今天给大家分享6个提示词小技巧，通用于各种大语言模型（LLMs），不只是ChatGPT，也包括文心一言或各种开源模型，可以帮助改善输出结果。
技巧1：写下清晰且具体的指令 技巧2：给模型思考时间 技巧3：多次提示 技巧4：引导模型 技巧5：分解任务或提示 技巧6：使用外部工具
技巧1：写下清晰且具体的指令
指定期望的输出格式或输出长度。一种方法是让模型扮演一个角色。例如：
“假装你是一个科技博主。”“用大约两句话回复。” “给我这段文字的总结。这里有我喜欢的总结例子___”
提供例子。例如，这是少样本提示（few shot Prompting）的步骤：
第一个例子（first shot）：给出一个提示和相应的输出（回答）。第二个例子（second shot）：给出第二个提示和输出。 你的提示：给出你实际的提示词。
现在，模型可以按照前两个例子建立的模式来回复。
技巧2：给模型思考时间
模型在立即回应时更容易犯推理错误。
通过要求一系列推理，这促使模型逐步、更谨慎地思考。你可以要求“逐步思考”或者指定具体步骤。这个简单的提示添加非常有效：“一步一步想。”（Think step by step）
例如，如果你要求模型给学生的考试题目打分，你可以这样提示模型：
步骤1：先自己解决这个问题；步骤2：将自己的解决方案与学生的解决方案进行比较； 步骤3：在评估学生解决方案之前完成自己的解决方案计算。
技巧3：多次提示
当准确性最重要（而不是延迟或成本）时，通过不同的提示生成多个响应，然后确定最佳答案。
你可以调整的一些东西包括：
- 温度（temperature）：调节大模型响应的随机性或创造性。更高的温度给出更多样、创造性的回应。更低的温度给出更保守、可预测的回应。
- 样本（shots）：指的是提示中给出的例子数量。零样本（zero-shot）是指不提供例子，单样本（one-shot）是指提供一个例子，等等。
- 提示（Prompt）：更直接或间接地请求解释、进行比较等。
技巧4：引导模型
以下是一些例子：
- 如果输入内容太长，模型可能会提前停止读取。你可以引导模型逐步处理较长的内容，并递归地构建完整的总结。
- 帮助它自我纠正。如果模型一开始就回答错误，就很难自我纠正。“我收到了你关于量子物理的解释，你确定你的答案吗？你能从量子力学的基础知识开始，重新审查并提供一个修正后的答案吗？”
- 不要问有明显倾向的问题。 模型很乐意“取悦”你，所以要引导但要保持提示的开放性，不要在问题中预设答案，比如：
“游戏会导致暴力吗？” （坏问题）“我想了解关子游戏和行为之间关系的研究结果概述，不要带有偏见。”（好问题）
技巧5：分解任务或提示
将复杂任务分解为多个简单任务。这样做的原因是复杂任务的错误率明显要比简单任务高。
“我要去巴黎三天，我需要知道要带什么，最好的餐厅，以及如何乘坐公共交通。”
意图1：去巴黎旅行需要带什么；意图2：推荐巴黎最好的餐厅； 意图3：指导如何在巴黎乘坐公共交通。
AI会分别处理每个意图，为行李打包、用餐和在巴黎出行提供定制化的建议，然后将这些整合成一个全面的回答。
或者，如果子任务是相互关联的：
步骤1：将任务分解成查询。步骤2：将第一个查询的输出输入到下一个查询中。
注意：这也可能会降低成本，因为每一步的成本都会更低。
技巧6：使用外部工具
一般来说，如果一个任务可以通过工具更可靠、高效地完成（相比较大模型），那就将其转移出去，以获得两者的优势。（此条可能不适用于非开发者，普通爱好者可以忽略，但道理就是不要让大模型做不擅长的事情）
以下是一些示例的工具：
- 计算器：大模型在数学方面表现不佳。它们原本的目标是生成token/词语，而不是数字。计算器可以显著提高LLM的数学能力。
- RAG（Retrieval-Augmented Generation，检索增强生成）：将大模型连接到外部知识（公开网络或私有知识库），而不是仅仅从上下文窗口中获取信息。
- 代码执行：使用代码执行或调用外部API来执行和测试模型创建的代码。
- 外部函数：为模型定义函数以编写调用。例如，send_email()、get_current_weather()、get_customers()。在用户端执行这些函数，并将响应返回给模型。
以上，希望对你有帮助。
声明：内容均采集自公开的网站等各类媒体平台，若收录的内容侵犯了您的权益，请联系邮箱，本站将第一时间处理。