周末去电影院看了《飞驰人生2》。可能是最近研究AI上了头，看电影的时候满脑子闪过的都是AI相关的东西。
要是把ChatGPT比作是一台赛车，那我们就相当于这台赛车的驾驶员。
赛车有性能好坏之分，驾驶员同样有能力上的差距。
所以做同一件事儿的时候，即使有人拿着最强的GPT4.0，可能都比不过另一个人拿着文心一言3.5做的效果好。
核心原因就在于“驾驶员”的“驾驶技术”——Prompt。
好的“驾驶员”可以在各种场景下运用好各种“驾驶技巧”以达到最佳的效果。
但烂的“驾驶员”可能无论什么赛道全都是一通乱开，最后再把原因归咎于“车不行”。
所以，AI时代的各位“驾驶员”，想要开好ChatGPT这台赛车的话，建议大家先学会怎么开车。
今天这篇文章主要跟大家分享一下Prompt的创作技巧。
市面上关于Prompt的论文教程很多，但如果要我推荐，首选的必定是OpenAI官方推出的Prompt engineering。
相比于思维链、结构化提示词这些比较高级的Prompt编写技巧，OpenAI的Prompt engineering更像是一本人教版教材。
想学会高级驾驶技巧，就必须要先从最基础的“科目二”开始学起。
S弯还没学会就想跑巴音布鲁克，结果只能是车毁人亡。
所以这篇文章小福就带着兄弟们来好好学一学怎么样开好ChatGPT这台车。
Prompt engineering总共给出了6条Prompt编写规则，分别是：
策略一：编写清晰的指令
提供具体细节和格式要求来减少模型猜测的必要性。
策略二：提供参考文本
通过提供相关的参考文本来帮助模型生成更准确的回答。
策略三：分解复杂任务
将复杂任务分解成简单的子任务以降低错误率。
策略四：给模型时间‘思考’
通过要求模型进行思考之后再回答来提高答案的可靠性。
策略五：使用外部工具
利用外部工具来弥补模型的不足和提高任务的执行效率。
策略六：系统测试改变
通过系统地测试来评估对提示的改变是否真正提高了性能。
接下来，小福来给大家分条拆解每条策略的具体操作技巧。
策略一：编写清晰的指令
其实就是要我们在跟ChatGPT交流的时候，说话要说清楚。
就像是你让别人给你买奶茶，要是不说你想要什么口味的，人家怎么会知道给你买什么呢？
那怎么编写一条清晰的Prompt呢？
6个具体的操作技巧：
1、给足够的细节
就是说，你要是想要个准确的答案，就得把问题说全。
比如你问的太简单了，模型可能就猜不到你真正想问的。
比如说：
你要是问：“Excel里怎么加数字？”这就太宽泛了。
你要是问：“我怎么能在Excel里自动计算一行的美元数额，然后把所有行的总和放在最右边一列，列名叫‘总计’？”这样提问就清楚多了。
2、让模型扮演角色
就像是给模型分配一个角色，让它按这个角色来回答你。
举个栗子：
“帮我写封感谢信给螺丝供应商，他们这么快就送来货了，帮了我们大忙。”
然后你设定的角色是：“回答中每段都得有个笑话或者俏皮话。”
这样GPT的回答就会更符合我们期望的风格或者内容。
3、用分隔符来区分
通过使用三重引号、XML标签、章节标题等分隔符，可以帮助模型更清晰地区分和理解输入内容的不同部分。
特别是在处理复杂任务时更能减少混淆。
如果你的问题里有好几部分，用这些特殊符号来分开，这样模型就不会搞混了。
比如：
“用三重引号括起来的文本，帮我总结成一诗歌。”
4、分步骤说明
就是把你要做的事情拆成一步步的，告诉模型该怎么做，这样它就能一步步跟上了。
比如：
第一步：“我会给你一段用三个引号括起来的文本。你就用一句话总结，前面加个‘摘要：’。”
第二步：“然后把这摘要翻译成西班牙语，前面加个‘翻译：’。”
把这些步骤明确地写出来，GPT就可以更容易地按照指示进行操作。
5、给出示例
有时候，直接给个例子比光说要怎么做还管用，尤其是当你希望模型按照某种风格回答时。
比如：
你问：“教我耐心是什么。”
模型回答的风格示例：“就像是，一条小河能刻出最深的峡谷，一首伟大的交响乐从一个音符开始，最复杂的挂毯也是从一根线开始的。”
6、指定所需的输出长度
这点其实没什么好讲的，就是字面意思。
总之，就是你越是告诉模型你想要什么，它给出的回答就越能打中你的心思。
记得，跟模型交流，清晰是王道！
策略二：提供参考文本
当我们跟ChatGPT交流的时候，有时候它会根据我们的问题编出一些答案。
这就好比是，你问你的朋友一个超专业的问题，他不懂，但为了不失面子，就随便编了个答案告诉你。
为了避免这种情况，我们可以给模型一些参考文本，就像是给你的朋友一本书，告诉他答案在书里。
怎么做呢？
直接告诉模型用书里的内容回答；
就好比你对你的朋友说，“用这本书回答我刚才的问题。”这样模型就会去参考文本找答案。
要求模型引用书里的内容；
如果你想让答案更有说服力，你可以要求模型在回答时直接引用书里的内容。
举个例子：
比如说，我们想了解“全球变暖对农业的影响”，而我们手头有一篇详细的研究报告。
任务：利用这篇报告回答“全球变暖如何影响农作物的生长周期？”
操作步骤：
先把报告给模型：就像是把书递给你朋友，让他有材料可查。
构建提问：然后告诉模型，用报告里的内容来回答你的问题。
比如说，“根据你手头的这篇报告，讲讲全球变暖是怎么影响农作物生长周期的？”
如果需要，还可以要求引用：告诉模型，回答时最好引用报告里的具体内容，这样答案更靠谱。
预期结果：
模型会根据报告内容，告诉你全球变暖通过改变气候条件，比如温度和降水，怎样影响到农作物的种植、生长和收获。
可能还会告诉你报告里提到的一些具体数据或例子来支撑它的解释。
通过这种方法，我们不仅能够获得更加精确和有依据的答案。
还能在一定程度上避免模型产生无根据的虚假信息，从而提高整个回答过程的质量和可信度。
策略三：分解复杂任务
说简单点，就是我们在解决一个大难题时，先把它拆成小块来一块块解决。
比如有一个超级复杂的拼图，如果想着一次性拼完，费时费力还不一定能成功。
但如果我们把它分成几个小区域，每次只专注于完成一小块，那这事儿就容易多了。
具体怎么做呢？
意图分类：
就好比你在一个大型超市里购物，先决定去哪个区域（水果、蔬菜、肉类），这样就不会在超市里乱转半天。
对于我们需要解决的问题也是，先看看这是哪类问题，然后再决定用什么策略解决。
长谈短说：
如果有人跟你说了一大堆话，你可能需要先梳理一下，再决定怎么回答。
同样地，对于长时间的对话，我们也可以先总结一下，再继续对话。
一步步来：
比如你要写一篇论文，需要先写个大纲，然后逐段完成。
对于超长的文档也是，我们可以一小节一小节地总结。
最后把所有小总结再汇总成一篇完整的总结。
举个栗子：
假设我们有一个复杂任务：为一个客户服务应用分类和处理客户查询。
步骤一：意图分类
首先，我们将每个客户查询分类到主要类别和次要类别。
比如，主要类别可以是账单问题、技术支持、账户管理或一般咨询。
每个主要类别下可以有更具体的次要类别。
如账单问题下的次要类别可以是退订或升级、添加付款方式、收费说明、争议收费等。
步骤二：提供具体指令
根据客户查询的分类，为模型提供处理下一步所需的更具体指令。
例如，如果客户需要技术支持中的“故障排除”，系统会告诉模型提供特定的故障排除步骤。
实际应用示例：
用户查询：“我需要让我的互联网再次工作。”
系统首先对查询进行分类，确定这是一个技术支持中的“故障排除”请求。
然后，系统提供具体指令，要求模型引导用户检查所有路由器的电缆是否连接好，询问用户使用的路由器型号，并根据型号提供重启设备的步骤。
通过这种方式，一个复杂的任务被有效地分解成了一系列简单、易于管理的子任务。
每个子任务都有明确的指令和目标，从而提高了整体任务的准确性和效率。
策略四：给模型时间“思考”
当你遇到一个难题，比如突然有人问你：“17乘以28等于多少？”
你可能不会立刻蹦出答案来，对吧？
你需要点时间去算一算。
这其实也适用于AI模型。
当模型被要求解答复杂的问题时，如果我们让它有时间先“思考”一下，就能帮助它给出更准确的答案。
举个栗子：
比方说，我们要模型帮我们解个数学题。直接问答案，它可能一下子就给出个答案，但这样容易出错。
如果我们让模型先展示一下它是怎么一步步算出来的，这不仅可以让我们看到模型的“思考过程”，还能帮助它避免错误，提高回答的准确率。
这个策略可以用几种方式来实践：
逐步推理：
就是让模型像讲故事一样，一步步告诉我们它是怎么想的，最后才给结果。
内部独白：
这个有点像模型自言自语，它会在内部“思考”一番。
但不会直接告诉我们这个过程，只告诉我们最终的答案。
这样做的好处是，比如在教学场景下，可以避免直接给学生答案，而是引导他们自己思考。
检查遗漏：
就是在模型给出答案后，我们再问问它，是不是考虑全了，有没有漏掉什么。
这样做可以确保模型提供的答案尽可能全面和精确。
通过这样的策略，我们其实是在帮助模型更好地处理和解决问题。
就像给它一点时间去头脑风暴一样，结果往往会更满意。
这就是为什么“给模型时间‘思考’”这个策略这么重要，它能显著提升模型处理复杂问题的能力。
策略五：使用外部工具
这个策略其实很实用，主要是告诉我们在用大型语言模型解决问题时，有时候模型自己搞不定，或者说不够准确、不够高效。
这时候，我们可以借助一些外部的工具，让这些工具先做一部分工作，然后再把结果交给模型来处理。
就像是给模型找了个小帮手，让模型能更好地完成任务。
举个例子：
假设我们要让模型帮我们处理一些数学计算，或者调用一些外部API获取数据。
如果直接让模型来做，它可能会犯错，或者根本就做不了。
但是，如果我们用一个代码执行引擎（比如OpenAI的代码解释器）先做这部分工作，就可以把计算结果或者API的数据直接给模型。
这样模型就有了确切的数据去完成后续的任务，比如分析数据、做出预测等等。
再比如，我们正在开发一个可以自动回答用户问题的客服机器人。
但是，问题的答案需要从一大堆文档里查找。
如果直接让模型去处理这些文档，模型可能因为文档太多而处理不过来。
这时，我们可以使用文本检索系统（比如基于嵌入向量的搜索）来帮助模型快速找到相关的文档。
然后，模型就只需要处理这些被检索出来的、相关性更高的文档，从而更快、更准确地给出答案。
总的来说，这个策略就是在模型遇到困难的时候，找到合适的工具来帮忙，让模型能更好地发挥它的优势。
这种方法不仅可以提升模型的性能，一定程度上还能节省不少成本。
策略六：系统测试改变
比如你在用ChatGPT来帮你回复邮件，但是你发现ChatGPT每次都回得特别长，差不多能写成一篇小论文了。
你就想，能不能让它回复得短一点呢？
于是你就在给AI的指令里加了一句：请简短回复。
一开始看起来效果不错，ChatGPT确实短了不少。
但是，问题来了，这样改真的好吗？
这就需要我们做一些测试来验证了。
比如，我们可以准备很多种不同类型的邮件，看看在这些不同情况下，ChatGPT的回复是不是既简短又切题。
这就像是给AI做一个大考，考它在各种情况下的表现。
通过这样的测试，你可能会发现，虽然回复短了，但有时候ChatGPT可能因为太想简短而忽略了邮件里的一些重要信息。
这时候，你可能就需要再调整一下你的指令，或者针对不同的邮件类型，给ChatGPT不同的回复策略。
也就是说，想要改进ChatGPT的表现，不仅仅是一次两次的小改动那么简单。
我们需要系统地测试和评估，不断地调整和优化，才能让ChatGPT变得更聪明，更懂你，以确保最终得到最佳的模型表现。
以上这6条Prompt编写技巧，基本上就相当于Prompt这门技术的全部基础技能。
如果你是一个AI小白，等你掌握了这些基础技能之后，再去学习更高级的Prompt编写技巧，就能更得心应手。毕竟再高级的技巧也是从基础技巧一点点发展来的。
版权声明：本站文章为原创内容，皆拥有版权信息，主要目的在于分享信息，内容仅供读者参考。
