prompt提示词入门与进阶

提示词基础

什么是提示词

提示词是指的是在自然语言处理聊天机器人或者其他与用户互动的应用程序中，用于引导模型生成回复或执行某项任务的初始语句或问题。

它是一种输入AI模型，需要根据输入来生成相应的输出。然后这种输出通常可以是一段文字，语音或者一些其他的形式的数据，其目的其实是为了向用户提供有效的信息或解答。

在具体的实践中提示词可能是一个问题，也可以是关键词，或者是描述性的文字。

提示词的本质

一种与大模型的沟通和表达方式，让大模型更准确理解你的意思，更高效精确地执行。

如何学习好提示词？把大模型当成人来聊天！

那比如我们把大家当成人看，就比如像我们之间或者说朋友和朋友之间，我们相互的沟通和交流过程中，我们能保证说每一句话都是完全百分之百真实的吗？

对待不同的模型，也有不同的态度。像GPT3.5，比如说还有像国产的模型能力稍弱一点，我们把它当成小学生。比如像GPT4，那我们要把他当成大学生。

提示词的价值

1. 提高生成质量

2. 提高准确性

3. 提高相关性

4. 改进交互性

提示词的四个基本元素

1. 模型的角色<角色>

当我们没有定义模型角色的时候，他自我的感觉就是我是万能的。所以万能的就会导致什么，他干啥都不精。所以你问他的问题，他回答的是不精准的，也不精确的，因为它要从海量的数据里面去掏这个数据？所以模型角色它的核心关键点就在于它能把模型的搜索范围或者知识结构的范围缩小。

2. 模型需要做什么<目标>

比如我现在定义GPT的身份是小学数学老师，你现在要给小朋友去出题。告诉他你要干什么，小学数学老师那他能干的事儿也多了，比如批改出题这个什么等等的，还有什么教案等等的，但是你现在告诉他的目标是很精准的目标就是什么。为了出题，你要给小学生去出题。

3. 模型需要做什么<执行方案>

在模型需要做什么事儿，我们要告诉模型它的具体的执行方案了。比如，第一你要从你要出这个小学加减法的题。第二你要出两道题。第三，在出完题之后，你要进行判分。第四，你判完之后，他做错了，你再给他出道题。

4. 模型输出格式<输出格式>

在一些工作或者生活场景，比如撰写文档、回复邮件等，都是有特定的格式要求的。那我们可以告诉模型，你这个格式要该怎么写。如果你只是对话的形式，那么<输出格式>的要求是可有可无的。

提示词的基本原则

1. 表意清晰明确

尽量少用如优秀、好、差劲等比较主观性的标准，这种提示词是不清晰的，也不明确，这样模型就无法给你一个比较满意的答案。

以下是表意清晰明确的四种方法：

1. 使用符号

   核心为强调和分割作用。

2. 结构化输入

   HTML格式、XML格式和JSON格式等。

3. 提示词完备

   尽可能完整地把需求描述清楚

4. 给出示例

   分为输出结构实例和输出风格实例

2. 给模型思考时间

给模型思考时间的两种方法：

1. 任务分步骤进行

   第一步xxx,第二步xxx,第三步xxx。

2. 给模型预留提示时间

   你要认真思考，务必严格按照上述流程一步一步进行执行，不要急于输出内容。

   Take a deep breath and work on this problem step-by-step.

不断迭代优化

分为四步

1. 误差分析
2. 想法整理
3. 实现落地
4. 验证结果

如此不断循环迭代

提示词进阶

引导输出

在提示的末尾包含几个字词或短语，以获得遵循所需形式的模型响应

例如:

你现在是一位佛学大师，给用户解答问题，解答问题时从佛学、心理学、医学三个角度去解答。请以“施主”作为回答的开头。

明确语法

对提示词使用明确的语法（包括标点符号、标题和节标记）有助于传达意向，并且通常使输出更易于分析。

例如:

你现在是一位佛学大师，给用户解答问题。

解答问题时按照

————

佛学：

心理学：

医学：

————

三个角度去解答。请以“施主”作为回答的开头

分解任务

如果任务分解为较小的步骤，模型的性能通常会更好。

例如:

计算50-12+3*2=?

以上试题解答时按照:

第一步:计算50-12的得数

第二步:计算3乘以2的得数

第三步:计算第一步与第二步得数之和的得数

将第三步得数进行输出。

思维链提示

这是分解任务技术的变体。

在这种方法中，不是将一项任务分割成较小的步骤，而是指示模型响应逐步进行，并提出所有涉及的步骤。

这样做可以减少结果的不准确性，并使评估模型更容易响应。

末尾重复提示

模型可能容易受到“近义偏差“的影响，这意味着提示末尾的信息可能比提示开头的信息对输出具有更大的影响。

因此，值得尝试的是，在提示结束使重复指令，并评估你的用例的影响。

元提示

元提示指：可用于指导AI系统的行为和提高系统性能基础提示内容。

我们可以将元提示进行封装，从而形成模块、模板的形式作为我们提示词的基础提示元素。

例如：

我们可以把模型的回复特征如“你必须是友善的，并寻求共同点，尽量不要重复响应”、“只写真实实事”或“不编造信息”等之类基础提示元素的作为元提示。

少样本学习

少样本学习是使语言模型适应新任务的一种非常常见的方法。

在少样本学习中，会在提示中提供一组训练实例，然后要求模型完成一个或多个未完成的实例。

指定输出结构

指定输出结构式非常重要的能力，其是实现模型作为“连接器”的基础。

指定输出结构常用的有两种场景:

1. 一种是基于指定的内容进行整理并结构化输出;
2. 一种是基于用户的需求生成的内容按照指定结构进行输出。
   少样本学习是使语言模型适应新任务的一种非常常见的方法。

在少样本学习中，会在提示中提供一组训练实例，然后要求模型完成一个或多个未完成的实例。

指定输出结构

指定输出结构式非常重要的能力，其是实现模型作为“连接器”的基础。

指定输出结构常用的有两种场景:

1. 一种是基于指定的内容进行整理并结构化输出;
2. 一种是基于用户的需求生成的内容按照指定结构进行输出。