優(yōu)秀Prompt的要素:

優(yōu)秀的輸出主要取決于訓(xùn)練數(shù)據(jù)、模型參數(shù)和有效的Prompt。作用用戶(hù)我們只能影響其中一個(gè)因素，那就是Prompt, 以下是構(gòu)成一個(gè)好的Prompt的要素：

1. 清晰簡(jiǎn)明的語(yǔ)言，直截了當(dāng)，沒(méi)有歧義。
2. 為ChatGPT分配的角色，即你希望它在提示中扮演的角色。
3. 你提供的信息和示例，即你的輸入。（ChatGPT可以參考之前的聊天歷史中的信息和示例）
4. 你請(qǐng)求ChatGPT完成的具體任務(wù)，即你期望的輸出。
5. 在收到初始回答后根據(jù)需要進(jìn)行調(diào)整，即迭代，直到獲得期望的輸出。

Prompt Engineering技巧

這個(gè)章節(jié)，我們將探索幾種Prompt技巧，可以用來(lái)優(yōu)化Prompt Engineering，最大化與ChatGPT的交互效果。讓我們深入了解這些技巧，理解它們的重要性。

清晰明確的指令

清晰明確的指令是有效Prompt Engineering的基礎(chǔ)。通過(guò)提供明確的指導(dǎo)，用戶(hù)可以提高ChatGPT回答的質(zhì)量。OpenAI的研究表明，定義清晰的Prompt顯著影響語(yǔ)言模型的性能。

Prompt 1:

Prompt 2:

使用明確的限制條件

在Prompt中加入明確的限制條件可以引導(dǎo)ChatGPT的思考過(guò)程，確保更準(zhǔn)確、有理有據(jù)的回答。限制條件作為額外的指令，可以塑造模型的行為，提高生成輸出的相關(guān)性。

例如，當(dāng)尋求逐步指導(dǎo)時(shí)，加入限制條件，比如“請(qǐng)?zhí)峁┰敿?xì)的、順序的過(guò)程”，有助于ChatGPT生成連貫、易于遵循的指導(dǎo)。OpenAI的研究表明，使用明確的規(guī)則可以獲得更可控、更符合預(yù)期的輸出。

通過(guò)嘗試不同的上下文和示例

上下文在Prompt Engineering中扮演著至關(guān)重要的角色。通過(guò)在Prompt中提供相關(guān)的上下文和示例，用戶(hù)可以增強(qiáng)ChatGPT的理解能力，并引導(dǎo)它生成更準(zhǔn)確、與上下文相關(guān)的回答。

例如，將相關(guān)的上下文融入提示中，在詢(xún)問(wèn)關(guān)于特定主題的信息時(shí)，能夠幫助ChatGPT提供更有見(jiàn)地的答案。

Prompt 1:

Prompt 2:

充滿(mǎn)上下文的Prompt可以引導(dǎo)ChatGPT生成與特定興趣領(lǐng)域相一致的回答。

運(yùn)用 System 1和System 2 問(wèn)題

System 1和System 2 問(wèn)題提供了一個(gè)平衡的Prompt Engineering方法。System 1問(wèn)題引發(fā)快速、本能的回答，而System 2問(wèn)題需要深思熟慮、詳細(xì)的回答。將這兩種類(lèi)型的問(wèn)題結(jié)合起來(lái)，可以為與ChatGPT的交互增添多樣性和深度。

因此，在Prompt Engineering中運(yùn)用System 1和System 2問(wèn)題是一種影響ChatGPT給出回答類(lèi)型的方法。

用戶(hù)可以通過(guò)在Prompt中包含System 1和System 2問(wèn)題，指導(dǎo)ChatGPT生成滿(mǎn)足他們需求的回答?？紤]以下示例來(lái)說(shuō)明這個(gè)概念：

示例：旅行建議AI助手

Prompt： “作為一個(gè)旅游推薦助理，您的目標(biāo)是為用戶(hù)提供個(gè)性化和明智的旅游建議。請(qǐng)使用System 1 和System 2 問(wèn)題來(lái)生成相關(guān)回復(fù)。System 1 問(wèn)題應(yīng)側(cè)重于快速建議，而System 2 問(wèn)題應(yīng)探討建議背后的原因。

System 1 問(wèn)題 “巴黎有哪些熱門(mén)旅游景點(diǎn)？

System 2 問(wèn)題 “你能解釋埃菲爾鐵塔的歷史意義及其建筑特點(diǎn)嗎？

在這個(gè)示例中，System 1問(wèn)題促使ChatGPT快速提供巴黎主要旅游景點(diǎn)的推薦。尋求簡(jiǎn)短旅行行程建議的用戶(hù)將從簡(jiǎn)潔易懂的信息中受益?；卮鹂赡馨ūR浮宮博物館、巴黎圣母院和香榭麗舍大街等景點(diǎn)。

而System 2問(wèn)題鼓勵(lì)ChatGPT探索特定景點(diǎn)的歷史重要性和建筑方面，比如埃菲爾鐵塔。這樣的回答對(duì)于想要更好地了解和深入了解該景點(diǎn)的用戶(hù)非常有幫助?；卮鹂赡馨ㄋ菫?889年世界博覽會(huì)而建的歷史背景，居斯塔夫·埃菲爾的設(shè)計(jì)以及其著名的鐵格子結(jié)構(gòu)。

通過(guò)包含System 1和System 2問(wèn)題，用戶(hù)可以獲得快速的推薦和更詳細(xì)的解釋。這使得旅行建議助理能夠適應(yīng)不同用戶(hù)的口味，提供實(shí)用的建議，同時(shí)也滿(mǎn)足對(duì)景點(diǎn)歷史和建筑特色感興趣的用戶(hù)的好奇心。

控制輸出長(zhǎng)度

控制ChatGPT回答的長(zhǎng)度是快速Prompt Engineering的一個(gè)關(guān)鍵組成部分。它使用戶(hù)能夠控制生成輸出的詳細(xì)程度和長(zhǎng)度?？紤]以下示例，看看如何管理輸出的長(zhǎng)度：

Prompt 1:

Prompt 2:

在這個(gè)回答中，ChatGPT展示了很強(qiáng)的冗長(zhǎng)度，提供了詳細(xì)的逐步食譜。它包含了額外的解釋和建議，幫助用戶(hù)完成烘焙過(guò)程。這種深度對(duì)于那些需要詳細(xì)指導(dǎo)的人來(lái)說(shuō)是合適的，特別是對(duì)于新手烘焙者或喜歡更全面方法的人來(lái)說(shuō)。

這樣，ChatGPT可以適應(yīng)多樣化的用戶(hù)偏好，通過(guò)調(diào)節(jié)回答的冗長(zhǎng)度來(lái)優(yōu)化對(duì)話體驗(yàn)，使聊天機(jī)器人能夠?yàn)橛脩?hù)的需求提供相關(guān)的答案，并加強(qiáng)與用戶(hù)的聯(lián)系。

Prompt Engineering 最佳實(shí)踐

Prompt Engineering是一個(gè)動(dòng)態(tài)的過(guò)程，需要充分的思考和實(shí)驗(yàn)，以獲得最佳結(jié)果。在本節(jié)中，我們將看看Prompt Engineering的最佳實(shí)踐，幫助用戶(hù)在與ChatGPT的交互中獲得最大的收益。讓我們來(lái)了解這些實(shí)踐，并看看它們的效果如何。

持續(xù)測(cè)試和改進(jìn)

有效的Prompt Engineering在很大程度上依賴(lài)于持續(xù)測(cè)試和改進(jìn)。用戶(hù)可以通過(guò)定期Review輸出并相應(yīng)地調(diào)整Prompt來(lái)不斷完善指令，提高ChatGPT回答的質(zhì)量。

迭代 1:

迭代 2:

迭代 3:

意圖與創(chuàng)意之間的平衡

在Prompt Engineering中，平衡用戶(hù)的意圖和模型本身創(chuàng)造力也至關(guān)重要。請(qǐng)看下面的提供寫(xiě)作靈感聊天機(jī)器人，它努力在促進(jìn)創(chuàng)造力的同時(shí)提供適當(dāng)?shù)腜rompt：

ChatGPT通過(guò)平衡匹配用戶(hù)意圖和提升模型創(chuàng)造力，給出了合適的Prompt，鼓勵(lì)想象力，同時(shí)保持與用戶(hù)的寫(xiě)作目標(biāo)一致。

整合外部資源和API

利用外部資源和API是Prompt Engineering中的一項(xiàng)強(qiáng)大技術(shù)，它使得ChatGPT能夠利用額外的信息并增強(qiáng)其回答能力。讓我們通過(guò)一個(gè)示例來(lái)了解如何使用外部資源和API：

示例：天氣信息助理

Prompt: “As a weather information chatbot, harness external resources and APIs to provide accurate and up-to-date weather data to users.”

User query: “Shanghai今天天氣如何?”

這個(gè)聊天機(jī)器人可以與外部的天氣API（比如Weather.com）進(jìn)行整合，從而提供準(zhǔn)確的天氣信息。通過(guò)調(diào)用API，聊天機(jī)器人可以獲取指定地點(diǎn)的實(shí)時(shí)天氣數(shù)據(jù)。

API 集成

import requests

def get_weather(city):
    api_key = "YOUR_API_KEY"
    url = f"https://api.weatherapi.com/v1/current.json?key={api_key}&q={city}"
    response = requests.get(url)
    data = response.json()
return data["current"]["condition"]["text"], data["current"]["temp_c"]

上面的get_weather()函數(shù)演示了與WeatherAPI的集成示例，它返回給定城市的天氣狀況和攝氏溫度。

回答模版：

city = "Shanghai"
weather_condition, temperature = get_weather(city)
response = f"The weather in {city} today is {weather_condition}. The temperature is {temperature}°C."

回答結(jié)果:

“The weather in Shanghai today is partly cloudy. The temperature is 22°C.”

通過(guò)利用外部資源和API，聊天機(jī)器人可以檢索準(zhǔn)確的天氣信息，并將其融入到回答中。這為用戶(hù)提供了適合其指定地點(diǎn)的實(shí)時(shí)天氣更新。

與外部資源和API的集成使得ChatGPT能夠獲取超出其訓(xùn)練數(shù)據(jù)的大量信息，從而為用戶(hù)的查詢(xún)提供更有價(jià)值和可靠的回答。

OpenAI API 示例

OpenAI API允許開(kāi)發(fā)人員將ChatGPT集成到他們的應(yīng)用程序、產(chǎn)品或服務(wù)中。以下是一個(gè)示例，展示了如何使用OpenAI API：

import openai

# Set up your OpenAI API credentials
openai.api_key = 'YOUR_API_KEY'

# Define a function for interacting with ChatGPT
def ask_chatbot(question, chat_history=None):
if chat_history is None:
        chat_history = []

# Format the input for the API call
    input_text = '\n'.join(chat_history + [f'User: {question}'])

# Call the OpenAI API to generate a response
    response = openai.Completion.create(
        engine='text-davinci-003',
        prompt=input_text,
        max_tokens=50,
        temperature=0.7,
        n=1,
        stop=None,
        temperature=0.7
    )

# Extract the generated response from the API response
    answer = response.choices[0].text.strip()

# Append the user's question and the chatbot's answer to the chat history
    chat_history.append(f'User: {question}')
    chat_history.append(f'Chatbot: {answer}')

return answer

# Example usage
chat_history = []
user_question = "What is the capital of France?"
response = ask_chatbot(user_question, chat_history)
print(response)

在這個(gè)示例中，我們定義了ask_chatbot()函數(shù)，它接收用戶(hù)的問(wèn)題和一個(gè)可選的聊天歷史作為輸入。該函數(shù)對(duì)聊天歷史和用戶(hù)問(wèn)題進(jìn)行格式化，然后使用openai.Completion.create()方法向OpenAI API發(fā)起API調(diào)用。

API的響應(yīng)包含來(lái)自ChatGPT生成的回答。我們從響應(yīng)中提取出答案，并將用戶(hù)的問(wèn)題和聊天機(jī)器人的回答添加到聊天歷史中。最后，生成的答案被返回。

借助ChatGPT OpenAI API，開(kāi)發(fā)人員可以將ChatGPT的功能集成到他們的應(yīng)用程序中，使用戶(hù)可以與聊天機(jī)器人進(jìn)行交互，并根據(jù)他們的查詢(xún)接收回答。

避開(kāi)任何偏見(jiàn)和在道德準(zhǔn)則下使用

ChatGPT必須在道德和無(wú)偏見(jiàn)的前提下使用。以下是一個(gè)重要實(shí)例：

示例：AI輔助的求職者篩選

想象一下，有一個(gè)可以使用ChatGPT來(lái)分析面試回答， 并篩選求職者的AI系統(tǒng)。篩選過(guò)程必須是有道德的和沒(méi)有偏見(jiàn)的。

以下步驟可以減少偏見(jiàn)，確保公平性：

1. 訓(xùn)練數(shù)據(jù)多元化：使用各種種族、性別和族裔的數(shù)據(jù)來(lái)優(yōu)化ChatGPT。從一開(kāi)始就解決訓(xùn)練數(shù)據(jù)的偏見(jiàn)是至關(guān)重要的，因?yàn)樗赡軐?dǎo)致偏見(jiàn)。
2. 偏見(jiàn)評(píng)估：定期評(píng)估模型的回答，以人工的方式識(shí)別和減少偏見(jiàn)。使用平衡和平等機(jī)會(huì)來(lái)查看模型的建議是否具備平衡因素（如性別或種族）的影響。進(jìn)行調(diào)整以減少偏見(jiàn)。
3. 透明的準(zhǔn)則：向人類(lèi)審查人員和開(kāi)發(fā)者傳達(dá)系統(tǒng)準(zhǔn)則。這些準(zhǔn)則應(yīng)強(qiáng)調(diào)公正、道德和避免偏見(jiàn)。明確指示在篩選過(guò)程中避免偏袒或歧視特定群體。
4. 人工干預(yù)審查：讓人類(lèi)分析系統(tǒng)的回答。這一步驟有助于發(fā)現(xiàn)任何模型的偏見(jiàn)，并確保人類(lèi)可以考慮上下文并做出公平的決定。
5. 持續(xù)監(jiān)控和反饋：持續(xù)監(jiān)測(cè)系統(tǒng)的性能，并從用戶(hù)和審閱員那里收集反饋。檢查系統(tǒng)輸出是否存在偏見(jiàn)和意外效果。反饋循環(huán)有助于迅速解決問(wèn)題。
6. 多元化的審閱員團(tuán)隊(duì)：確保負(fù)責(zé)審查和優(yōu)化系統(tǒng)輸出的團(tuán)隊(duì)成員來(lái)自不同的背景。多樣化的團(tuán)隊(duì)可以發(fā)現(xiàn)和解決同質(zhì)團(tuán)體可能忽略的偏見(jiàn)。

這些做法有助于AI輔助的求職者篩選系統(tǒng)避免偏見(jiàn)，根據(jù)求職者的技能和資格進(jìn)行評(píng)估。

進(jìn)階的Prompt Engineering策略

Prompt Engineering可以更提升一步，包括創(chuàng)新策略，以進(jìn)一步優(yōu)化ChatGPT的性能和適應(yīng)性。本節(jié)將介紹一些高級(jí)的Prompt Engineering策略，如溫度和Token控制、多輪對(duì)話的提示鏈接、針對(duì)特定領(lǐng)域應(yīng)用的提示修改以及處理混淆或矛盾的用戶(hù)輸入。

Temperature和Token管理

Temperature和Token控制是調(diào)整ChatGPT行為的有效方法。用戶(hù)可以通過(guò)Temperature控制改變生成輸出的隨機(jī)性。較低的Temperature，如0.2，會(huì)產(chǎn)生更加聚焦和確定性的回答，而較高的Temperature，如1.0，會(huì)產(chǎn)生更多變化和探索性的結(jié)果。這個(gè)值也代表了控制模型的創(chuàng)造力和理性。

OpenAI的研究揭示了Temperature控制對(duì)ChatGPT回答多樣性的影響。通過(guò)嘗試不同的Temperature設(shè)置，用戶(hù)可以在提供易懂的答案和將新特性融入生成的回答之間達(dá)到理想的平衡。

Prompt 1:

Prompt 2:

Token控制則需要指定最大Token數(shù)，以限制答案的長(zhǎng)度。這使得用戶(hù)可以控制ChatGPT輸出的冗長(zhǎng)程度，得到簡(jiǎn)潔明了的回答。通過(guò)設(shè)定適當(dāng)?shù)腡oken限制，用戶(hù)可以確保ChatGPT提供與他們期望的回答長(zhǎng)度相對(duì)應(yīng)的答案。

Prompt Chain和多輪對(duì)話

Prompt Chain和多輪對(duì)話可以實(shí)現(xiàn)更加交互式和動(dòng)態(tài)的ChatGPT交流。用戶(hù)可以將多個(gè)Prompt鏈接在一起，形成連續(xù)的對(duì)話流程。每個(gè)提示可以引用之前的輸入或ChatGPT先前的回答，從而實(shí)現(xiàn)豐富上下文的對(duì)話。

通過(guò)使用Prompt Chain，用戶(hù)可以創(chuàng)建更加對(duì)話式的體驗(yàn)，并與ChatGPT進(jìn)行反復(fù)的互動(dòng)。這種技術(shù)適用于需要多步指令或進(jìn)行詳細(xì)討論的任務(wù)。

為特定領(lǐng)域的應(yīng)用調(diào)整Prompt

為特定領(lǐng)域的應(yīng)用調(diào)整Prompt是Prompt Engineering的重要方法。它涉及將Prompt量身定制給特定行業(yè)或領(lǐng)域，以確?；卮鹣嚓P(guān)準(zhǔn)確。讓我們通過(guò)一個(gè)示例來(lái)說(shuō)明如何為特定領(lǐng)域的應(yīng)用調(diào)整Prompt：

示例：醫(yī)療診斷AI助理

提示：“為醫(yī)療診斷AI助理設(shè)計(jì)一個(gè)Prompt，幫助用戶(hù)評(píng)估他們的癥狀并提供初步建議?！?/p>

為醫(yī)療診斷AI助理調(diào)整Prompt需要加入相關(guān)的醫(yī)學(xué)術(shù)語(yǔ)、癥狀和診斷考慮因素。

Prompt：“請(qǐng)描述您的癥狀和醫(yī)療歷史，AI助理將根據(jù)提供的信息提供初步評(píng)估。請(qǐng)注意，此評(píng)估不能替代專(zhuān)業(yè)醫(yī)療建議。如果您遇到醫(yī)療緊急情況，請(qǐng)立即聯(lián)系急救服務(wù)?！?/p>

用戶(hù)：“我頭痛、發(fā)燒和喉嚨痛。”

調(diào)整后的Prompt考慮了用戶(hù)的癥狀，并告知他們?cè)u(píng)估的局限性。AI助理生成的回答可以根據(jù)提供的信息提供初步建議：

回答：“根據(jù)您頭痛、發(fā)燒和喉嚨痛的癥狀，可能表明您患了普通的病毒感染，比如流感，或者可能是喉炎。請(qǐng)咨詢(xún)醫(yī)療專(zhuān)業(yè)人員進(jìn)行確切診斷和適當(dāng)治療非常重要。在此期間，您可以休息，保持水分，服用非處方止痛藥緩解癥狀。如果您的癥狀加劇或持續(xù)，請(qǐng)尋求醫(yī)療救助進(jìn)行進(jìn)一步評(píng)估。”

通過(guò)將Prompt調(diào)整為醫(yī)療診斷AI助理，回答與特定領(lǐng)域的應(yīng)用相符，并提供了初步建議，同時(shí)強(qiáng)調(diào)了專(zhuān)業(yè)醫(yī)療建議的重要性。

模糊處理或解決矛盾的用戶(hù)輸入

Prompt Engineering需要處理一些模糊的概念或矛盾的用戶(hù)輸入。ChatGPT必須仔細(xì)處理此類(lèi)輸入并做出有意義的回答。讓我們通過(guò)一個(gè)示例來(lái)說(shuō)明如何實(shí)現(xiàn)：

示例：餐廳推薦聊天機(jī)器人

Prompt：“作為餐廳推薦聊天機(jī)器人，處理模糊或矛盾的用戶(hù)輸入，以確保準(zhǔn)確和有幫助的回答?！?/p>

用戶(hù)：“我想找一家在城里有素食和牛排選項(xiàng)的餐廳?！?/p>

在這種情況下，用戶(hù)希望有牛排和素食選項(xiàng)。聊天機(jī)器人可以進(jìn)行澄清：

回答：“是的！我很樂(lè)意幫您找到一家餐廳。您更傾向于素食為主的餐廳，還是希望有多種選擇，包括牛排？”

聊天機(jī)器人請(qǐng)求澄清以更好地理解用戶(hù)的請(qǐng)求并提供更準(zhǔn)確的推薦。

用戶(hù)：“我喜歡一家有素食和牛排菜肴的餐廳。”

用戶(hù)明確了他們的偏好后，聊天機(jī)器人可以回答：

回答：“太好了！我推薦“The Grill House”餐廳，因?yàn)樗麄兲峁┧厥澈团Ｈ獠穗?。他們?cè)谪S富的菜單上提供美味的素食和牛肉菜肴。祝您用餐愉快！”

通過(guò)積極與用戶(hù)互動(dòng)并尋求澄清，聊天機(jī)器人處理了初始查詢(xún)的模糊性，理解了用戶(hù)的意愿，并推薦了符合他們要求的餐廳。

處理矛盾的用戶(hù)輸入也是類(lèi)似的。聊天機(jī)器人可以澄清用戶(hù)的目標(biāo)，并在用戶(hù)希望獲得價(jià)格便宜但奢華的餐廳時(shí)

案例：真實(shí)世界中的Prompt Engineering

在實(shí)際應(yīng)用中，Prompt Engineering產(chǎn)生了積極的效果。我們來(lái)看看在不同領(lǐng)域的幾個(gè)Prompt Engineering案例：

客戶(hù)支持聊天機(jī)器人

客戶(hù)支持聊天機(jī)器人提升客戶(hù)服務(wù)和響應(yīng)速度。Prompt Engineering可以提高聊天機(jī)器人的準(zhǔn)確性和效率，增強(qiáng)客戶(hù)體驗(yàn)。

Prompt Engineering幫助聊天機(jī)器人學(xué)習(xí)并回應(yīng)客戶(hù)輸入，使交互更加個(gè)性化和有效。

案例：HubSpot Chatbot Builder，可以預(yù)約會(huì)議、鏈接到KB，并與工單系統(tǒng)集成。

內(nèi)容創(chuàng)作和編輯

內(nèi)容創(chuàng)作和編輯也需要Prompt Engineering。ChatGPT幫助用戶(hù)撰寫(xiě)優(yōu)秀的博客文章、電子郵件和創(chuàng)意作品。

通過(guò)提供具體詳細(xì)的Prompt，用戶(hù)可以幫助ChatGPT開(kāi)發(fā)符合他們風(fēng)格、語(yǔ)調(diào)和目標(biāo)的文本。提示可以提供背景信息、示例或明確的限制，以確保生成的內(nèi)容滿(mǎn)足要求。

OpenAI進(jìn)行了Prompt Engineering的研究，以提高內(nèi)容的連貫性和相關(guān)性，通過(guò)嘗試不同的Prompt和節(jié)省編輯時(shí)間，使用戶(hù)生成更有吸引力和主題相關(guān)的文本。

特定領(lǐng)域知識(shí)檢索

Prompt Engineering可以高效地檢索特定領(lǐng)域的知識(shí)。ChatGPT可以訓(xùn)練大量的特定領(lǐng)域數(shù)據(jù)，以提供準(zhǔn)確和相關(guān)的主題信息。

用戶(hù)可以通過(guò)定制Prompt和添加關(guān)鍵詞或上下文來(lái)引導(dǎo)ChatGPT檢索特定領(lǐng)域的知識(shí)。在醫(yī)療、法律、金融和技術(shù)等行業(yè)，準(zhǔn)確的信息至關(guān)重要。

Prompt Engineering策略促進(jìn)了特定領(lǐng)域知識(shí)的檢索，為用戶(hù)提供準(zhǔn)確和最新的信息。

交互式故事敘述和游戲

Prompt Engineering使交互式故事敘述和游戲變得更加有趣。ChatGPT根據(jù)用戶(hù)的輸入作出回應(yīng)并推動(dòng)故事發(fā)展。

我之前發(fā)了一篇文章在

用戶(hù)可以使用Prompt構(gòu)建沉浸式的故事和游戲，引入故事元素、用戶(hù)選擇或游戲機(jī)制。Prompt Chain和多回合對(duì)話實(shí)現(xiàn)了豐富的敘事和游戲交互。

案例：OpenAI的AI Dungeon展示了Prompt Engineering如何改變交互式故事敘述和游戲。AI Dungeon允許用戶(hù)通過(guò)提示共同參與動(dòng)態(tài)的敘事。

ChatGPT Prompt Engineering對(duì)開(kāi)發(fā)人員的意義

Deep Learning AI最近推出了一門(mén)名為“ChatGPT Prompt Engineering for Developers”的課程，由Isa Fulford和Andrew Ng(吳恩達(dá))主講。

在課程中，他們強(qiáng)調(diào)作為開(kāi)發(fā)人員工具的大語(yǔ)言模型（LLMs）的潛力，利用API調(diào)用LLMs來(lái)進(jìn)行快速軟件應(yīng)用開(kāi)發(fā)，這一點(diǎn)目前還未得到足夠的重視。他們的目標(biāo)是分享有效利用LLMs的可能性和最佳實(shí)踐。課程涵蓋了軟件開(kāi)發(fā)的提示最佳實(shí)踐，以及日常使用案例，如摘要、推理、轉(zhuǎn)換和擴(kuò)展，并演示了如何使用LLM構(gòu)建聊天機(jī)器人。

課程中主要使用OpenAI的ChatGPT模型，特別是GPT 3.5 Turbo，并使用Python（尤其在Jupyter Notebook中）進(jìn)行演示。

以下是一些學(xué)到的內(nèi)容：

兩個(gè)原則：

原則1：寫(xiě)清晰明確的指令

表達(dá)清晰明確的指令至關(guān)重要，可以有效地引導(dǎo)模型，并減少出現(xiàn)無(wú)關(guān)或錯(cuò)誤的回答的可能性。避免將清晰的提示與簡(jiǎn)短的提示混淆，因?yàn)檩^長(zhǎng)的提示通常會(huì)提供更多的清晰度和上下文，從而得到詳細(xì)和相關(guān)的輸出。

• 策略1：使用分隔符來(lái)指示輸入的不同部分，例如三引號(hào)（’’’），三個(gè)反引號(hào)（’*’），三個(gè)短劃線（’ — -’），尖括號(hào)（? ?），或XML標(biāo)簽（?tag? ?/tag?）。分隔符還有助于防止Prompt Injection(提示注入)，即前后矛盾的用戶(hù)指令可能會(huì)誤導(dǎo)模型。

text = f"""
You should express what you want a model to do by \ 
providing instructions that are as clear and \ 
specific as you can possibly make them. \ 
This will guide the model towards the desired output, \ 
and reduce the chances of receiving irrelevant \ 
or incorrect responses. Don't confuse writing a \ 
clear prompt with writing a short prompt. \ 
In many cases, longer prompts provide more clarity \ 
and context for the model, which can lead to \ 
more detailed and relevant outputs.
"""

prompt = f"""
Summarize the text delimited by triple backticks \ 
into a single sentence.
```{text}```
"""

• 策略2：請(qǐng)求結(jié)構(gòu)化輸出，例如HTML或JSON格式，以便更輕松地解析模型的回答。這樣可以使得模型的回答更易于處理和提取信息。

prompt = f"""
Generate a list of three made-up book titles along \ with their authors and genres.
Provide them in JSON format with the following keys: book_id, title, author, genre.
"""
response = get completion (prompt)
print (response)

• 策略3：驗(yàn)證任務(wù)前提是否滿(mǎn)足。首先Prompt模型檢查這些前提條件，并指出任何未滿(mǎn)足的條件，而不需要嘗試完整的任務(wù)完成?？紤]潛在的邊緣情況，確保模型可以適當(dāng)?shù)靥幚硭鼈?，避免出現(xiàn)意外錯(cuò)誤或結(jié)果。這樣可以增加模型的可靠性和魯棒性。

• 策略4：利用few-shot提示，在要求模型執(zhí)行所需任務(wù)之前，提供已成功執(zhí)行任務(wù)的示例。通過(guò)示例，讓模型了解如何處理類(lèi)似的任務(wù)，并為其提供必要的指導(dǎo)。這樣可以加速模型的學(xué)習(xí)和適應(yīng)性，使其更容易理解用戶(hù)的意圖并生成準(zhǔn)確的響應(yīng)。

prompt = f"""
Your task is to answer in a consistent style.

<child>: Teach me about patience.

<grandparent>: The river that carves the deepest \ valley flows from a modest spring; the \ grandest symphony originates from a single note; \ the most intricate tapestry begins with a solitary thread.

<child>: Teach me about resilience.
"""
response = get completion (prompt)
print (response)

原則2：給模型足夠的思考時(shí)間

允許模型有足夠的時(shí)間來(lái)思考和推理問(wèn)題，以防止推理錯(cuò)誤和過(guò)早的結(jié)論。復(fù)雜的任務(wù)可能需要逐步指導(dǎo)或一系列相關(guān)的推理步驟，然后模型才能提供最終的答案。

• 策略1：明確任務(wù)的完成步驟，特別是當(dāng)直接回答困難時(shí)。就像人類(lèi)解決問(wèn)題一樣，要求模型在提供最終解決方案之前進(jìn)行一系列適當(dāng)?shù)耐评聿襟E。這樣可以確保模型在生成答案之前進(jìn)行充分的思考和推理，從而提高其響應(yīng)的準(zhǔn)確性和合理性。

prompt 2 = f"""
Your task is to perform the following actions:
1 - Summarize the following text delimited by <> with 1 sentence.
2 - Translate the summary into French.
3 - List each name in the French summary.
4 - Output a json object that contains the following keys: french_ summary, num names.

Use the following format:
Text: <text to summarize>
Summary: <summary>
Translation: <summary translation>
Names: <list of names in Italian summary>
Output JSON: <ison with summary and num names>

Text: <{text!>
response = get_completion (prompt_2)
print "InCompletion for prompt 2:")
print (response)

• 策略2：指示模型在得出結(jié)論之前找到解決方案。明確地指示模型在提供答案之前進(jìn)行推理和思考通常會(huì)產(chǎn)生更好的結(jié)果。這種方法可以讓模型有足夠的時(shí)間來(lái)處理和得出準(zhǔn)確的響應(yīng)。

通過(guò)遵循這些原則和策略，開(kāi)發(fā)人員可以?xún)?yōu)化他們對(duì)LLM的使用，并在軟件開(kāi)發(fā)中實(shí)現(xiàn)預(yù)期的結(jié)果。這樣可以提高模型的性能和靈活性，從而更好地滿(mǎn)足用戶(hù)的需求。

迭代式Prompt開(kāi)發(fā)：

迭代式Prompt開(kāi)發(fā)的過(guò)程類(lèi)似于編程實(shí)踐。它涉及嘗試不同的方法，根據(jù)需要進(jìn)行改進(jìn)和重試。以下是涉及的步驟：

1. 嘗試一個(gè)解決方案。
2. 分析結(jié)果，找出與預(yù)期結(jié)果不符的地方。
3. 澄清說(shuō)明并給予更多時(shí)間進(jìn)行思考。
4. 使用一批示例來(lái)優(yōu)化Prompt。
5. 重復(fù)這個(gè)過(guò)程。

在課程示例中，教師們提出了一個(gè)案例研究，涉及從產(chǎn)品說(shuō)明書(shū)中生成營(yíng)銷(xiāo)文案。他們通過(guò)在每一步中優(yōu)化Prompt來(lái)迭代式地解決了三個(gè)關(guān)鍵問(wèn)題：

問(wèn)題1：文本過(guò)長(zhǎng) -> 解決方案：將文本限制在最多50個(gè)字以?xún)?nèi)。

問(wèn)題2：關(guān)注不相關(guān)的細(xì)節(jié) -> 解決方案：加入目標(biāo)受眾，比如“描述適用于家具零售商…”

問(wèn)題3：缺少尺寸表 -> 解決方案：將所有內(nèi)容格式化為HTML。

具備的能力：

閱讀總結(jié)：

大型語(yǔ)言模型已被廣泛用于文本摘要。您可以通過(guò)提供具體的Prompt來(lái)請(qǐng)求關(guān)于價(jià)格和價(jià)值的摘要。

prompt = f"""
Your task is to generate a short summary of a product \
review from an ecommerce site to give feedback to the \
pricing deparmtment, responsible for determining the \
price of the product.  

Summarize the review below, delimited by triple 
backticks, in at most 30 words, and focusing on any aspects \
that are relevant to the price and perceived value. 

Review: ```{prod_review}```
"""

而且您還可以編寫(xiě)一個(gè)循環(huán)來(lái)對(duì)多個(gè)文本進(jìn)行總結(jié)：

reviews = [review_1, review_2, review_3, review_4]

for i in range(len(reviews)):
    prompt = f"""
    Your task is to generate a short summary of a product \ 
    review from an ecommerce site. 

    Summarize the review below, delimited by triple \
    backticks in at most 20 words. 

    Review: ```{reviews[i]}```
    """

    response = get_completion(prompt)
print(i, response, "\n")

推理：

大型語(yǔ)言模型可以在沒(méi)有特定訓(xùn)練的情況下推斷出各種方面。它們可以確定情感、情緒，提取產(chǎn)品和公司名稱(chēng)，找出主題等等。

轉(zhuǎn)換：

大型語(yǔ)言模型在文本轉(zhuǎn)換任務(wù)方面表現(xiàn)出色，包括語(yǔ)言翻譯、拼寫(xiě)和語(yǔ)法檢查、語(yǔ)氣調(diào)整以及格式轉(zhuǎn)換。

prompt = f"""
Translate the following text to French and Spanish and English pirate: \
```I want to order a basketball```
"""

response = get completion (prompt)
print response

擴(kuò)展：

大型語(yǔ)言模型可以生成根據(jù)每位客戶(hù)的評(píng)價(jià)定制的個(gè)性化客戶(hù)服務(wù)電子郵件。

prompt = f"""
You are a customer service AI assistant.
Your task is to send an email reply to a valued customer.
Given the customer email delimited by ```,\
Generate a reply to thank the customer for their review.
If the sentiment is positive or neutral, thank them for \
their review.
If the sentiment is negative, apologize and suggest that \
they can reach out to customer service.
Make sure to use specific details from the review.
Write in a concise and professional tone.
Sign the email as `AI customer agent`.
Customer review: ```{review}```
Review sentiment: (sentiment}
"""

response = get completion (prompt, temperature=0.7)
print(response)

開(kāi)發(fā)聊天機(jī)器人：

利用大型語(yǔ)言模型的其中一個(gè)令人著迷的方面是可以輕松創(chuàng)建定制的聊天機(jī)器人。ChatGPT的網(wǎng)頁(yè)界面提供了一個(gè)由強(qiáng)大的語(yǔ)言模型支持的對(duì)話平臺(tái)。然而，真正令人興奮的是利用大型語(yǔ)言模型的能力來(lái)構(gòu)建自己的聊天機(jī)器人，比如用于餐廳的AI客服代理或AI點(diǎn)餐機(jī)器人。

在這個(gè)案例中，我們將這個(gè)聊天機(jī)器人稱(chēng)為“OrderBot”。目標(biāo)是自動(dòng)收集用戶(hù)提示和助手回應(yīng)，以構(gòu)建這個(gè)高效的“OrderBot”。主要步驟是定義一個(gè)實(shí)用函數(shù)。該函數(shù)幫助收集用戶(hù)消息，消除手動(dòng)輸入的需要。從用戶(hù)界面收集的提示然后被添加到一個(gè)名為“context”的列表中。隨后，對(duì)于每一次交互，使用這個(gè)上下文來(lái)調(diào)用模型。

模型的回應(yīng)被加入到上下文中，確保模型和用戶(hù)的消息都被保留，有助于上下文的不斷增長(zhǎng)。這些信息的積累使得模型能夠確定適當(dāng)?shù)男袆?dòng)。

最后，設(shè)置和執(zhí)行用戶(hù)界面來(lái)顯示OrderBot。上下文中包含系統(tǒng)消息，其中包含菜單，它在與語(yǔ)言模型的每次交互中保持一致。隨著更多的交互發(fā)生，上下文不斷發(fā)展，保持全面的對(duì)話記錄。

總結(jié)

Prompt Engineering對(duì)于ChatGPT來(lái)說(shuō)是一個(gè)Game-Changer。通過(guò)掌握這一技巧，您可以塑造和引導(dǎo)語(yǔ)言模型的回應(yīng)，以滿(mǎn)足您的特定需求。

Prompt Engineering的未來(lái)前景一片光明，持續(xù)的研究和合作推動(dòng)著該領(lǐng)域的創(chuàng)新。隨著語(yǔ)言模型的不斷發(fā)展，Prompt Engineering將在發(fā)掘它們的全部潛力方面發(fā)揮關(guān)鍵作用。

ChatGPT的Prompt Engineering開(kāi)啟了無(wú)限的可能性。通過(guò)實(shí)施有效的技巧和探索先進(jìn)的策略，我們可以改變與語(yǔ)言模型的互動(dòng)方式。Prompt Engineering改變了客戶(hù)服務(wù)聊天機(jī)器人、內(nèi)容開(kāi)發(fā)和游戲，促進(jìn)了AI與人類(lèi)的協(xié)作。

FAQ

什么是提Prompt Engineering？

Prompt Engineering是設(shè)計(jì)有效的Prompt和指令，用于將用戶(hù)意圖傳達(dá)給像ChatGPT這樣的語(yǔ)言模型的過(guò)程。它有助于從模型獲取準(zhǔn)確、相關(guān)和有用的響應(yīng)。

為什么Prompt Engineering對(duì)ChatGPT很重要？

Prompt Engineering對(duì)于最大化ChatGPT的效果至關(guān)重要。通過(guò)設(shè)計(jì)精心制作的Prompt，用戶(hù)可以引導(dǎo)模型生成更準(zhǔn)確、相關(guān)的輸出，使其成為各種應(yīng)用的有價(jià)值的工具。

優(yōu)秀的Prompt Engineering技巧有哪些？

優(yōu)秀的Prompt Engineering技巧包括：

• 提供明確和具體的指示
• 使用明確的約束條件
• 嘗試使用上下文和示例
• 利用System 1和System 2問(wèn)題
• 控制輸出的冗長(zhǎng)程度

如何改進(jìn)我的Prompt以獲得更好的效果？

為了改進(jìn)您的Prompt，您可以：

• 進(jìn)行反復(fù)測(cè)試和調(diào)整
• 平衡用戶(hù)意圖和模型創(chuàng)意
• 使用外部資源和API增強(qiáng)ChatGPT的能力
• 確保在提示和輸出中避免偏見(jiàn)

這里還有一個(gè)ChatGPT Prompt Cheat Sheet，可以幫助您編寫(xiě)更好的Prompt。

高級(jí)的Prompt Engineering策略有哪些？

高級(jí)的Prompt Engineering策略包括：

• 通過(guò)控制temperature和token設(shè)置來(lái)調(diào)整隨機(jī)性和響應(yīng)長(zhǎng)度
• 通過(guò)Prompt Chain創(chuàng)建多輪對(duì)話
• 將Prompt調(diào)整為特定領(lǐng)域的應(yīng)用
• 處理模糊概念或前后矛盾的用戶(hù)輸入

后記

感謝您的閱讀， 本文很長(zhǎng)， 我也知道， 您能讀到這里， 說(shuō)明您意識(shí)到Prompt Engineering的重要性， 并希望能掌握它的技巧， 本人不才， 也在學(xué)習(xí)中， 作為一名開(kāi)發(fā)人員， 可能更容易理解和掌握工程的技巧， 例如迭代、鏈?zhǔn)?Chain)和控制參數(shù)。 這邊文章大部分是翻譯自下面這篇文章

https://www.imaginarycloud.com/blog/chatgpt-prompt-engineering/

非常感謝原文作者， 我從中學(xué)習(xí)到了很多， 我也用原文中的很多Prompt的技巧， 來(lái)完成了本文中的一些示例。 如果你想交流Prompt Engineering和Prompt的技巧， 歡迎與我聯(lián)系。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-581845.html

到了這里，關(guān)于面向普通用戶(hù)和開(kāi)發(fā)者的ChatGPT Prompt Engineering 終極指南的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！