看到个很不错的提示词使用技巧,叫 Prompt Chaining。这能大幅提升内容输出质量。它是一种把多个提示词链接起来的结构,英文术语就是 Prompt Chaining。
有篇国人团队写的学术论文专门解释了这个概念
论文地址:https://arxiv.org/html/2406.00507v1。
没耐心看论文的小伙伴,可以看看 AI 的解释。
提示链(Prompt Chaining)是一种生成内容的办法,把多个提示连一块儿,每个提示的输出当下一步提示的输入,形成连贯的生成过程。处理复杂任务很有效,能让模型每一步专注特定子任务。
简单说,就是上一步的提示词和输出结果,当下一步输出的前提条件,像链条一样,整体优化输出效果。
和传统分步式提示词(Stepwise Prompts)的区别:
AI 解释一下:
-
提示链是多个提示连一起,输出依次当输入。 -
形成连续生成过程,适合复杂任务,能生成更详细连贯的内容。
分步式
提示通常线性引导模型,每个提示独立,输出不一定当下一步输入。
可能重复或重新引入之前内容,缺乏连贯性,更适合简单任务或需逐步确认的场景。
看看生成的区别:
同样一个内容主题部分,左边是 Prompt Chaining 生成,右边是 Stepwise Prompts 生成。
不常玩 AI 的可能看不出差别,但常玩 AI 创作的能看出,右边文章结构和用词有浓浓的 AI 味。
很多像“你是一个 xxx,请写一篇 xxx 的文章”这样的垃圾提示词,输出内容就像右边这样。
Prompt Chaining 啥样呢?有个例子。
![alt](https://img-blog.csdnimg.cn/img_convert/231dda47966b553e4612cd3e125ddd66.png)
核心提示词还是那些,只是结构不同,就能提升输出质量。拿来参考或进行内容创作、数据调研都很棒。
我用 AI 生产内容时,也喜欢就主题多步提示、分块调研,还会参考上面的输出结果。
不过我之前不知道这个概念,应用也比较浅。现在可以把这一套框架从理论用到实际中。
以我长期收集整理且真正用在内容生产环境中的提示词框架为例。大部分提示词专注某一项专门任务,不用太复杂,完成环节任务就行。
![alt](https://img-blog.csdnimg.cn/img_convert/47788727acd21436a367c62475c86aa7.png)
用 Perplexity 这类工具时,特定任务的提示词给出的结果有时候才真正能用。
最后把所有输出汇总整理,得到更接近自己想要效果的内容。
而且提示词会根据阅读和使用心得优化更新,比如把 Prompt Chaining 概念整理到我现有的提示词框架中。
有同样想法的小伙伴,可以搜集整理更适合自己的框架,大部分提示词在网上能找到类似的。
最近应用coze的方法,也能达到比这更好的效果。
简单分享,希望对你工作有帮助。That's it.
本文由 mdnice 多平台发布