数据说话：26 种 AI大模型 prompt 套路，效果比较

最新推荐文章于 2024-10-07 06:31:57 发布

Python编程杰哥

最新推荐文章于 2024-10-07 06:31:57 发布

阅读量966

点赞数 22

文章标签：人工智能 prompt langchain 开源 chatgpt 知识图谱

本文链接：https://blog.csdn.net/xx_nm98/article/details/140831330

版权

01.有哪26种套路

如果你希望得到直接的回答，无需使用礼貌用语如“请”、“谢谢”等。
在提问时，明确你的听众，比如告诉大型语言模型（LLM）你的听众是该领域的专家。
将复杂问题拆分为多个简单问题，逐一解决。
用肯定句式表达需求，比如“做这件事”，而不是“不要做那件事”。
当你需要更深入理解某个主题时，可以这样提问：

-用简单的语言解释[具体话题]。

-像对一个11岁的孩子解释一样，向我解释。

-像对[领域]的新手解释一样，向我解释。

-用简单的英文写[文章/文本/段落]，就像你在向5岁的孩子解释一样。
如果有更好的答案，可以激励性地提出：“如果有更优解，我会奖励xxx”。在提问中使用具体例子。
用具体的例子来提问（即使用几个示例来引导）。
在提问前，使用“###指示###”、“###示例###”或“###问题###”等标签，并用空行分隔不同部分。
使用“你的任务是”或“你必须”等引导词。
使用“你将受到惩罚”等警示性语句。
鼓励自然地回答问题，比如“像人一样自然地回答问题”。
引导思考，比如“一步步来思考”。
确保回答无偏见，避免刻板印象。
让LLM通过提问获取更多信息，比如“从现在起，请你问我问题，直到你有足够的信息…”。
如果你想测试对某个话题的理解，可以说：“教我[定理/话题/规则]，最后进行测试，等我回答后告诉我是否正确，但不要提前给答案。”
为LLM指定角色。
使用分隔符来组织问题。
在问题中重复特定词或短语。
结合链式思维（CoT）和少量示例的提示。
在问题结尾使用输出引导语，提示预期的回答开头。
当需要写详细的文章或段落时，可以说：“请为我写一篇详细的[文章/段落]，内容涉及[话题]，并包含所有必要的信息。”
如果要修改文本而不改变风格，可以说：“请修改用户发送的每个段落，只改进语法和词汇，使其更自然，但保持原有的写作风格，确保正式的段落仍然正式。”
当需要生成跨多个文件的代码时，可以说：“从现在起，每当你生成跨多个文件的代码时，生成一个[编程语言]脚本，自动创建或修改指定的文件以插入生成的代码。”
如果你想用特定的词、短语或句子开始或继续一段文字，可以说：“我提供给你开头部分[歌词/故事/段落/文章…]: [插入词/短语/句子]。请根据提供的词语完成它，并保持一致的流畅性。”
明确指出模型必须遵循的要求，可以是关键词、规则、提示或指令。
当需要写与提供的样本风格相似的文本时，可以说：“请根据提供的段落[/标题/文本/文章/答案]使用相同的语言。”

02.效果对比

在不同尺寸的模型

“回答质量增强：无论是小型（7B）、中型（13B）还是大型语言模型（70B以及GPT-4.5/4），其回答质量均有显著提升。特别是技巧2、5、15、16、25和26，在提升大型模型的表现上尤为突出。技巧14则在所有规模的模型中均显示出显著的改进效果：

鼓励语言模型通过提问来获取更多信息，直到它能够充分回答你的问题。例如，可以这样指示：“从现在开始，你可以通过向我提问来收集信息，直到你能够回答我的问题为止。””

精确度增强：应用这些策略后，各类语言模型的平均精确度提升幅度在20%至40%之间。具体来说，小型和中型模型的精确度提升范围是10%到40%，而大型模型的精确度提升更是超过了40%。在比较精确度方面，所有模型的性能平均提升了超过10%，其中大型模型的提升幅度甚至达到了20%以上。

更细致的的比较

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述