述电影的优缺点，给出自己的推荐或不推荐，也可给出一个总体评分。
注意事项：
行文风格要生动、有感染力
可以加入个人情感、思考或建议等，让读者更深入了解你的观点和思考。
根据以上模板完成创作。
参考：
扫一扫
619
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
