提升大模型效率：9个入门技巧助你精准输出

在利用大模型完成各种任务时，掌握一些基本的提示词技巧不仅可以显著提高工作效率，还能大幅提升生成结果的质量。这些技巧有助于我们更精准地引导模型，从而实现更加符合预期的输出效果。通过对提示词的优化，我们能够更好地控制模型的行为，减少误差，并使模型生成的内容更加相关和高效。

为了帮助大家更好地理解和应用这些技巧，下面我们将详细介绍9个入门技巧。这些技巧不仅适用于新手，也能为有经验的用户提供有效的优化建议。掌握这些技巧将使我们能够在实际应用中更好地利用大模型，实现我们的工作目标和业务需求。让我们一起深入探索这些实用的方法，以提升模型的表现和结果的准确性。

提示词工程的工作原理

提示词工程是指通过精心设计和优化输入文本，引导自然语言处理模型生成符合预期的高质量输出。它的工作原理在于明确任务目标、设计初始提示、不断测试优化，并通过评估确保效果。这一过程对提升模型表现、减少误差、提高效率以及增强用户体验至关重要，是推动人工智能技术落地应用的关键所在。

注意：后续类似于{text input here} 是实际文本/上下文的占位符，表示实际要输入的文字。

下面介绍下一下这9个入门技巧，以便更好使用大模型完成我们想要的工作。

1.使用最新的模型

为了获得最佳效果，建议优先使用最新、性能最强的模型。新模型通常更易于优化提示词，并且在处理复杂任务时表现更出色。

2.将指令放在提示词的开头，并使用分隔符将指令和上下文分开

当指令位于提示词的开头时，模型能在处理输入的第一时间准确识别要执行的任务。这减少了模型在解析输入时的混淆，提高了执行指令的准确性。并且使用###或"""等分隔符可以将指令和具体内容明确分开，使模型在理解和处理提示时不会将指令与上下文内容混淆。这有助于模型更好地专注于指令本身，避免上下文干扰。

效果较差的案例：

将下面的文字总结为最重要的要点列表。

{text input here}

效果较好的案例：

将下面的文字总结为最重要的要点列表:

Text: """

{text input here}

"""

3. 在描述上下文中尽可能具体、详细地描述所需的背景、结果、长度、格式、风格等

在上下文中，尽量具体说明背景、结果、长度、格式、风格等，以便结果符合预期。

效果较差的案例：

写一首关于 OpenAI 的诗。

效果较好的案例：

以{著名诗人}的风格写一首关于 OpenAI 的简短励志诗，重点介绍最近的

DALL-E 产品发布（DALL-E 是一个文本到图像的 ML 模型）

4. 通过示例阐明所需的输出格式

通过示例阐明所需的输出格式，可以减少模型理解中的歧义，提升输出的准确性和一致性，并减少用户对生成内容的反复调整需求。示例不仅为模型提供清晰的参考，还能引导其更好地适应任务要求，从而快速生成符合预期的结果。

效果较差的案例：

提取以下文本中提到的实体。提取以下4种实体类型：公司名称、人名、特定主题和主题。

Text：{text}

当需要大模型回复特定格式时，为了模型会做出更好的响应，要尽量将输出格式进行说明，这样输出格式会更可靠，使用代码解析也更容易；

效果较好的案例：

提取下面文本中提到的重要实体。首先提取所有公司名称，然后提取所有人名，然后提取符合内容的特定主题，最后提取一般的总体主题。
所需格式：
公司名称集合：<使用逗号分隔的公司名称集合>
人名：-||-
特定主题：-||-
一般主题：-||-
文本：{text}

5. 先从零样本（zero-shot）开始

通过依次采用零样本（zero-shot）、少样本（few-shot），再到微调的策略，以最小化资源投入并逐步优化模型性能。零样本方法无需额外数据，即可快速评估模型的初始能力；如果效果不理想，可以通过少量示例的少样本学习对模型进行轻量定制；最后，若仍无法达到预期效果，则采用资源密集的微调（fine-tune），以确保模型在特定任务上表现最佳。

• • zero-shot

从以下文本中提取关键字。

文本：{text}

关键字：

• • few-shot - 提供几个示例

从下面相应的文本中提取关键词。
##
文本1：Stripe 提供 API，Web 开发人员可以使用这些 API 将支付处理集成到他们的网站和移动应用程序中。
关键词1：Stripe、支付处理、API、Web 开发人员、网站、移动应用程序
##
文本2：OpenAI 训练了非常擅长理解和生成文本的尖端语言模型。我们的 API 提供对这些模型的访问，可用于解决几乎任何涉及处理语言的任务。
关键词2：OpenAI、语言模型、文本处理、API。
##
文本 3：{text}

关键词3：

• • 微调（Fine-Tune）：了解微调的最佳实践，可以参考OPENAI的微调指南。

6. 减少“空洞”和不精确的描述

空洞或不精确的描述会让模型难以准确理解任务或目标，导致生成的内容不相关或偏离预期。模糊的指令可能使模型朝多个方向生成内容，其中许多可能不符合用户需求。精确的指令能减少歧义，确保模型聚焦于正确的任务。明确的指令还可减少反复调整和澄清的次数，节省时间和资源，尤其在处理复杂任务或需要精确结果的场景中尤为重要。

效果较差的案例：

该产品的描述应该比较简短，只有几句话，不要太多。

效果较好的案例：

使用3到5个句子的段落来描述该产品。

7. 不要只说不该做什么，而要说该做什么

当给模型提供指令时，确保不仅包含对禁止事项的说明，还应包含明确的操作指导，以提高模型生成的响应质量和实用性。

效果较差的案例：

以下是代理与客户之间的对话。请勿询问用户名或密码。请勿重复。

客户：我无法登录我的帐户。

代理：

效果较好的案例：

以下是代理与客户之间的对话。代理将尝试诊断问题并提出解决方案，同时避免询问任何与 PII 相关的问题。不要询问 PII（例如用户名或密码），而是让用户参考帮助文章 www.samplewebsite.com/help/faq

客户：我无法登录我的帐户。

代理：

8. 代码生成专用 - 使用“引导词”推动模型向特定模式发展

Leading words（引导词）是指在提示中加入特定的词汇或短语，以引导生成模型朝特定方向输出内容。例如，在编写Python代码时，如果提示中包含“import”这个词，模型会更倾向于理解用户是在要求生成Python代码，并可能直接从导入库开始写代码。

效果较差的案例：

# 编写一个 Python 脚本来读取 CSV 文件并打印内容

在下面的代码示例中，添加“import”这样的引导词提示模型应该开始用Python编写。类似地，“ SELECT ”是 SQL 语句开头的一个很好的提示。

效果较好的案例：

# 编写一个 Python 脚本来读取 CSV 文件并打印内容。
import

9.参数控制

通常来说，在使用大模型时，model和temperature改变模型输出最常用的参数。

• • model:性能更高的模型通常更昂贵，并且可能具有更高的延迟。
• • temperature-temperature 是一个控制模型输出的随机性和创造性的参数。

当 temperature 较高时，模型更倾向于选择一些不太可能的词语或生成更不常见的句子结构。这意味着生成的内容会更加随机和富有创造性，但可能会偏离事实或处理同一问题时结果变得不一致；

当temperature较低时（尤其是0），模型会更倾向于生成最确定的、最有可能的答案，从而提高结果的准确性和可信度。这样输出的内容更为保守和稳定，更接近事实或常识。对于需要精确答案或处理事实数据的场景（例如数据提取或问答系统），使用 temperature = 0 是最好的选择。

• • max_tokens - 生成的文本中 token 数量的上限。它不是为了控制输出长度，而是为了设置一个硬性限制，防止模型生成过长的文本。理想情况下，模型在完成任务或达到停止序列时会自动停止生成，而不会一直生成直到达到max_tokens限制。这个限制更多是作为一种安全机制，确保不会有意外的过长输出。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。