提问的艺术：如何让大模型的回答更精准？

在当今大模型技术迅猛发展的背景下，越来越多的人在工作与生活中开始接触并应用大模型。我们向问答大模型提出问题时，总是希望得到最满意的答案。然而，大模型的回答质量很大程度上取决于我们如何提问。要提高大模型回答的准确性，我们首先需要理解一个关键概念——提示词工程（Prompt Engineering）。

提示词工程就是研究如何构建和调整提示词，从而让大语言模型实现各种符合用户预期的任务的过程。为了使这些模型更准确地理解您的需求，您需要提供清晰的需求描述和相关的背景信息，并明确指出您希望模型完成的具体任务。这类似于与人交流，您可能需要调整您的表达方式，直到模型完全理解您的意图，并能够提供您期望的答案。

提示词工程包括以下关键步骤：

提示词技巧
让我们从一个简单的例子开始，来探讨提示词工程的实际应用：

提示词：请对我的同桌进行评价。

大模型输出：我无法完成这个任务，因为我没有关于您同桌的具体信息。如果您能提供一些具体的场景或例子，我将能够尝试给出回答。

对该问题修改后：

提示词：我的同桌家境富裕，但他在生活中非常低调和节俭，穿的衣服价格仅几十元，导致班上其他同学误以为他家境贫寒。请对我的同桌进行评价。请评价一下我的同桌。

大模型输出：你的同桌展现出了一种非常值得赞赏的生活态度和价值观。在当今社会，物质条件往往被用来衡量一个人的价值和社会地位，但你的同桌却能够超越这种肤浅的标准，选择低调和节俭的生活方式，这体现了他/她的谦逊与节俭以及成熟和独立思考能力。

从上述例子中，我们可以看到，为了使大模型能够按照我们的期望执行任务，作为用户，我们需要不断优化我们的提示词，以构建出有效的指令，从而使大模型能够产生我们期望的输出。现在，让我们来探讨一些构建有效提示词的技巧。

1、增加示例

在提示词中提供少量（通常几个或几十个）示例，也称为少样本提示（Few-Shot Prompting），以帮助模型更好地理解任务要求和期望输出。比如让大模型跟随我们所要求的规范、格式、概念、文法、语气进行输出；或者提供进一步推理的参考，比如让大模型学会数学运算或按照示例方式进行逻辑推理。

以下示例中，我们分别在提示词中增加示例和不增加示例，就会得到以下不同的答案。

提示词：

任务：请根据以下电商评论，判断其情感评价（正面、负面或中性）。

待分类评论：这款产品非常智能，但做工有点粗糙。

大模型输出：

情感评价：中性

提示词：

要求：请根据以下电商评论，判断其情感评价（正面、负面或中性）。

示例1：这款产品外观精美，使用简便。情感评价：正面

示例2：这款产品外观看起来很丑，但是用起来很顺手。情感评价：负面+正面

示例3：这款产品不好不坏。情感评价：中性

待分类评论：这款产品非常智能，但做工有点粗糙。

大模型输出：

情感评价：正面+负面

示例的质量和数量会直接影响回答的结果，增加示例时可选择具有代表性的示例，尽可能覆盖任务的各种角度和情境，尽量使用相似的格式和结构。

2、分配角色

赋予大模型一个具体的角色或身份，可以指定该角色的视角、语言风格、扮演的身份等，用来引导大模型在特定角色视角下生成回答。下面的例子中，让大模型来执行“菜品评价”的任务，是否分配角色会得到不同的回答。

提示词：

请对这道鱼香肉丝进行评价。

大模型输出：

这道鱼香肉丝的口味非常鲜美独特，给我留下了深刻的印象。

提示词：

你是一名美食鉴赏家，请对这道鱼香肉丝进行评价。

大模型输出：

这道鱼香肉丝在外观呈现、香气四溢、口感体验、味道层次以及创意与特色等方面都表现出色。它不仅保留了传统菜肴的精髓，还融入了新的元素和风味，使得这道菜品成为了一道既经典又新颖的美食。无论是家庭聚餐还是商务宴请，这道鱼香肉丝都能成为餐桌上的亮点，为宾主双方带来愉悦的用餐体验。

3、限定输出风格/格式

大语言模型非常善于撰写论文、文章等内容，不过如果我们仅仅简单地告诉大语言模型一些宽泛的提示，大语言模型有可能会生成枯燥、平淡、空洞的内容，这些内容往往与我们期望的结果有较大的出入。下面的例子中，我们通过限定大模型的输出风格，可以得到更符合我们要求的结果。

提示词：

写一篇关于路的文章。

大模型输出：

这是一条再普通不过的路，两旁是常见的树木和零星的野花。路面铺着平凡的石子，日复一日地迎接着行人、车辆。它不急不缓，不宽不窄，静静地躺在那儿，连接着起点与终点。无论是清晨的薄雾，还是黄昏的余晖，这条路都默默地见证着岁月的流逝，承载着人们的日常，平凡而踏实。

提示词：

写一篇关于路的短篇小说，要求叙事风格诙谐幽默。

大模型输出：

张三是个普通的上班族，每天走同一条路去公司，生活平淡无奇。某天，他决定给生活加点料，选择了一条从未走过的路。这条路可真够“别致”，先是遇到了一只穿着背带裤、戴着墨镜的小狗，摇头摆尾地指挥交通，那模样比交警还专业。张三忍住笑，绕道而行。接着，他走进了一个名叫“左右为难”的巷子，巷子里的路标全是指向“东也不是，西也不是”。张三转得头晕眼花，差点以为要困在这里一辈子。正当他准备放弃时，一位大爷骑着辆“飞天扫帚牌”自行车飘过，留下一句：“小伙子，跟着心走就对了！”张三恍然大悟，闭眼一冲，居然走出了巷子，还意外发现了公司旁的美食街。从此，他的生活因这条“奇妙之路”而精彩纷呈。

4、拆解复杂任务

把一个复杂的任务，拆解成多个稍微简单的任务，让大语言模型分步来思考问题，称为思维链（Chain-of-Thought Prompting, CoT）提示，这种方式可让大语言模型像人类一样逐步解释或进行推理。下面展示了标准提示与思维链提示的对比：

提示词：

小明有10颗糖，自己吃了3颗，妈妈又给了5颗，请问小明现在一共有几颗糖。

大模型输出：

小明现在一共有13颗糖。

提示词：

小明有10颗糖，自己吃了3颗，妈妈又给了5颗，请问小明现在一共有几颗糖。请通过思维链CoT的方式来分析。

大模型输出：

从题目中我们知道：初始时，小明有10颗糖。小明吃了3颗糖，那么剩下的糖数量为10 - 3 = 7颗。妈妈又给了小明5颗糖，那么小明现在的糖数量为7 + 5 = 12颗。因此，小明现在一共有12颗糖。

通过上述示例，我们可以观察到，运用思维链分析复杂任务能够带来更精确的结果。这只是一个简单的思维链应用实例。在实际应用大模型时，对于那些需要经过多个分析步骤才能得出结论的问题，我们都可以利用思维链来引导大模型进行深入分析，从而获得更加令人满意的答案。

以上介绍的是我们常用的提示词技巧。需要指出的是，在实际操作中，我们通常会将这些技巧综合运用。例如，在处理需要复杂分析的问题时，我们可以让大模型运用思维链进行回答，并提供类似问题的分析示例，以便获得更精确的结果。希望这些技巧能够帮助提高与大模型的沟通效率，并使大模型更有效地服务于我们的工作和生活。