ai读博客 Effective Prompt 编写高质量Prompt的14个有效方法
非原创, 用 ai 对笔记进行了重构
如何撰写高效的提示词（Prompt Engineering）
在人工智能领域，特别是与大型语言模型（LLMs）的交互中，提示词工程（Prompt Engineering）成为了一项重要的技能。本文旨在提供一套清晰的指导原则和实例，帮助用户撰写出更有效的提示词。
1. 明确“好结果”的标准
在设计提示词时，首先需要明确什么样的输出算是“好结果”。这是因为提示词的性能上限与我们对“好结果”的理解程度成正比。例如，如果任务是写影评，那么“好结果”可能包括深入的分析、流畅的文笔和精准的观点表达。
示例：
- Bad：请写一篇关于《长安三万里》的影评。
- Good：请从画风和剧情两个角度，以专业的视角为《长安三万里》写一份通俗易懂的800字影评。
2. 精准表达任务指令
使用官方、书面、礼貌、友善的语言撰写提示词，力求语句流畅、意图清晰、表达精简。避免使用语法结构复杂、语义模糊、逻辑混乱的语言。
示例：
- Bad：解释提示工程的概念。解释要简短，几句话就行，不要描述得过于专业化。
- Good：使用2-3句话向高中生解释提示工程的概念。
3. 为否定句设置兜底策略
当确实需要避免模型完成某些任务时，可以使用否定句，但应为每一个否定句都设置一个兜底策略。
示例：
- Bad：现在你是一个向客户推荐电影的客服。在此过程中，你不应该询问客户的兴趣和个人信息。
- Good：现在你是一个向客户推荐电影的客服。在此过程中，你应该避免询问客户的兴趣和个人信息。如果你无法为客户推荐电影，你应该回答“抱歉，我无法为您推荐电影”。
4. 指定模型所扮演的角色
指定模型扮演的角色/身份可以帮助模型更好地定位答复的内容与风格。
示例：
- Bad：请帮我写一份能够吸引大量粉丝点赞的青岛旅游攻略。
- Good：你是一位小红书爆款文案写作大师，请帮我写一份青岛旅游攻略。
5. 指定生成结果的格式
如果要进行的任务是信息处理类任务，则可显式规定模型返回结果的格式。
示例：
- 抽取出文本中提到的重要实体，包括人名、地名和机构名。
- 返回格式：
- 人名：<人名列表，使用分号分隔>
- 地名：<地名列表，使用分号分隔>
- 机构名：<机构名列表，使用分号分隔>
- 返回格式：
6. 增加强调词和强调符号
当提示词包含的指令过多时，模型可能会更关心靠前和靠后的指令，忽略中间的指令。因此，将重要的需求放在前面，并在最后加以重复可以起到强调的作用。
示例：
- Bad：请抽取出以下简历的关键信息，并以json格式返回结果：{input}
- Good：请抽取出以下简历的关键信息，并以json格式返回结果。
- 简历：
- "{input}"
- 你需要抽取的关键信息包括：
- "1. 姓名"
- "2. 电话"
- "3. 毕业院校"
- "4. 科研经历"
- "5. 项目经历"
- "6. 荣誉奖项"
- 简历：
7. 撰写模块化的Prompt
当提示词过长时，应将提示词划分成边界清晰的模块，任务描述、注意事项、样本示例、输入内容之间都应有明确的分隔符。
示例：
- Bad：请抽取出以下简历的关键信息，并以json格式返回结果：{input} 你需要抽取的关键信息包括：姓名、电话、毕业院校、科研经历、项目经历、荣誉奖项
- Good：请抽取出以下简历的关键信息，并以json格式返回结果。
- 简历：
- """
- {input}
- """
- 你需要抽取的关键信息包括：
- """
-
- 姓名
-
- 电话
-
- 毕业院校
-
- 科研经历
-
- 项目经历
-
- 荣誉奖项
- """
- 简历：
8. 在真实场景下迭代Prompt
优质的提示词应具备良好的通用性，在不同的输入上有一致良好的表现。因此，Prompt的设计是一个迭代的过程，需要大量的实验来获得最佳效果。
9. 测试Prompt的稳定性
当任务的定义足够明确、清晰时，提示词的生成结果应该具备一定程度的稳定性，即多次生成的结果一致率要足够高。
10. 使用思维链
思维链可以促使模型将一个复杂的任务分解成一系列简单的任务，并逐个解决，最后汇总为最终的答案。
示例：
- Bad：
- Good：请你帮我计算一下，每一步运算过程都要展示出来，并确保计算的正确性。
11. 使用Few-shot Prompt
Few-shot Prompt通过为模型提供一个答案的参考框架，通过模仿的方式来生成我们期望的结果。
示例：
- 请你判断以下问题是否属于知识问答类：
- 问题：世界上最高的建筑是什么 # easy case，属于客观知识问答
- 答案：是
- 问题：nested_dict = lambda: defaultdict(nested_dict) 如何理解这行代码 # corner case，属于代码问答
- 答案：否
12. 设置拒答策略
当模型无法提供准确答案时，设置拒答策略可以提高生成数据的质量。
示例：
- 只有当你知道答案或能够做出有根据的预测时，才能回答下面的问题，否则，请告诉我你不知道答案。
13. 权衡Prompt的精度与召回率
提示词表述越细致，越严格时，生成结果的精度越高，召回率越低。需要根据自身的业务需求，不断进行case分析与Prompt迭代，从而找到最优的Prompt表述策略。
14. 使用大模型辅助Prompt撰写
当任务本身比较模糊，难以准确且具体地描述时，可以向大模型寻求撰写提示词的灵感。
示例：
- 你现在是一个提示词生成专家，我想让ChatGPT完成{task}，请帮我写一份优质的提示词。
最新提示词工程权威资讯链接
以下是一些最新的提示词工程权威资讯链接，供您进一步学习和探索：
- 自动提示词工程（APE）详细介绍和代码实现：https://towardsdatascience.com/automated-prompt-engineering-the-definitive-hands-on-guide-1476c8cd3c50?gi=9b56727d992b
- 吴恩达联合OpenAI推出的免费ChatGPT提示词课程：https://p.gptsb.cn/cn
- Prompt Engineering课程中文版：https://prompt-engineering.xiniushu.com/
- PromptPerfect：专为大型语言模型设计的提示优化器：https://promptperfect.jina.ai/
- AIShort：提供多种语言模型的提示词生成和优化：https://aishort.nextai.today/
- 吴恩达ChatGPT提示词课程中文完整版视频：https://www.bilibili.com/video/BV1LL41167hW/
- 吴恩达官宣的ChatGPT提示词新课：https://www.thepaper.cn/newsDetail_forward_22895559?commTag=true
- 百度文心大模型ERNIE的最新进展：https://baike.baidu.com/item/%E6%96%87%E5%BF%83%E4%B8%80%E8%A8%80/62642976
Tags
Backlinks