大模型实践：15个大模型提示工程(prompt)技巧

让我们现在深入探讨一些基本的提示工程技术和策略，以帮助您掌握模型提示。

1. Zero-Shot Prompting

zero-shot prompting 涉及在不向大型语言模型提供任何示例或先前上下文的情况下生成响应。当您需要对基本问题或一般主题快速回答时，该技术非常适合。以下是使用ChatGPT-3.5进行零样本提示的示例:

2. One-Shot Prompting

一次提示是基于用户提供的一个示例或上下文片段提取响应。

为了说明，我们尝试使用ChatGPT-3.5进行这个策略：

3. 信息检索

信息检索提示是将大型语言模型视为搜索引擎。它涉及向生成式人工智能提出非常具体的问题以获得更详细的答案。

由于其数据源，一些大型语言模型在信息检索提示方面表现更好。例如，谷歌的BARD可以访问当前互联网信息，而ChatGPT只知道2021年9月之前发生的事情。

以下是使用BARD进行信息检索提示的示例：

4. 创意写作

构思创意内容提示可以帮助您生成富有想象力的叙述、引人入胜的故事和独特的文本表达，以适应您的受众的兴趣和偏好。

以下是要求GPT-3.5生成式人工智能创意写作的提示示例：

5. 上下文扩展

上下文扩展技术围绕着丰富提供给人工智能的信息，以有效地增强其理解。

编写上下文扩展提示的一种好方法是通过“5W和How”方法，该方法涉及通过询问与主题相关的问题（Who、What、Where、When、Why、How）来扩展查询。

以下是ChatGPT-4如何使用该方法扩展简单陈述的上下文：“锻炼对你的健康有好处”：

6. 特定领域的内容摘要

通过构建精确的指令，可以突出文本中您希望模型优先考虑的元素，确保摘要捕捉到所需关注的核心要点。

假设您有一份关于网站优化技术的综合指南，但您只对移动优化策略感兴趣。在这种情况下，您的提示应该明确指出这一点。

例如：“总结这篇关于网站优化的文章，但只专注于与移动优化相关的策略：[粘贴文章内容]。”

以下是ChatGPT-4如何执行任务的示例：

7. Template Filling

"Template filling"允许您轻松创建多功能但结构化的内容。您可以使用带有占位符的模板，以便在保持格式一致的同时，为不同情况或输入自定义提示。

使用变量和占位符自定义模板

在模板填充中，您可以通过为占位符定义多个变量来进一步自定义生成AI工具的输出。通常，内容经理或Web开发人员使用此策略为他们的网站创建多个自定义的AI生成内容片段。

假设您正在管理一个电子商务网站。在这种情况下，您可能会使用一个标准的模板来描述产品，让AI填充产品名称、特性和价格等字段，以创建每个答案的新描述。

当需要AI生成的内容满足特定的指南或格式时，这种方法非常有益。

另一个实际用例是创建自动化但个性化的电子邮件。动态模板填充确保整体电子邮件结构一致，而特定内容则根据用户信息而有所不同。

例如，让我们看这个提示：“使用模板‘Hello {Name}, Welcome to our {Service}. We’re glad you’re here! {Closing}'生成个性化的欢迎邮件。”

8. 提示重写

提示重写或AI提示定制允许您在保持查询的原始意图的同时，微妙地改变提示的措辞。

它可以鼓励语言模型产生多种回答，以不同的方式回答原始意图。

维护意图的措辞技巧

一种方法是使用同义词或重新表述问题，同时保持主题的一致性。这将产生不同的细微差别，这在您正在寻找各种想法时特别有用。

示例

原始提示 - 有哪些方法可以优化网站的速度快？

重写后的提示 - “你能列出一些改善网站加载时间的技巧吗？”

9. 提示组合

提示组合技术涉及将不同的指令或问题合并到一个单一的、多方面的提示中，以从AI中获得全面的答案。

对于这个教程，让我们以这个提示为例 - “你能解释一下共享主机和VPS主机之间的区别，并推荐哪一个更适合小型电子商务网站吗？”

10. 思维链提示

Chain-of-thought prompting 是一种利用实时 AI 交互来引导工具获得更准确、更全面的答案的技术。

与传统的单一提示不同，您可以提供一系列相关的例子或问题，以完善原始查询。

如何运用思维链提示

思维链提示的关键是将复杂问题或主题分解为更易于管理的小部分。然后，将这些部分作为一连串提示呈现，这些提示相互补充，推动 AI 朝着期望的答案前进。

我们要求ChatGPT-4提供一个思维链提示的例子，以下是它给出的答案：

11. 迭代提示

迭代提示是另一种有效的技术，通过提出后续问题来构建先前的回答。使用它，您可以更深入地探讨一个主题，提取额外的见解，或澄清初始输出中的任何模糊之处。

如何使用迭代提示

迭代提示的关键是注意AI的初始答案。您可以将后续提示框架化为对该答案的特定部分进行详细说明、深入研究子主题或寻求澄清。当您需要收集详细信息时，特别有用。

在自然语言处理（NLP）方面更为熟练的大型语言模型（LLMs）可以熟练处理迭代提示，并以类似人类的方式构建其响应。

以下是使用具有良好NLP能力的Claud AI进行迭代提示的快速示例：

12. 交互式故事讲述和角色扮演

交互式故事讲述和角色扮演与AI合作是一种创造性和引人入胜的方式，可以产生动态内容。

此技术利用了AI根据提示和先前的互动适应其响应的能力，允许流畅且不断发展的叙事。

协作式故事讲述

协作式故事讲述更进一步，让AI实时适应您的输入。它允许您和工具进行来回交流，共同参与故事的发展，创造一个交互式的沉浸式体验。

示例

提示 - 我想开始一次与您合作的协作式故事练习。我们将撰写一个关于魔法存在的幻想故事，但已经被遗忘了很长时间。

这是故事的主要角色和结局目标：

角色：Doraleous，一位年轻的农民，偶然发现了一本古老的咒语书。

目标：利用魔法的力量结束他们所在的森林村庄的饥荒。

13. 隐式信息注入

使用隐式信息注入，您可以巧妙地注入上下文，使AI模型在没有明确告知的情况下理解您的需求。

隐式上下文的策略

当您需要寻求微妙或量身定制的回应时，这种技术特别有用。例如，与其说“以正式的语气写这个”，不如使用像“详细”或“详尽”这样的词汇来引导AI输出更正式的内容。

示例

提示 - 你能给我一些快速提高网站流量的小贴士吗？

14. 带有上下文微妙的语言翻译

多语言内容生成不仅仅是将一种语言的单词转换成另一种语言。通过提示工程，您可以确保AI考虑文化或情境背景，从而获得更准确和微妙的翻译。

使用上下文提高翻译准确性

通过在提示中添加文化或情境提示，您可以引导AI提供适合上下文的翻译。这在商业通信、法律文件或任何需要微妙变化含义的文本中特别有用。

示例

提示 - 将短语“她接过球并带着它跑”从英语翻译成法语，记住这是一个关于接管项目的商务隐喻。

15. 自动化提示工程师

自动化提示工程（APE）是人工智能领域的一个进步，利用新的LLM能力帮助AI自动生成和选择指令。

它将任务转化为一个黑盒子优化问题，使用机器学习算法来启发式地生成和评估候选解决方案。

APE工作流程解释

APE工作流程由五个主要步骤组成：

1. 您给聊天机器人一个特定的任务并展示一些示例。

2. 聊天机器人想出多种完成工作的方法，可以通过直接推理或考虑它已知的类似任务来实现。

3. 然后这些不同的方法在实践中进行测试。

4. 聊天机器人对每个方法的效果进行评分。

5. AI将选择更好的方法并应用它。

在机器学习中的好处和应用

当具备自提示能力时，生成型AI工具可以将任务从基于上下文的数据分析简化为自动化客户服务，无需频繁的人为生成提示。

我们让ChatGPT-4用一个简单的例子来解释APE工作流程：

结论

提示工程是计算机科学中一个新兴的学科，可以彻底改变我们与技术的互动方式。掌握这项技能对于充分发挥LLM的功能至关重要，从简化复杂的数据到执行微妙的语言翻译。

尽管某些语言模型在特定类型的提示方面表现出色，但精心设计的查询可以显著提高任何生成型AI工具的响应质量。

熟练掌握提示工程需要采用迭代思维。这包括持续测试、收集用户洞察、挖掘社区智慧以及适应新的LLM能力。

有效地开发提示从基础技术开始。通过信息检索、上下文增强、摘要、重新框架和迭代提示等方法进行实验，以熟悉语言模型。

如果您知道其他提示策略，请在下面的评论中分享。您的贡献将丰富提示工程师的集体知识，他们阅读了这篇文章。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-

---

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓