提示工程概要

Sout xza

已于 2024-10-31 11:03:39 修改

阅读量643

点赞数 13

分类专栏： NLP 文章标签：人工智能

于 2024-04-05 22:27:13 首次发布

本文链接：https://blog.csdn.net/ooblack/article/details/137411176

版权

7 篇文章 0 订阅

订阅专栏

提示工程

要注意LLM的“幻觉”（hallucination）现象，就是LLM会一本正经的胡说八道，给出一些错误信息，往往这些错误信息难以发觉。

避免手段：要求LLM首先找到相关引用，然后要求它使用这些引用来回答问题

一般来说我们很难一次性就让LLM输出我们想要的内容，我们可以根据当前输出的内容以此基础一步一步迭代出我们想要的内容，大概过程如下

其中，第四步指的是在一些实践中，我们可以用小批量的测试来改进我们的prompts

我们可以很方便的利用LLM来进行一些文字总结、提炼的工作

生成文章摘要
总结，可以带入上下文，让LLM进行更有针对性的总结，例如顾客对某件商品的评价，如果我们是商家，我们可以让LLM更侧重于总结价格之类的情况，而如果我们是快递公司，我们可以让LLM更侧重于总结快递速度之类的情况

情感分析，可以利用LLM进行结构化输出，例如对某件商品的评论区，可以逐条评论进行情感分析来了解多少个好评多少个差评，例如：
```
f'''这是一个商品的评价，请你分析一下这是一条好评还是差评，如果是好评，就输出True，否则输出False，评价如下{msg}'''
```
可以将自己想知道的信息封装为一个json来利用大模型进行结构化输出，例如
关键词总结，下面是一个关键词总结的应用，旨在读取某一段新闻，如果该新闻是关于nasa的，就告警（这个代码不太健壮，因为每种大模型输出可能不太相同，我们可以让它输出JSON格式来增强代码的健壮性）