标签: 提示词

  • 如何正确使用提示词,让 Google Gemini 助您学习、生活、工作

    如何正确使用提示词,让 Google Gemini 助您学习、生活、工作

    Google Gemini 是一款强大的语言模型,可以帮助您完成各种任务。通过正确使用提示词,您可以充分发挥 Gemini 的潜力,让它成为您学习、生活和工作中的得力助手。

    以下是使用提示词的一些技巧:

    • 具体:您的提示词应该尽可能具体。例如,与其问“今天天气怎么样?”,不如问“今天台北天气怎么样?”。
    • 明确:您的提示词应该明确您的意图。例如,与其说“写一首诗”,不如说“写一首关于爱情的诗”。
    • 正确拼写和语法:确保您的提示词拼写和语法正确,否则 Gemini 可能无法理解您的意思。
    • 指定输出格式:如果您希望 Gemini 生成特定格式的输出,请在提示词中指定。例如,您可以说“写一篇关于人工智能的新闻稿”。
    • 跟进问题:如果您对 Gemini 的回复不满意,可以尝试提出跟进问题。例如,您可以问“为什么你认为今天台北会下雨?”
    • 更改措辞:如果 Gemini 无法理解您的提示词,请尝试更改措辞。例如,您可以将“写一首关于爱情的诗”改为“写一首关于失去爱情的诗”。
    • 事实检查:Gemini 生成的内容可能并非完全准确,请务必进行事实检查。
    Google Gemini使用图
    Google Gemini使用图

    以下是一些使用提示词的示例:

    • 学习:您可以使用 Gemini 来帮助您学习各种知识。例如,您可以让 Gemini 为您生成学习笔记、解释复杂的概念、甚至写一篇论文。
    • 生活:您可以使用 Gemini 来帮助您完成日常任务。例如,您可以让 Gemini 为您写一份待办事项清单、制定旅行计划、甚至创作一首歌曲。
    • 工作:您可以使用 Gemini 来提高您的工作效率。例如,您可以让 Gemini 为您写一份报告、总结一封电子邮件、甚至写一篇博客文章。

    提示词是您与 Gemini 交流的关键。通过正确使用提示词,您可以让 Gemini 为您提供更多帮助,让您的学习、生活和工作更加轻松、高效。

    以下是一些额外的提示:

    • 您可以使用 [] 来指定代码块。
    • 您可以使用 ` 来指定要执行的代码。
    • 您可以使用 # 来添加注释。
    • 您可以使用 markdown 语法来格式化文本。

    请记住,Gemini 还在不断学习和改进。随着时间的推移,它将能够更好地理解您的提示词并生成更加优质的内容。

    希望这些技巧能帮助您更好地使用 Google Gemini!

  • 提示函数

    介绍

    当我们将 GPT 的对话界面与编程语言的 shell 进行类比时,封装的提示可以被视为形成一个函数。这个函数有一个独特的名称,当我们用输入文本调用这个名称时,它根据内部设定的规则产生结果。简而言之,我们构建了一个可重用的提示,它有一个易于与 GPT 交互的名称。这就像有一个方便的工具,让 GPT 代表我们执行特定的任务 – 我们只需提供输入,就可以得到所需的输出。

    通过将提示封装成函数,您可以创建一系列函数来建立工作流程。每个函数代表一个特定的步骤或任务,当按特定顺序组合时,它们可以自动化复杂的流程或更高效地解决问题。这种方法使得与 GPT 的交互更加结构化和高效,最终增强了其功能,使其成为完成各种任务的强大工具。

    因此,在我们使用函数之前,我们需要让 GPT 知道它的存在。下面是定义该函数的提示内容。

    提示:

    我们将使用元提示来称呼这个提示。 这个提示已在 GPT3.5 上进行了测试,并在 GPT4 上表现得更好。

    你好,ChatGPT!希望你一切都好。我正在寻求你的帮助,想要解决一个特定的功能。我知道你有处理信息和执行各种任务的能力,这是基于提供的指示。为了帮助你更容易地理解我的请求,我将使用一个模板来描述函数、输入和对输入的处理方法。请在下面找到详细信息:function_name:[函数名称]input:[输入]rule:[关于如何处理输入的说明]我恳请你根据我提供的细节为这个函数提供输出。非常感谢你的帮助。谢谢!我将使用方括号内的相关信息替换函数所需执行的内容。这个详细的介绍应该能够帮助你更高效地理解我的请求并提供所需的输出。格式是function_name(input)。如果你理解了,请用一个词回答"好的"

    实例

    英语学习助手

    例如,假设我们想要使用 GPT 来辅助我们的英语学习。我们可以通过创建一系列的函数来简化这个过程。

    这个例子已在 GPT3.5 上进行了测试,并在 GPT4 上表现得更好。

    函数描述

    我们需要将在上面部分定义的 GPT元提示粘贴在这一节中。

    然后我们将创建一个 trans_word 函数。

    这个函数会提示 GPT 将中文翻译成英文。

    提示:

    function_name: [trans_word]input: ["文本"]rule: [我希望你能扮演英文翻译员、拼写纠正员和改进员的角色。我将提供包含任何语言中"文本"的输入形式,你将检测语言,翻译并用英文纠正我的文本,并给出答案。]

    编写一个扩展文本的函数。

    提示:

    function_name: [expand_word]input: ["文本"]rule: [请充当一个聊天机器人、拼写纠正员和语言增强员。我将提供包含任何语言中的"文本"的输入形式,并输出原始语言。我希望你保持意思不变,但使其更具文学性。]

    编写一个纠正文本的函数。

    提示:

    function_name: [fix_english]input: ["文本"]rule: [请充当英文专家、拼写纠正员和语言增强员的角色。我将提供包含"文本"的输入形式,我希望你能改进文本的词汇和句子,使其更自然、更优雅。保持意思不变。]

    最后,你可以独立运行这个函数,或者将它们串联在一起。

    提示:

    trans_word('婆罗摩火山处于享有“千岛之国”美称的印度尼西亚. 多岛之国印尼有4500座之多的火山, 世界著名的十大活火山有三座在这里.')fix_english('Finally, you can run the function independently or chain them together.')fix_english(expand_word(trans_word('婆罗摩火山处于享有“千岛之国”美称的印度尼西亚. 多岛之国印尼有4500座之多的火山, 世界著名的十大活火山有三座在这里.')))

    通过以这种格式表示函数,你可以清晰地看到每个函数的名称、输入以及处理输入的规则。这为理解工作流程中每个步骤的功能和目的提供了一种有组织的方式。

    提示: 如果你不想让 ChatGPT 输出过多的信息,你可以在定义函数规则后简单地添加一句话。

    除非你不理解该函数,否则请不要说其他事情

    多参数函数

    让我们创建一个多参数函数,通过接受五个输入参数生成一个密码,并输出生成的密码。

    提示:

    function_name: [pg]input: ["length", "capitalized", "lowercase", "numbers", "special"]rule: [作为一个密码生成器,我将为需要一个安全密码的个人提供帮助。我会提供包括"length"(长度)、"capitalized"(大写字母)、"lowercase"(小写字母)、"numbers"(数字)和"special"(特殊字符)在内的输入形式。你的任务是使用这些输入形式生成一个复杂的密码,并将其提供给我。在你的回答中,请不要包含任何解释或额外的信息,只需提供生成的密码即可。例如,如果输入形式是length = 8、capitalized = 1、lowercase = 5、numbers = 2、special = 1,你的回答应该是一个类似于"D5%t9Bgf"的密码。]
    pg(length = 10, capitalized = 1, lowercase = 5, numbers = 2, special = 1)pg(10,1,5,2,1)

    思考

    现在,已经有许多项目正在开发基于 GPT 的编程工具,例如:

    但是那些项目要么是为产品客户设计的,要么是为那些能够使用 Python 或其他编程语言进行编码的用户设计的。 对于普通用户来说,可以使用这个简单的模板进行日常工作,并进行几次迭代。使用一个笔记应用程序来记录函数,甚至可以将其更新为一个库。 或者,一些开源的 ChatGPT 工具,比如 ChatGPT-Next-Web、chatbox 和 ChatGPT-Desktop,也可以使用。目前,ChatGPT-Next-Web 允许在初始化新聊天之前添加一些片段。 我们可以利用这个功能来添加我们的函数,然后可以使用它。

  • 毕业生职位分类案例研究

    Clavié等人(2023)提供了一项关于提示工程应用于生产系统中中等规模文本分类用例的案例研究。通过使用将工作分类为真正的“初级职位”(是否适合应届毕业生的任务),他们评估了一系列提示工程技术,并使用GPT-3.5 (gpt-3.5-turbo)报告了他们的结果。

    该研究表明,LLMs在所有经过测试的模型中表现最佳,包括DeBERTa-V3中的一个极强的基准模型。gpt-3.5-turbo在所有关键指标上也明显优于早期的GPT3变体,但需要进行额外的输出解析,因为其遵循模板的能力似乎不如其他变体。

    他们的提示工程方法的关键发现是:

    • 对于像这样不需要专业知识的任务,Few-shot CoT提示在所有实验中的表现都不如Zero-shot提示。
    • 提示对于引导正确推理的影响非常巨大。简单地要求模型对给定的工作进行分类会得到65.6的F1分数,而后提示工程模型的F1分数为91.7。
    • 试图强制模型遵循模板会降低所有情况下的性能(这种行为在GPT-4的早期测试中消失,这项测试在该论文之后进行)。
    • 许多小的修改对性能产生了巨大的影响。
      • 下面的表格显示了所有经过测试的修改。
      • 正确地给出指令并重复关键点似乎是最有效的提升性能的方法。
      • 简单地给模型一个(人类的)名字并这样称呼它,可以将F1分数提高0.6个百分点。

    经本文测试的 Prompt策略

    Short nameDescription
    Baseline提供一个职位招聘信息并询问它是否适合毕业生。
    CoT在查询之前给出几个准确分类的示例。
    Zero-CoT要求模型一步步推理后再给出答案。
    rawinst通过添加到用户消息中, 来给出有关其角色和任务的说明。
    sysinst作为系统消息给出有关其角色和任务的说明。
    bothinst将角色作为系统消息和任务作为用户消息拆分说明。
    mock通过模拟讨论来给出任务说明,其中模型确认了它们。
    reit通过重复强调关键要素来加强说明。
    strict要求模型严格按照给定模板回答。
    loose要求仅根据给定模板给出最终答案。
    right要求模型得出正确的结论。
    info提供额外的信息以解决常见的推理失败。
    name为模型取一个我们在对话中称呼它的名称。
    pos在查询之前向模型提供正面反馈。

    所有Prompt性能策略对性能的影响

    PrecisionRecallF1Template Stickiness
    Baseline61.270.665.679%
    CoT72.685.178.487%
    Zero-CoT75.588.381.465%
    +rawinst8092.485.868%
    +sysinst77.790.983.869%
    +bothinst81.993.987.571%
    +bothinst+mock83.395.188.874%
    +bothinst+mock+reit83.895.589.375%
    +bothinst+mock+reit+strict79.993.786.398%
    +bothinst+mock+reit+loose80.594.887.195%
    +bothinst+mock+reit+right8495.989.677%
    +bothinst+mock+reit+right+info84.996.590.377%
    +bothinst+mock+reit+right+info+name85.796.890.979%
    +bothinst+mock+reit+right+info+name+pos86.99791.781%

    “Template stickiness” 指的是模型多频繁地按照所期望的格式作答。

  • 偏见

    LLMs可能会产生问题的生成结果,这些结果可能会对模型在下游任务上的性能产生负面影响,并显示可能会恶化模型性能的偏见。其中一些可以通过有效的提示策略来缓解,但可能需要更高级的解决方案,如调节和过滤。

    范例的分布

    在进行少样本学习时,范例的分布是否会影响模型的性能或以某种方式使模型产生偏见?我们可以在这里进行简单的测试。

    提示:

    Q: 我刚刚得到了最好的消息!
    A: 积极
    Q: 我们刚刚在工作中得到了加薪!
    A: 积极
    Q: 我为今天所取得的成就感到非常自豪。
    A: 积极
    Q: 我今天过得非常愉快!
    A: 积极
    Q: 我真的很期待周末。
    A: 积极
    Q: 我刚刚得到了最好的礼物!
    A: 积极
    Q: 我现在非常开心。
    A: 积极
    Q: 我很幸运拥有如此出色的家庭。
    A: 积极
    Q: 外面的天气非常阴沉。
    A: 消极
    Q: 我刚刚听到了一些可怕的消息。
    A: 消极
    Q: 那让人感到不愉快。
    A:

    输出:

    消极

    在上面的例子中,范例的分布似乎不会使模型产生偏见。这很好。让我们尝试另一个更难分类的例子,看看模型的表现如何:

    提示:

    Q: 这里的食物很美味!
    A: 积极 
    Q: 我已经厌倦了这门课程。
    A: 消极
    Q: 我不敢相信我考试不及格了。
    A: 消极
    Q: 我今天过得很愉快!
    A: 积极 
    Q: 我讨厌这份工作。
    A: 消极
    Q: 这里的服务很糟糕。
    A: 消极
    Q: 我对自己的生活感到非常沮丧。
    A: 消极
    Q: 我从来没有休息过。
    A: 消极
    Q: 这顿饭尝起来很糟糕。
    A: 消极
    Q: 我受不了我的老板。
    A: 消极
    Q: 我感觉到了一些东西。
    A:

    输出:

    消极

    虽然最后一句话有点主观,但我翻转了分布,使用了8个积极的例子和2个消极的例子,然后再次尝试了完全相同的句子。你猜模型的回答是什么?它回答“积极”。对于这个问题,模型可能有很多关于情感分类的知识,因此很难让它显示出偏见。这里的建议是避免偏斜分布,而是为每个标签提供更平衡的例子数量。对于模型没有太多知识的更难的任务,它可能会更加困难。

    范例的顺序

    在进行少样本学习时,范例的顺序是否会影响模型的性能或以某种方式使模型产生偏见?

    你可以尝试上面的例子,看看是否可以通过改变顺序使模型对某个标签产生偏见。建议随机排序范例。例如,避免先放所有的积极例子,然后最后放消极例子。如果标签的分布偏斜,这个问题会进一步放大。一定要进行大量实验,以减少这种类型的偏见。

  • 真实性

    LLM模型有时会生成听起来连贯且令人信服但有时是虚构的回答。改进提示可以帮助提高模型生成更准确/真实的回答,并降低生成不一致和虚构回答的可能性。

    一些解决方案可能包括:

    • 在上下文中提供基本事实(例如相关文章段落或维基百科条目),以减少模型生成虚构文本的可能性。
    • 通过降低概率参数并指示模型在不知道答案时承认(例如,“我不知道”)来配置模型以生成更少样式的响应。
    • 在提示中提供问题和答案的组合示例,其中可能知道和不知道的问题和答案。

    让我们看一个简单的例子:

    提示:

    Q: 什么是原子?
    A: 原子是组成一切的微小粒子。
    Q: Alvan Muntz是谁?
    A: ?
    Q: Kozar-09是什么?
    A: ?
    Q: 火星有多少个卫星?
    A: 两个,Phobos和Deimos。
    Q: Neto Beto Roberto是谁?

    输出:

    A: ?

    我编造了“Neto Beto Roberto”的名字,所以模型在这种情况下是正确的。尝试稍微改变问题,看看是否可以使其正常工作。根据您迄今学到的所有知识,还有不同的方法可以进一步改进它。

  • 少样本提示

    少样本提示

    虽然大型语言模型展示了惊人的零样本能力,但在使用零样本设置时,它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术,以启用上下文学习,我们在提示中提供演示以引导模型实现更好的性能。演示作为后续示例的条件,我们希望模型生成响应。

    让我们通过Brown等人2020年(opens in a new tab)提出的一个例子来演示少样本提示。在这个例子中,任务是在句子中正确使用一个新词。

    提示:

    “whatpu”是坦桑尼亚的一种小型毛茸茸的动物。一个使用whatpu这个词的句子的例子是:我们在非洲旅行时看到了这些非常可爱的whatpus。“farduddle”是指快速跳上跳下。一个使用farduddle这个词的句子的例子是:

    输出:

    当我们赢得比赛时,我们都开始庆祝跳跃。

    我们可以观察到,模型通过提供一个示例(即1-shot)已经学会了如何执行任务。对于更困难的任务,我们可以尝试增加演示(例如3-shot、5-shot、10-shot等)。

    根据Min等人(2022)(opens in a new tab)的研究结果,以下是在进行少样本学习时关于演示/范例的一些额外提示:

    • “标签空间和演示指定的输入文本的分布都很重要(无论标签是否对单个输入正确)”
    • 使用的格式也对性能起着关键作用,即使只是使用随机标签,这也比没有标签好得多。
    • 其他结果表明,从真实标签分布(而不是均匀分布)中选择随机标签也有帮助。

    让我们尝试一些例子。让我们首先尝试一个随机标签的例子(意味着将标签Negative和Positive随机分配给输入):

    提示:

    这太棒了!// Negative这太糟糕了!// Positive哇,那部电影太棒了!// Positive多么可怕的节目!//

    输出:

    Negative

    即使标签已经随机化,我们仍然得到了正确的答案。请注意,我们还保留了格式,这也有助于。实际上,通过进一步的实验,我们发现我们正在尝试的新GPT模型甚至对随机格式也变得更加稳健。例如:

    提示:

    Positive This is awesome! This is bad! NegativeWow that movie was rad!PositiveWhat a horrible show! --

    输出:

    Negative

    上面的格式不一致,但模型仍然预测了正确的标签。我们必须进行更彻底的分析,以确认这是否适用于不同和更复杂的任务,包括提示的不同变体。

    少样本提示的限制

    标准的少样本提示对许多任务都有效,但仍然不是一种完美的技术,特别是在处理更复杂的推理任务时。让我们演示为什么会这样。您是否还记得之前提供的任务:

    这组数字中的奇数加起来是一个偶数:15、32、5、13、82、7、1。A:

    如果我们再试一次,模型输出如下:

    是的,这组数字中的奇数加起来是107,是一个偶数。

    这不是正确的答案,这不仅突显了这些系统的局限性,而且需要更高级的提示工程。

    让我们尝试添加一些示例,看看少样本提示是否可以改善结果。

    提示:

    这组数字中的奇数加起来是一个偶数:4、8、9、15、12、2、1。A:答案是False。这组数字中的奇数加起来是一个偶数:17、10、19、4、8、12、24。A:答案是True。这组数字中的奇数加起来是一个偶数:16、11、14、4、8、13、24。A:答案是True。这组数字中的奇数加起来是一个偶数:17、9、10、12、13、4、2。A:答案是False。这组数字中的奇数加起来是一个偶数:15、32、5、13、82、7、1。A:

    输出:

    答案是True。

    这没用。似乎少样本提示不足以获得这种类型的推理问题的可靠响应。上面的示例提供了任务的基本信息。如果您仔细观察,我们引入的任务类型涉及几个更多的推理步骤。换句话说,如果我们将问题分解成步骤并向模型演示,这可能会有所帮助。最近,思维链(CoT)提示(opens in a new tab)已经流行起来,以解决更复杂的算术、常识和符号推理任务。

    总的来说,提供示例对解决某些任务很有用。当零样本提示和少样本提示不足时,这可能意味着模型学到的东西不足以在任务上表现良好。从这里开始,建议开始考虑微调您的模型或尝试更高级的提示技术。接下来,我们将讨论一种流行的提示技术,称为思维链提示,它已经获得了很多关注。

  • 零样本提示

    零样本提示

    如今,经过大量数据训练并调整指令的LLM能够执行零样本任务。我们在前一节中尝试了一些零样本示例。以下是我们使用的一个示例:

    零样本提示图

    提示:

    将文本分类为中性、负面或正面。文本:我认为这次假期还可以。情感:

    输出:

    中性

    请注意,在上面的提示中,我们没有向模型提供任何示例——这就是零样本能力的作用。

    指令调整已被证明可以改善零样本学习Wei等人(2022)(opens in a new tab)。指令调整本质上是在通过指令描述的数据集上微调模型的概念。此外,RLHF(opens in a new tab)(来自人类反馈的强化学习)已被采用以扩展指令调整,其中模型被调整以更好地适应人类偏好。这一最新发展推动了像ChatGPT这样的模型。我们将在接下来的章节中讨论所有这些方法和方法。

    当零样本不起作用时,建议在提示中提供演示或示例,这就引出了少样本提示。在下一节中,我们将演示少样本提示。

  • 提示词示例

    提示词示例

    在本节中,我们会提供更多示例,介绍如何使用提示词来完成不同的任务,并介绍其中涉及的重要概念。通常,学习概念的最佳方法是通过示例进行学习。下面,我们将通过示例介绍说明如何使用精细的提示词来执行不同类型的任务。

    主题:

    • 文本概括
    • 信息提取
    • 问答
    • 文本分类
    • 对话
    • 代码生成
    • 推理

    文本概括

    自然语言生成的标准任务之一是文本概括。文本概括可能涉及到不同的风格和领域。事实上,语言模型最前景的应用场景之一就是能够快速概括出易于理解的文章大意和相关概念。 我们可以使用提示词尝试一个简单的概括任务。

    假设我想了解抗生素的相关信息,我可以给出这样的提示:

    提示词

    Explain antibioticsA:

    输出结果

    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.

    在问答形式中,“A:” 是一种明确的提示格式。 在这个示例中,我用它去提示模型,我想要该概念的进一步解释。 在这个例子中,我们可能还不清楚使用它是否有用,我们会在之后的示例中探讨这一点。 现在假设我们感觉模型给了太多的信息,想要进一步提炼它。 我们可以指导模型帮我们用一句话总结相关内容:

    提示词

    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: // 用一句话解释上面的信息:

    输出结果

    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.

    本示例是模型在没有过多关注上文输出内容的准确性的情况下,尝试用一个句子来总结段落内容。 关于上文准确性,我们可以通过指令或说明进一步改善它,这一点我们会在后续指南中进行探讨。 读到这里,您可以暂时停住并进行实验,看看是否能获得更好的结果。


    信息提取

    语言模型通过训练不仅可以用于执行自然语言生成相关任务,还可以用于执行文本分类和其他一系列自然语言处理 (NLP) 任务。

    使用以下示例提示词从指定段落中提取信息:

    提示词

    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语言模型:

    输出结果

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

    我们可以通过许多方式改进以上结果,但当前方式已经非常有用。

    现在应该很明显,您可以通过简单地指示语言模型去执行不同的任务。 AI 研发人员也利用这种能力来构建强大的产品和体验。


    问答

    提高模型响应精确度的最佳方法之一是改进提示词的格式。 如前所述,提示词可以通过指令、上下文、输入和输出指示以改进响应结果。 虽然这些要素不是必需的,但如果您的指示越明确,响应的结果就会越好。 以下示例可以说明结构化提示词的重要性。

    提示词

    Answer the question based on the context below. Keep the answer short and concise. Respond "Unsure about answer" if not sure about the answer. // 基于以下语境回答问题。如果不知道答案的话,请回答“不确定答案”。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:

    输出结果

    Mice.

    文本分类

    目前,我们已经会使用简单的指令来执行任务。 作为提示工程师,您需要提供更好的指令。 此外, 您也会发现,对于更负责的使用场景,仅提供指令是远远不够的。 所以,您需要思考如何在提示词中包含相关语境和其他不同要素。 同样,你还可以提供其他的信息,如输入数据示例

    可以通过以下示例体验文本分类:

    提示词

    Classify the text into neutral, negative or positive. // 将文本按中立、负面或正面进行分类Text: I think the food was okay. Sentiment:

    输出结果

    Neutral

    我们给出了对文本进行分类的指令,语言模型做出了正确响应,判断文本类型为 'Neutral'。 如果我们想要语言模型以指定格式作出相应, 比如,我们想要它返回 neutral 而不是 Neutral, 那我们要如何做呢? 我们有多种方法可以实现这一点。 此例中,我们主要是关注绝对特性,因此,我们提示词中包含的信息越多,响应结果就会越好。 我们可以使用以下示例来校正响应结果:

    提示词

    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:

    输出结果

    neutral

    完美! 这次模型返回了 neutral,这正是我们想要的特定标签。 提示词中的示例使得模型可以给出更具体的响应。 有时给出具体的指令十分重要,可以通过以下示例感受这一点:

    提示词

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

    输出结果

    Neutral

    这时候你知道给出具体指令的重要性了吧?


    提示词示例图

    对话

    你可以通过提示工程进行更有趣的实验,比如指导大语言模型系统如何表现,指定它的行为意图和身份。 如果你正在构建客服聊天机器人之类的对话系统时,这项功能尤其有用。

    比如,可以通过以下示例创建一个对话系统,该系统能够基于问题给出技术性和科学的回答。 你可以关注我们是如何通过指令明确地告诉模型应该如何表现。 这种应用场景有时也被称为_角色提示(Role Prompting)_。

    提示词

    The following is a conversation with an AI research assistant. The assistant tone is technical and scientific. // 以下是与 AI 助理的对话,语气应该专业、技术性强。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?AI:

    输出结果

    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.

    我们的 AI 助理给出的回答非常技术对吧? 下面,我们让它给出更易于理解的答案。

    提示词

    The following is a conversation with an AI research assistant. The assistant answers should be easy to understand even by primary school students. // 以下是与 AI 助理的对话。请给出易于理解的答案,最好是小学生都能看懂的那种。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: 

    输出结果

    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.

    我想我们应该取得了一些进展, 你也可以继续改进它。 如果你再添加更多的示例,可能会得到更好的结果。


    代码生成

    大语言模型另外一个有效的应用场景是代码生成。 在此方面,Copilot 就是一个很好的示例。 你可以通过一些有效的提示词执行代码生成任务。 让我们来看一下下面的例子。

    我们先用它写个简单的用户欢迎程序:

    提示词

    /*询问用户的姓名并说“ Hello”*/

    输出结果

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

    你看,我们甚至都不需要指定要使用的编程语言。

    来,我们再稍微升级一下。 下面的例子会向你展示提示词会让大语言模型变得多么强大。

    提示词

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

    输出结果

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

    挺厉害的嘛。 本例中,我们提供了有关数据库架构并要求它生成有效的 MySQL 查询。


    推理

    目前对于大语言模型来说,推理任务算是最具有挑战性的了。 推理任务最让人兴奋的地方就是可以促使各种复杂的应用程序从大语言模型中诞生。

    目前,涉及数学能力的推理任务已经有了一些改进。 对于当前的大型语言模型来说,执行推理任务可能会有一些难度,因此就需要更高级的提示词工程技术。 我们会在后面的指南中介绍这些高级技术。 现在,我们将介绍几个基本示例来展示算术功能。

    提示词

    What is 9,000 * 9,000?

    输出结果

    81,000,000

    来,我们加大难度:

    提示词

    The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1. A: 

    输出结果

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

    这不对! 我们试着用提示词去改进它:

    提示词

    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. 

    输出结果

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

    好多了吧? 顺便说一句,我试过几次,有时还是会失败。 如果你可以用示例给模型说明一下,可能会获得更准确的结果。

    我们后面还会在本章节中介绍更多常见应用示例。

    在后面的章节,我们将介绍更高级的提示工程概念和技术,以完成更困难任务。

  • 设计提示的通用技巧

    设计提示的通用技巧

    以下是设计提示时需要记住的一些技巧:

    从简单开始

    在设计提示时,需要记住这是一个迭代的过程,需要大量的实验来获得最佳结果。使用像OpenAI或Cohere这样的简单平台是一个很好的起点。

    您可以从简单的提示开始,随着您的目标是获得更好的结果,不断添加更多的元素和上下文。在此过程中对您的提示进行版本控制是至关重要的。当您阅读本指南时,您会看到许多例子,其中具体性、简洁性和简明性通常会给您带来更好的结果。

    当您有一个涉及许多不同子任务的大任务时,您可以尝试将任务分解为更简单的子任务,并随着获得更好的结果而不断构建。这避免了在提示设计过程中一开始就添加过多的复杂性。

    通用提示工程技巧

    指令

    您可以使用命令来指示模型执行各种简单任务,例如“写入”、“分类”、“总结”、“翻译”、“排序”等,从而为各种简单任务设计有效的提示。

    请记住,您还需要进行大量的实验,以查看哪种方法最有效。尝试使用不同的关键字、上下文和数据尝试不同的指令,看看哪种方法最适合您的特定用例和任务。通常情况下,上下文与您要执行的任务越具体和相关,效果越好。我们将在即将推出的指南中介绍采样和添加更多上下文的重要性。

    其他人建议将指令放在提示的开头。建议使用一些清晰的分隔符,如“###”,来分隔指令和上下文。

    例如:

    提示:

    ### 指令 ###将以下文本翻译成西班牙语:文本:“hello!”

    输出:

    ¡Hola!

    具体性

    对您希望模型执行的指令和任务非常具体。提示越具体和详细,结果就越好。当您有所期望的结果或生成样式时,这一点尤为重要。没有特定的令牌或关键字会导致更好的结果。更重要的是具有良好的格式和描述性提示。实际上,在提示中提供示例非常有效,可以以特定格式获得所需的输出。

    在设计提示时,您还应考虑提示的长度,因为提示的长度有限制。考虑到您应该具体和详细的程度是需要考虑的。包含太多不必要的细节并不一定是一个好方法。这些细节应该是相关的,并有助于完成手头的任务。这是您需要进行大量实验的事情。我们鼓励大量实验和迭代,以优化您的应用程序的提示。

    例如,让我们尝试从一段文本中提取特定信息的简单提示。

    提示:

    提取以下文本中的地名。所需格式:地点:<逗号分隔的公司名称列表>输入:“虽然这些发展对研究人员来说是令人鼓舞的,但仍有许多谜团。里斯本未知的香帕利莫德中心的神经免疫学家Henrique Veiga-Fernandes说:“我们经常在大脑和我们在周围看到的效果之间有一个黑匣子。”“如果我们想在治疗背景下使用它,我们实际上需要了解机制。””

    输出:

    地点:里斯本,香帕利莫德中心

    输入文本来自这篇Nature文章(opens in a new tab)

    避免不精确

    在上面关于详细和格式改进的提示中,很容易陷入想要过于聪明的提示陷阱,从而可能创建不精确的描述。通常最好是具体和直接。这里的类比非常类似于有效的沟通——越直接,信息传递就越有效。

    例如,您可能有兴趣了解提示工程的概念。您可以尝试这样做:

    解释提示工程的概念。保持解释简短,只有几句话,不要过于描述。

    从上面的提示中不清楚要使用多少句话和什么样的风格。您可能仍然可以通过上面的提示获得良好的响应,但更好的提示是非常具体、简洁和直接的。例如:

    使用2-3句话向高中学生解释提示工程的概念。

    做还是不做?

    设计提示时的另一个常见技巧是避免说不要做什么,而是说要做什么。这鼓励更具体化,并关注导致模型产生良好响应的细节。

    以下是一个电影推荐聊天机器人的示例,因为我写的指令——关注于不要做什么,而失败了。

    提示:

    以下是向客户推荐电影的代理程序。不要询问兴趣。不要询问个人信息。客户:请根据我的兴趣推荐电影。代理:

    输出:

    当然,我可以根据您的兴趣推荐电影。您想看什么类型的电影?您喜欢动作片、喜剧片、爱情片还是其他类型的电影?

    以下是更好的提示:

    提示:

    以下是向客户推荐电影的代理程序。代理负责从全球热门电影中推荐电影。它应该避免询问用户的偏好并避免询问个人信息。如果代理没有电影推荐,它应该回答“抱歉,今天找不到电影推荐。”。```顾客:请根据我的兴趣推荐一部电影。客服:

    输出:

    抱歉,我没有关于您兴趣的任何信息。不过,这是目前全球热门的电影列表:[电影列表]。希望您能找到喜欢的电影!
    
    详情可查看OpenAI官方说明:https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api
  • prompt基础概念

    prompt基础概念

    基础提示词

    您可以通过简单的提示词(Prompts)获得大量结果,但结果的质量与您提供的信息数量和完善度有关。一个提示词可以包含您传递到模型的_指令_或_问题_等信息,也可以包含其他详细信息,如_上下文_、_输入_或_示例_等。您可以通过这些元素来更好地指导模型,并因此获得更好的结果。

    看下面一个简单的示例:

    提示词

    The sky is

    输出结果

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

    如以上示例,语言模型能够基于我们给出的上下文内容 `”The sky is” 完成续写。 而输出的结果可能是出人意料的,或远高于我们的任务要求。

    基于以上示例,如果想要实现更具体的目标,我们还必须提供更多的背景信息或说明信息。

    可以按如下示例试着完善一下:

    提示词

    完善以下句子:The sky is

    输出结果

    so  beautiful today.

    结果是不是要好一些了?本例中,我们告知模型去完善句子,因此输出的结果和我们最初的输入是完全符合的。提示工程(Prompt Engineering)就是探讨如何设计出最佳提示词,用于指导语言模型帮助我们高效完成某项任务。

    以上示例基本说明了现阶段的大语言模型能够发挥的功能作用。它们可以用于执行各种高级任务,如文本概括、数学推理、代码生成等。

    基础提示词演示

    提示词格式

    前文中我们还是采取的比较简单的提示词。 标准提示词应该遵循以下格式:

    <问题>?

    <指令>

    这种可以被格式化为标准的问答格式,如:

    Q: <问题>?A: 

    以上的提示方式,也被称为_零样本提示(zero-shot prompting)_,即用户不提供任务结果相关的示范,直接提示语言模型给出任务相关的回答。某些大型语言模式有能力实现零样本提示,但这也取决于任务的复杂度和已有的知识范围。

    基于以上标准范式,目前业界普遍使用的还是更高效的_小样本提示(Few-shot Prompting)_范式,即用户提供少量的提示范例,如任务说明等。小样本提示一般遵循以下格式:

    <问题>?<答案><问题>?<答案><问题>?<答案><问题>?

    而问答模式即如下:

    Q: <问题>?A: <答案>Q: <问题>?A: <答案>Q: <问题>?A: <答案>Q: <问题>?A:

    注意,使用问答模式并不是必须的。你可以根据任务需求调整提示范式。比如,您可以按以下示例执行一个简单的分类任务,并对任务做简单说明:

    提示词

    This is awesome! // PositiveThis is bad! // NegativeWow that movie was rad! // PositiveWhat a horrible show! //

    输出结果

    Negative

    语言模型可以基于一些说明了解和学习某些任务,而小样本提示正好可以赋能上下文学习能力。