前言

近期，Meta AI前工程師推出的最強(qiáng)輔助——提示工程師指南在Github上引起了極大的反響。

這份全面指南詳細(xì)列出了提示工程師所需的所有資料，使得他們?cè)陂_發(fā)過程中擁有更多的技巧。這份指南提供的信息十分豐富，覆蓋了從提示技巧使用到提示應(yīng)用等各個(gè)方面，甚至還提供了各種相關(guān)論文、工具和庫(kù)，在短短的時(shí)間內(nèi)就積累了上萬(wàn)顆星標(biāo)，成為了Github上備受關(guān)注的項(xiàng)目之一。

許多提示工程師都對(duì)使用該份指南后的效果感到非常滿意，因?yàn)檫@些提示可以極大地提高他們?cè)谑褂肅hatGPT期間的工作效率。此外，由于目前GPT-4的高昂收費(fèi)以及受限制的每日提交提示數(shù)量，通過學(xué)習(xí)并使用高質(zhì)量的提示不僅可以減少提示數(shù)量，從而生成所需的最終結(jié)果，還能在某種程度上降低使用ChatGPT的總成本。

Introduction 導(dǎo)言

提示工程不僅僅是關(guān)于設(shè)計(jì)和研發(fā)提示詞。它包含了與大語(yǔ)言模型交互和研發(fā)的各種技能和技術(shù)。提示工程在實(shí)現(xiàn)和大語(yǔ)言模型交互、對(duì)接，以及理解大語(yǔ)言模型能力方面都起著重要作用。用戶可以通過提示工程來提高大語(yǔ)言模型的安全性，也可以賦能大語(yǔ)言模型，比如借助專業(yè)領(lǐng)域知識(shí)和外部工具來增強(qiáng)大語(yǔ)言模型能力。

基于對(duì)大語(yǔ)言模型的濃厚興趣，我們編寫了這份全新的提示工程指南，介紹了大語(yǔ)言模型相關(guān)的論文研究、學(xué)習(xí)指南、模型、講座、參考資料、大語(yǔ)言模型能力以及與其他與提示工程相關(guān)的工具。

提示工程簡(jiǎn)介

什么是提示工程

提示工程是一個(gè)較新的學(xué)科，應(yīng)用于開發(fā)和優(yōu)化提示詞（Prompt），幫助用戶有效地將語(yǔ)言模型用于各種應(yīng)用場(chǎng)景和研究領(lǐng)域。掌握了提示工程相關(guān)技能將有助于用戶更好地了解大型語(yǔ)言模型的能力和局限性。研究人員可利用提示工程來提高大語(yǔ)言模型處理復(fù)雜任務(wù)場(chǎng)景的能力，如問答和算術(shù)推理能力。開發(fā)人員可通過提示工程設(shè)計(jì)和研發(fā)出強(qiáng)大的技術(shù)，實(shí)現(xiàn)和大語(yǔ)言模型或其他生態(tài)工具的高效接軌。

本指南介紹了提示詞相關(guān)的基礎(chǔ)知識(shí)，幫助用戶了解如何通過提示詞和大語(yǔ)言模型進(jìn)行交互并提供指導(dǎo)建議。

除非特別說明，本指南默認(rèn)所有示例都是基于 OpenAI 的大語(yǔ)言模型 text-davinci-003 進(jìn)行測(cè)試，并且使用該模型的默認(rèn)配置，如 temperature=0.7 和 top-p=1 等。

大語(yǔ)言模型設(shè)置

使用提示詞時(shí)，您會(huì)通過 API 或直接與大語(yǔ)言模型進(jìn)行交互。你可以通過配置一些參數(shù)以獲得不同的提示結(jié)果。

Temperature：簡(jiǎn)單來說，temperature 的參數(shù)值越小，模型就會(huì)返回最確定的一個(gè)結(jié)果。如果調(diào)高該參數(shù)值，大語(yǔ)言模型可能會(huì)返回更隨機(jī)的結(jié)果，也就是說這可能會(huì)帶來更多樣化或更具創(chuàng)造性的產(chǎn)出。我們目前也在增加其他可能 token 的權(quán)重。在實(shí)際應(yīng)用方面，對(duì)于質(zhì)量保障（QA）等任務(wù)，我們可以設(shè)置更低的 temperature 值，以促使模型基于事實(shí)返回更真實(shí)和簡(jiǎn)潔的結(jié)果。 對(duì)于詩(shī)歌生成或其他創(chuàng)造性任務(wù)，你可以適當(dāng)調(diào)高 temperature 參數(shù)值。

Top_p：同樣，使用 top_p（與 temperature 一起稱為核采樣的技術(shù)），可以用來控制模型返回結(jié)果的真實(shí)性。如果你需要準(zhǔn)確和事實(shí)的答案，就把參數(shù)值調(diào)低。如果你想要更多樣化的答案，就把參數(shù)值調(diào)高一些。

注意：一般建議是改變其中一個(gè)參數(shù)就行，不用兩個(gè)都調(diào)整。

在我們開始一些基礎(chǔ)示例之前，請(qǐng)記住最終生成的結(jié)果可能會(huì)和使用的大語(yǔ)言模型的版本而異。

當(dāng)然除以上兩個(gè)參數(shù)外，ChatGPT還有其它不少參數(shù)也可以設(shè)置，具體可以參考OpenAI官方給到的Completions生成相關(guān)參數(shù)。博主這邊僅再補(bǔ)充兩個(gè)重要參數(shù)：

presence_penalty：介于-2.0和2.0之間的數(shù)字。正值會(huì)根據(jù)新標(biāo)記到目前為止是否出現(xiàn)在文本中來懲罰它們，從而增加模型談?wù)撔轮黝}的可能性。查看有關(guān)presence_penalty的詳細(xì)信息。

frequency_penalty：介于-2.0和2.0之間的數(shù)字。正值會(huì)根據(jù)新標(biāo)記在文本中的現(xiàn)有頻率懲罰新標(biāo)記，從而降低模型逐字重復(fù)同一行的可能性。查看有關(guān)frequency_penalty的詳細(xì)信息。

基礎(chǔ)提示詞

您可以通過簡(jiǎn)單的提示詞（Prompts）獲得大量結(jié)果，但結(jié)果的質(zhì)量與您提供的信息數(shù)量和完善度有關(guān)。一個(gè)提示詞可以包含您傳遞到模型的_指令_或_問題_等信息，也可以包含其他詳細(xì)信息，如_上下文_、_輸入_或_示例_等。您可以通過這些元素來更好地指導(dǎo)模型，并因此獲得更好的結(jié)果。

看下面一個(gè)簡(jiǎn)單的示例：

• 提示詞：

The sky is

• 輸出結(jié)果

blue
The sky is blue on a clear day. On a cloudy day, the sky may be gray or white.

如以上示例，語(yǔ)言模型能夠基于我們給出的上下文內(nèi)容 `“The sky is” 完成續(xù)寫。 而輸出的結(jié)果可能是出人意料的，或遠(yuǎn)高于我們的任務(wù)要求。

基于以上示例，如果想要實(shí)現(xiàn)更具體的目標(biāo)，我們還必須提供更多的背景信息或說明信息。

可以按如下示例試著完善一下：

• 提示詞

完善以下句子:
The sky is

• 輸出結(jié)果

so beautiful today.

結(jié)果是不是要好一些了？本例中，我們告知模型去完善句子，因此輸出的結(jié)果和我們最初的輸入是完全符合的。**提示工程（Prompt Engineering）**就是探討如何設(shè)計(jì)出最佳提示詞，用于指導(dǎo)語(yǔ)言模型幫助我們高效完成某項(xiàng)任務(wù)。

以上示例基本說明了現(xiàn)階段的大語(yǔ)言模型能夠發(fā)揮的功能作用。它們可以用于執(zhí)行各種高級(jí)任務(wù)，如文本概括、數(shù)學(xué)推理、代碼生成等。

提示詞格式

前文中我們還是采取的比較簡(jiǎn)單的提示詞。 標(biāo)準(zhǔn)提示詞應(yīng)該遵循以下格式：

<問題>?

或

<指令>

這種可以被格式化為標(biāo)準(zhǔn)的問答格式，如：

Q: <問題>?
A:

以上的提示方式，也被稱為_零樣本提示（zero-shot prompting）_，即用戶不提供任務(wù)結(jié)果相關(guān)的示范，直接提示語(yǔ)言模型給出任務(wù)相關(guān)的回答。某些大型語(yǔ)言模式有能力實(shí)現(xiàn)零樣本提示，但這也取決于任務(wù)的復(fù)雜度和已有的知識(shí)范圍。

基于以上標(biāo)準(zhǔn)范式，目前業(yè)界普遍使用的還是更高效的_小樣本提示（Few-shot Prompting）_范式，即用戶提供少量的提示范例，如任務(wù)說明等。小樣本提示一般遵循以下格式：

<問題>?
<答案>
<問題>?
<答案>
<問題>?
<答案>
<問題>?

而問答模式即如下：

Q: <問題>?
A: <答案>
Q: <問題>?
A: <答案>
Q: <問題>?
A: <答案>
Q: <問題>?
A:

注意，使用問答模式并不是必須的。你可以根據(jù)任務(wù)需求調(diào)整提示范式。比如，您可以按以下示例執(zhí)行一個(gè)簡(jiǎn)單的分類任務(wù)，并對(duì)任務(wù)做簡(jiǎn)單說明：

• 提示詞

This is awesome! // Positive
This is bad! // Negative
Wow that movie was rad! // Positive
What a horrible show! //

• 輸出結(jié)果

Negative

語(yǔ)言模型可以基于一些說明了解和學(xué)習(xí)某些任務(wù)，而小樣本提示正好可以賦能上下文學(xué)習(xí)能力。

提示詞要素

如果您接觸過大量提示工程相關(guān)的示例和應(yīng)用，您會(huì)注意到提示詞是由一些要素組成的。

提示詞可以包含以下任意要素：

• 指令：想要模型執(zhí)行的特定任務(wù)或指令。

• 上下文：包含外部信息或額外的上下文信息，引導(dǎo)語(yǔ)言模型更好地響應(yīng)。

• 輸入數(shù)據(jù)：用戶輸入的內(nèi)容或問題。

• 輸出指示：指定輸出的類型或格式。

注意，提示詞所需的格式取決于您想要語(yǔ)言模型完成的任務(wù)類型，并非所有以上要素都是必須的。我們會(huì)在后續(xù)的指南中提供更多更具體的示例。

設(shè)計(jì)提示的通用技巧

以下是設(shè)計(jì)提示時(shí)需要記住的一些技巧：

從簡(jiǎn)單開始

在設(shè)計(jì)提示時(shí)，需要記住這是一個(gè)迭代的過程，需要大量的實(shí)驗(yàn)來獲得最佳結(jié)果。使用像OpenAI或Cohere這樣的簡(jiǎn)單平臺(tái)是一個(gè)很好的起點(diǎn)。

您可以從簡(jiǎn)單的提示開始，隨著您的目標(biāo)是獲得更好的結(jié)果，不斷添加更多的元素和上下文。在此過程中對(duì)您的提示進(jìn)行版本控制是至關(guān)重要的。當(dāng)您閱讀本指南時(shí)，您會(huì)看到許多例子，其中具體性、簡(jiǎn)潔性和簡(jiǎn)明性通常會(huì)給您帶來更好的結(jié)果。

當(dāng)您有一個(gè)涉及許多不同子任務(wù)的大任務(wù)時(shí)，您可以嘗試將任務(wù)分解為更簡(jiǎn)單的子任務(wù)，并隨著獲得更好的結(jié)果而不斷構(gòu)建。這避免了在提示設(shè)計(jì)過程中一開始就添加過多的復(fù)雜性。

指令

您可以使用命令來指示模型執(zhí)行各種簡(jiǎn)單任務(wù)，例如“寫入”、“分類”、“總結(jié)”、“翻譯”、“排序”等，從而為各種簡(jiǎn)單任務(wù)設(shè)計(jì)有效的提示。

請(qǐng)記住，您還需要進(jìn)行大量的實(shí)驗(yàn)，以查看哪種方法最有效。嘗試使用不同的關(guān)鍵字、上下文和數(shù)據(jù)嘗試不同的指令，看看哪種方法最適合您的特定用例和任務(wù)。通常情況下，上下文與您要執(zhí)行的任務(wù)越具體和相關(guān)，效果越好。我們將在即將推出的指南中介紹采樣和添加更多上下文的重要性。

其他人建議將指令放在提示的開頭。建議使用一些清晰的分隔符，如“###”，來分隔指令和上下文。

例如：

• 提示詞：

### 指令 ###
將以下文本翻譯成西班牙語(yǔ)：
文本：“hello！”

• 輸出結(jié)果：

?Hola!

具體性

對(duì)您希望模型執(zhí)行的指令和任務(wù)非常具體。提示越具體和詳細(xì)，結(jié)果就越好。當(dāng)您有所期望的結(jié)果或生成樣式時(shí)，這一點(diǎn)尤為重要。沒有特定的令牌或關(guān)鍵字會(huì)導(dǎo)致更好的結(jié)果。更重要的是具有良好的格式和描述性提示。實(shí)際上，在提示中提供示例非常有效，可以以特定格式獲得所需的輸出。

在設(shè)計(jì)提示時(shí)，您還應(yīng)考慮提示的長(zhǎng)度，因?yàn)樘崾镜拈L(zhǎng)度有限制。考慮到您應(yīng)該具體和詳細(xì)的程度是需要考慮的。包含太多不必要的細(xì)節(jié)并不一定是一個(gè)好方法。這些細(xì)節(jié)應(yīng)該是相關(guān)的，并有助于完成手頭的任務(wù)。這是您需要進(jìn)行大量實(shí)驗(yàn)的事情。我們鼓勵(lì)大量實(shí)驗(yàn)和迭代，以優(yōu)化您的應(yīng)用程序的提示。

例如，讓我們嘗試從一段文本中提取特定信息的簡(jiǎn)單提示。

• 提示詞：

提取以下文本中的地名。
所需格式：
地點(diǎn)：<逗號(hào)分隔的公司名稱列表>
輸入：“雖然這些發(fā)展對(duì)研究人員來說是令人鼓舞的，但仍有許多謎團(tuán)。里斯本未知的香帕利莫德中心的神經(jīng)免疫學(xué)家Henrique Veiga-Fernandes說：“我們經(jīng)常在大腦和我們?cè)谥車吹降男Чg有一個(gè)黑匣子?！薄叭绻覀兿朐谥委煴尘跋率褂盟?，我們實(shí)際上需要了解機(jī)制?！薄?/p>

• 輸出結(jié)果：

地點(diǎn)：里斯本未知的香帕利莫德中心

輸入文本來自這篇Nature文章(opens in a new tab)。

避免不精確

在上面關(guān)于詳細(xì)和格式改進(jìn)的提示中，很容易陷入想要過于聰明的提示陷阱，從而可能創(chuàng)建不精確的描述。通常最好是具體和直接。這里的類比非常類似于有效的溝通——越直接，信息傳遞就越有效。

例如，您可能有興趣了解提示工程的概念。您可以嘗試這樣做：

解釋提示工程的概念。保持解釋簡(jiǎn)短，只有幾句話，不要過于描述。

從上面的提示中不清楚要使用多少句話和什么樣的風(fēng)格。您可能仍然可以通過上面的提示獲得良好的響應(yīng)，但更好的提示是非常具體、簡(jiǎn)潔和直接的。例如：

使用2-3句話向高中學(xué)生解釋提示工程的概念。

做還是不做？

設(shè)計(jì)提示時(shí)的另一個(gè)常見技巧是避免說不要做什么，而是說要做什么。這鼓勵(lì)更具體化，并關(guān)注導(dǎo)致模型產(chǎn)生良好響應(yīng)的細(xì)節(jié)。

以下是一個(gè)電影推薦聊天機(jī)器人的示例，因?yàn)槲覍懙闹噶睢P(guān)注于不要做什么，而失敗了。

• 提示詞：

以下是向客戶推薦電影的代理程序。不要詢問興趣。不要詢問個(gè)人信息。
客戶：請(qǐng)根據(jù)我的興趣推薦電影。
代理：

• 輸出結(jié)果：

當(dāng)然，我可以根據(jù)您的興趣推薦電影。您想看什么類型的電影？您喜歡動(dòng)作片、喜劇片、愛情片還是其他類型的電影？

以下是更好的提示：

• 提示詞：

以下是向客戶推薦電影的代理程序。代理負(fù)責(zé)從全球熱門電影中推薦電影。它應(yīng)該避免詢問用戶的偏好并避免詢問個(gè)人信息。如果代理沒有電影推薦，它應(yīng)該回答“抱歉，今天找不到電影推薦?！薄?br> 顧客：請(qǐng)根據(jù)我的興趣推薦一部電影。
客服：

• 輸出結(jié)果：

抱歉，我沒有關(guān)于您興趣的任何信息。不過，這是目前全球熱門的電影列表：[電影列表]。希望您能找到喜歡的電影！

上述示例中的一些內(nèi)容摘自"Best practices for prompt engineering with OpenAI API" article.

提示詞示例

在本節(jié)中，我們會(huì)提供更多示例，介紹如何使用提示詞來完成不同的任務(wù)，并介紹其中涉及的重要概念。通常，學(xué)習(xí)概念的最佳方法是通過示例進(jìn)行學(xué)習(xí)。下面，我們將通過示例介紹說明如何使用精細(xì)的提示詞來執(zhí)行不同類型的任務(wù)。

文本概括

自然語(yǔ)言生成的標(biāo)準(zhǔn)任務(wù)之一是文本概括。文本概括可能涉及到不同的風(fēng)格和領(lǐng)域。事實(shí)上，語(yǔ)言模型最前景的應(yīng)用場(chǎng)景之一就是能夠快速概括出易于理解的文章大意和相關(guān)概念。 我們可以使用提示詞嘗試一個(gè)簡(jiǎn)單的概括任務(wù)。

假設(shè)我想了解抗生素的相關(guān)信息，我可以給出這樣的提示：

• 提示詞

Explain antibiotics
A:

• 輸出結(jié)果

Antibiotics are a type of medication used to treat bacterial infections. They work by either killing the bacteria or preventing them from reproducing, allowing the body’s immune system to fight off the infection. Antibiotics are usually taken orally in the form of pills, capsules, or liquid solutions, or sometimes administered intravenously. They are not effective against viral infections, and using them inappropriately can lead to antibiotic resistance.

在問答形式中，“A:” 是一種明確的提示格式。 在這個(gè)示例中，我用它去提示模型，我想要該概念的進(jìn)一步解釋。 在這個(gè)例子中，我們可能還不清楚使用它是否有用，我們會(huì)在之后的示例中探討這一點(diǎn)。 現(xiàn)在假設(shè)我們感覺模型給了太多的信息，想要進(jìn)一步提煉它。 我們可以指導(dǎo)模型幫我們用一句話總結(jié)相關(guān)內(nèi)容：

• 提示詞

Antibiotics are a type of medication used to treat bacterial infections. They work by either killing the bacteria or preventing them from reproducing, allowing the body’s immune system to fight off the infection. Antibiotics are usually taken orally in the form of pills, capsules, or liquid solutions, or sometimes administered intravenously. They are not effective against viral infections, and using them inappropriately can lead to antibiotic resistance.
Explain the above in one sentence: // 用一句話解釋上面的信息：

• 輸出結(jié)果

Antibiotics are medications used to treat bacterial infections by either killing the bacteria or stopping them from reproducing, but they are not effective against viruses and overuse can lead to antibiotic resistance.

本示例是模型在沒有過多關(guān)注上文輸出內(nèi)容的準(zhǔn)確性的情況下，嘗試用一個(gè)句子來總結(jié)段落內(nèi)容。 關(guān)于上文準(zhǔn)確性，我們可以通過指令或說明進(jìn)一步改善它，這一點(diǎn)我們會(huì)在后續(xù)指南中進(jìn)行探討。 讀到這里，您可以暫時(shí)停住并進(jìn)行實(shí)驗(yàn)，看看是否能獲得更好的結(jié)果。

信息提取

語(yǔ)言模型通過訓(xùn)練不僅可以用于執(zhí)行自然語(yǔ)言生成相關(guān)任務(wù)，還可以用于執(zhí)行文本分類和其他一系列自然語(yǔ)言處理 (NLP) 任務(wù)。

使用以下示例提示詞從指定段落中提取信息：

• 提示詞

Author-contribution statements and acknowledgements in research papers should state clearly and specifically whether, and to what extent, the authors used AI technologies such as ChatGPT in the preparation of their manuscript and analysis. They should also indicate which LLMs were used. This will alert editors and reviewers to scrutinize manuscripts more carefully for potential biases, inaccuracies and improper source crediting. Likewise, scientific journals should be transparent about their use of LLMs, for example when selecting submitted manuscripts.
Mention the large language model based product mentioned in the paragraph above: // 指出上文中提到的大語(yǔ)言模型：

• 輸出結(jié)果

The large language model based product mentioned in the paragraph above is ChatGPT.

我們可以通過許多方式改進(jìn)以上結(jié)果，但當(dāng)前方式已經(jīng)非常有用。

現(xiàn)在應(yīng)該很明顯，您可以通過簡(jiǎn)單地指示語(yǔ)言模型去執(zhí)行不同的任務(wù)。 AI 研發(fā)人員也利用這種能力來構(gòu)建強(qiáng)大的產(chǎn)品和體驗(yàn)。

Paragraph source 段落來源: ChatGPT: five priorities for research(opens in a new tab)

問答

提高模型響應(yīng)精確度的最佳方法之一是改進(jìn)提示詞的格式。 如前所述，提示詞可以通過指令、上下文、輸入和輸出指示以改進(jìn)響應(yīng)結(jié)果。 雖然這些要素不是必需的，但如果您的指示越明確，響應(yīng)的結(jié)果就會(huì)越好。 以下示例可以說明結(jié)構(gòu)化提示詞的重要性。

• 提示詞

Answer the question based on the context below. Keep the answer short and concise. Respond “Unsure about answer” if not sure about the answer. // 基于以下語(yǔ)境回答問題。如果不知道答案的話，請(qǐng)回答“不確定答案”。
Context: Teplizumab traces its roots to a New Jersey drug company called Ortho Pharmaceutical. There, scientists generated an early version of the antibody, dubbed OKT3. Originally sourced from mice, the molecule was able to bind to the surface of T cells and limit their cell-killing potential. In 1986, it was approved to help prevent organ rejection after kidney transplants, making it the first therapeutic antibody allowed for human use.
Question: What was OKT3 originally sourced from?
Answer:

• 輸出結(jié)果

Mice.

語(yǔ)境參考至 Nature(opens in a new tab)。

文本分類

目前，我們已經(jīng)會(huì)使用簡(jiǎn)單的指令來執(zhí)行任務(wù)。 作為提示工程師，您需要提供更好的指令。 此外， 您也會(huì)發(fā)現(xiàn)，對(duì)于更負(fù)責(zé)的使用場(chǎng)景，僅提供指令是遠(yuǎn)遠(yuǎn)不夠的。 所以，您需要思考如何在提示詞中包含相關(guān)語(yǔ)境和其他不同要素。 同樣，你還可以提供其他的信息，如輸入數(shù)據(jù)和示例。

可以通過以下示例體驗(yàn)文本分類：

• 提示詞

Classify the text into neutral, negative or positive. // 將文本按中立、負(fù)面或正面進(jìn)行分類
Text: I think the food was okay.
Sentiment:

• 輸出結(jié)果

Neutral

我們給出了對(duì)文本進(jìn)行分類的指令，語(yǔ)言模型做出了正確響應(yīng)，判斷文本類型為 ‘Neutral’。 如果我們想要語(yǔ)言模型以指定格式作出相應(yīng)， 比如，我們想要它返回 neutral 而不是 Neutral， 那我們要如何做呢？ 我們有多種方法可以實(shí)現(xiàn)這一點(diǎn)。 此例中，我們主要是關(guān)注絕對(duì)特性，因此，我們提示詞中包含的信息越多，響應(yīng)結(jié)果就會(huì)越好。 我們可以使用以下示例來校正響應(yīng)結(jié)果：

• 提示詞

Classify the text into neutral, negative or positive.
Text: I think the vacation is okay.
Sentiment: neutral
Text: I think the food was okay.
Sentiment:

• 輸出結(jié)果

neutral

完美！ 這次模型返回了 neutral，這正是我們想要的特定標(biāo)簽。 提示詞中的示例使得模型可以給出更具體的響應(yīng)。 有時(shí)給出具體的指令十分重要，可以通過以下示例感受這一點(diǎn)：

• 提示詞

Classify the text into nutral, negative or positive.
Text: I think the vacation is okay.
Sentiment:

• 輸出結(jié)果

Neutral

這時(shí)候你知道給出具體指令的重要性了吧？

對(duì)話

你可以通過提示工程進(jìn)行更有趣的實(shí)驗(yàn)，比如指導(dǎo)大語(yǔ)言模型系統(tǒng)如何表現(xiàn)，指定它的行為意圖和身份。 如果你正在構(gòu)建客服聊天機(jī)器人之類的對(duì)話系統(tǒng)時(shí)，這項(xiàng)功能尤其有用。

比如，可以通過以下示例創(chuàng)建一個(gè)對(duì)話系統(tǒng)，該系統(tǒng)能夠基于問題給出技術(shù)性和科學(xué)的回答。 你可以關(guān)注我們是如何通過指令明確地告訴模型應(yīng)該如何表現(xiàn)。 這種應(yīng)用場(chǎng)景有時(shí)也被稱為_角色提示（Role Prompting）_。

• 提示詞

The following is a conversation with an AI research assistant. The assistant tone is technical and scientific. // 以下是與 AI 助理的對(duì)話，語(yǔ)氣應(yīng)該專業(yè)、技術(shù)性強(qiáng)。
Human: Hello, who are you?
AI: Greeting! I am an AI research assistant. How can I help you today?
Human: Can you tell me about the creation of blackholes? 你能給我講講黑洞的形成嗎?
AI:

• 輸出結(jié)果

Sure! Black holes are regions of spacetime where the gravitational force is so strong that nothing, not even light, can escape from it. They are created when a very massive star dies and its core collapses in on itself, forming a singularity of infinite density. The intense gravity of the singularity pulls in all the matter and radiation around it, creating the black hole. 當(dāng)然!黑洞是一種時(shí)空區(qū)域，在那里，引力非常強(qiáng)，任何東西，甚至光，都無法從中逃脫。當(dāng)一顆質(zhì)量巨大的恒星死亡時(shí)，它的核心坍縮，形成了一個(gè)密度無限的奇點(diǎn)。奇點(diǎn)的強(qiáng)烈引力吸引了它周圍的所有物質(zhì)和輻射，形成了黑洞。

我們的 AI 助理給出的回答非常技術(shù)對(duì)吧？ 下面，我們讓它給出更易于理解的答案。

• 提示詞

The following is a conversation with an AI research assistant. The assistant answers should be easy to understand even by primary school students. // 以下是與 AI 助理的對(duì)話。請(qǐng)給出易于理解的答案，最好是小學(xué)生都能看懂的那種。
Human: Hello, who are you?
AI: Greeting! I am an AI research assistant. How can I help you today?
Human: Can you tell me about the creation of black holes?
AI:

• 輸出結(jié)果

Sure! Black holes are created when a very massive star runs out of fuel and collapses in on itself. The gravity of the star is so strong that nothing, not even light, can escape its pull. This creates a point in space-time with an intense gravitational force called a black hole.當(dāng)一顆巨大的恒星耗盡燃料并自我坍縮時(shí)，就會(huì)產(chǎn)生黑洞。這顆恒星的引力是如此之強(qiáng)，以至于任何東西，甚至光，都無法逃脫它的引力。這在時(shí)空中創(chuàng)造了一個(gè)具有強(qiáng)烈引力的點(diǎn)，稱為黑洞。

我想我們應(yīng)該取得了一些進(jìn)展，你也可以繼續(xù)改進(jìn)它。 如果你再添加更多的示例，可能會(huì)得到更好的結(jié)果。

代碼生成

大語(yǔ)言模型另外一個(gè)有效的應(yīng)用場(chǎng)景是代碼生成。 在此方面，Copilot 就是一個(gè)很好的示例。 你可以通過一些有效的提示詞執(zhí)行代碼生成任務(wù)。 讓我們來看一下下面的例子。

我們先用它寫個(gè)簡(jiǎn)單的用戶歡迎程序：

• 提示詞

/*
詢問用戶的姓名并說“ Hello”
*/

• 輸出結(jié)果

let name = prompt(“What is your name?”);
console.log(Hello, ${name}!);

你看，我們甚至都不需要指定要使用的編程語(yǔ)言。

來，我們?cè)偕晕⑸?jí)一下。 下面的例子會(huì)向你展示提示詞會(huì)讓大語(yǔ)言模型變得多么強(qiáng)大。

• 提示詞

“”"
Table departments, columns = [DepartmentId, DepartmentName]
Table students, columns = [DepartmentId, StudentId, StudentName]
Create a MySQL query for all students in the Computer Science Department
“”"

• 輸出結(jié)果

SELECT StudentId, StudentName
FROM students
WHERE DepartmentId IN (SELECT DepartmentId FROM departments WHERE DepartmentName = ‘Computer Science’);

挺厲害的嘛。 本例中，我們提供了有關(guān)數(shù)據(jù)庫(kù)架構(gòu)并要求它生成有效的 MySQL 查詢。

推理

目前對(duì)于大語(yǔ)言模型來說，推理任務(wù)算是最具有挑戰(zhàn)性的了。 推理任務(wù)最讓人興奮的地方就是可以促使各種復(fù)雜的應(yīng)用程序從大語(yǔ)言模型中誕生。

目前，涉及數(shù)學(xué)能力的推理任務(wù)已經(jīng)有了一些改進(jìn)。 對(duì)于當(dāng)前的大型語(yǔ)言模型來說，執(zhí)行推理任務(wù)可能會(huì)有一些難度，因此就需要更高級(jí)的提示詞工程技術(shù)。 我們會(huì)在后面的指南中介紹這些高級(jí)技術(shù)。 現(xiàn)在，我們將介紹幾個(gè)基本示例來展示算術(shù)功能。

• 提示詞

What is 9,000 * 9,000?

• 輸出結(jié)果

81,000,000

來，我們加大難度：

• 提示詞

The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1. 這組中的奇數(shù)加起來是偶數(shù)
A:

• 輸出結(jié)果

No, the odd numbers in this group add up to an odd number: 119.

這不對(duì)！ 我們?cè)囍锰崾驹~去改進(jìn)它：

• 提示詞

The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1.
Solve by breaking the problem into steps. First, identify the odd numbers, add them, and indicate whether the result is odd or even.

• 輸出結(jié)果

Odd numbers: 15, 5, 13, 7, 1
Sum: 41
41 is an odd number.

好多了吧？ 順便說一句，我試過幾次，有時(shí)還是會(huì)失敗。 如果你可以用示例給模型說明一下，可能會(huì)獲得更準(zhǔn)確的結(jié)果。

我們后面還會(huì)在本章節(jié)中介紹更多常見應(yīng)用示例。

在后面的章節(jié)，我們將介紹更高級(jí)的提示工程概念和技術(shù)，以完成更困難任務(wù)。

說明

文中Promopt示例部分使用的是中文，其實(shí)是針對(duì)中文母語(yǔ)的人，通過英文Prompt翻譯成中文展示出來的。

雖然使用中文提示詞可能會(huì)得到不錯(cuò)的結(jié)果，但是當(dāng)你再次輸入相同的中文提示時(shí)，結(jié)果可能與之前大相徑庭。若要避免中文提示詞的輸出不同，博主建議采用英文提示詞。另外，將回復(fù)指定為中文也是有可能的，你可以在英文提示詞結(jié)尾添加 respond in Chinese，來保證中文回復(fù)效果。

參考資料

提示工程師最強(qiáng)輔助——Github最新破萬(wàn)星熱門項(xiàng)目

OpenAI官方API參考文檔

其它資料下載

如果大家想繼續(xù)了解人工智能相關(guān)學(xué)習(xí)路線和知識(shí)體系，歡迎大家翻閱我的另外一篇博客《重磅 | 完備的人工智能AI 學(xué)習(xí)——基礎(chǔ)知識(shí)學(xué)習(xí)路線，所有資料免關(guān)注免套路直接網(wǎng)盤下載》
這篇博客參考了Github知名開源平臺(tái)，AI技術(shù)平臺(tái)以及相關(guān)領(lǐng)域?qū)＜遥篋atawhale，ApacheCN，AI有道和黃海廣博士等約有近100G相關(guān)資料，希望能幫助到所有小伙伴們。文章來源地址http://www.zghlxwxcb.cn/news/detail-786977.html

到了這里，關(guān)于ChatGPT中文版Prompt提示工程超詳細(xì)指南《提示工程簡(jiǎn)介及示例》Github最新破萬(wàn)星項(xiàng)目Meta AI前工程師解密百萬(wàn)年薪提示工程師GPT-4模型優(yōu)化利器（一）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)！