提示词（prompt）工程指南（四）：提示应用

在本指南中，我们将介绍一些高级和有趣的方式，利用提示工程来执行更有用和更高级的任务。

完整的中文版本指南和更丰富的参考资料在 Github 和 Gitee 中，自动持续翻译更新：
🐙 关于提示词工程（prompt）的指南、论文、讲座、笔记本和资源大全

• https://github.com/yunwei37/Prompt-Engineering-Guide-zh-CN
• https://gitee.com/yunwei37/Prompt-Engineering-Guide-zh-CN

目录：

• 提示词（prompt）工程指南（四）：提示应用
  • 生成数据
  • PAL（程序辅助语言模型）
  • Python笔记本

---

生成数据

LLMs有强大的文本生成能力。使用有效的提示策略可以引导模型产生更好、更一致和更准确的回复。LLMs还可以特别有用于生成有用于运行各种实验数据。例如，我们可以使用它生成快速样本以用于情感分类器，就像这样：

提示:

生成10个情感分析例子。将示例归类为积极或消极。生成2个消极的示例和8个积极的示例。使用以下格式进行示例：
问: <句子>
答: <情感>

输出:

问: 我刚刚得到了最好的消息！
答: 积极

问: 我们在工作中得到了加薪！
答: 积极

问: 我为今天所取得的成就感到自豪。
答: 积极

问: 我有史以来过得最好的一天！
答: 积极

问: 我真的很期待周末。
答: 积极

问: 我刚收到了最好的礼物！
答: 积极

问: 我现在非常开心。
答: 积极

问: 我非常幸运能有这样一个神奇的家人。
答: 积极

问: 外面的天气真的很阴暗。
答: 消极

问: 我刚得到了一些可怕的消息。
答: 消极

这非常有用。我们在指南的另一部分中使