跟大模型对话时 prompt 越礼貌越容易出好结果吗？为什么？

最新推荐文章于 2024-11-08 14:32:07 发布

大模型芜芜

最新推荐文章于 2024-11-08 14:32:07 发布

阅读量578

点赞数 16

文章标签： prompt 人工智能 transformer 机器人架构深度学习 chatgpt

本文链接：https://blog.csdn.net/weixin_72959097/article/details/142737980

版权

倒不如反过来想，语言模型之所以能模仿人性化行为，根源在于它们是通过学习海量人类语料而训练出来的。

语言模型所体现出的特质，其实就是对人类文明的一种映射与延伸。

之前，有一篇热门研究论文发表题为“质疑 LLaMA-1/2、GPT-3.5/4 只需要原则性指导”。

文章中测试了 26 种不同的提示工程原则，其中之一就是与提示词中使用礼貌语言有关。

研究人员在英语、中文和日语任务中测试了提示中礼貌的影响，在这个过程中为每种语言设计了八个提示模板，从非常礼貌到极其不礼貌。

根据论文中的实验结果，语言模型对于提示语句中的礼貌程度确实有较为明显的反应。

以GPT-3.5在MMLU(大型多任务语言理解基准测试)的英语测试为例。

当提示语句的礼貌程度为最高(8分)时，模型的得分为60.02%，明显高于最低礼貌程度(1分)时的51.93%。类似的情况也发生在中文和日语测试中。

这也验证了语言模型在处理"礼貌"问题时与人类行为的相似性。

换句话说，我们都知道AI能够在理解和生成语言方面做得很好，但是如何让机器更好地理解我们的需求并给出正确的回答呢？

答案就是要用正确、合适的Prompt。

我们可以将Prompt类比与人类交流中的提示或者线索，帮助大语言模型理解开发者的意图，根据线索提供恰当的响应或者输出。

而Prompt工程则是针对不同场景构造prompt，最大程度发挥出大模型的能力。

模型对于相同语义但不同表述的提示词给出了不同答案

当前市场上AI应用产品层出不穷，其实大多数产品都是使用Prompt工程实现的。

打个比方，如果说大模型是交通工具，那Prompt工程就是车票船票，帮助我们到达目的地。

因此，输入的Prompt的质量将极大地影响模型的返回结果的质量和对用户需求的满足程度，即“用户表达的需求越清晰，模型更有可能返回更高质量的结果”。

拆解来看，Prompt = 指令（Instruction）+ 输入数据（Input Data）+ 背景信息（Context) + 输出指示器（Output Indicator）。

这些构成了提示词的核心要素，对于设计有效的AI交互至关重要：

1、指令（Instruction）：指令直接告诉模型用户希望执行的具体任务；
2、输入数据（Input Data）：输入数据是模型需要处理的具体信息；
3、背景信息（Context）：背景信息为模型提供了执行任务所需的环境信息或附加细节；
4、输出指示器（Output Indicator）：输出指示器定义了模型输出的期望类型或格式；

我们需要深入理解大型模型的特性的基础上，提升撰写升撰写Prompt的技能，即准确表达个人需求与任务的能力。

只有兼具这两者，我们才能充分利用这一工具。