为大型语言模型编写有效的提示
需要进行一些尝试但
目录
仍然有一些常见的方法可以编写良好的提示，使大语言模型（LLM）在理解你的需求时不会感到困惑。
如何通过提示工程技巧提升语言模型性能
提示工程是一种在自然语言处理（NLP）中使用的强大技术，通过为语言模型提供额外的上下文、指导和任务相关信息，从而提升其性能。本文将引导你了解各种方法，帮助你创建有效的提示，从而让NLP模型生成更准确、相关和多样的输出。
制作有效的提示
1. 清晰简洁
- 目标：确保你的提示对语言模型来说易于理解。
- 实现方式：避免使用可能让模型混淆的术语或技术用语。保持指令简洁明了。
2. 使用具体示例
- 目标：帮助模型更好地理解期望的输出类型。
- 实现方式：在提示中包含具体示例，例如在故事生成任务中设置场景、角色或情节细节。
3. 多样化提示
- 目标：让模型更全面地了解任务并生成多样化的输出。
- 实现方式：尝试不同的风格、语气和格式，观察模型的反应。
4. 测试和优化
- 目标：验证提示的有效性并进行必要的调整。
- 实现方式：创建一组提示后，在语言模型上进行测试。分析结果并根据反馈或性能指标优化提示。
5. 使用反馈
- 目标：持续改进提示的质量和相关性。
- 实现方式：结合用户反馈或其他来源的见解，随着时间的推移提升提示的有效性。
明确指令以获得更好的结果
示例：
- 提示：向我解释大型语言模型的最新进展。
- 指令：始终引用来源，且来源不得早于2020年。
为小学生设计的风格
解释：使用简单语言和适合儿童教育网络的可理解示例来呈现复杂概念。
格式指南
示例：
{
"role": "sentiment_classifier",
"instructions": [
"对于每条消息，提供积极、中性和消极情感的百分比。",
"示例：'我喜欢它' -> 70%积极，30%中性；'它还可以更好' -> 0%积极，50%中性，50%消极"
],
"examples": [
{
"message": "我觉得还可以",
"sentiment": [25%, 50%, 25%]
},
{
"message": "我太喜欢了！",
"sentiment": [100%, 0%, 0%]
}
]
}
基于角色的提示
示例：
- 提示：你是一名虚拟导游，正在带领游客在埃菲尔铁塔进行夜间游览。向你的观众描述埃菲尔铁塔，包括其历史、每年的游客人数、完整游览所需时间，以及为什么每年有这么多人来此地参观。
思维链技术
示例：
- 提示：你是一名1901年的虚拟导游，你的游客正在参观埃菲尔铁塔。
- 它为何而建？
- 建造它花了多长时间？
- 建造所用的材料是从哪里获取的？
- 20世纪每年的游客人数是多少？
- 完整游览需要多长时间，为什么每年有这么多人来此地参观？
自洽性
示例：
- 提示：约翰发现15个数字的平均数是40。 如果每个数字都加上10，新的平均数是多少？
- 指令：多次运行提示并选择最常返回的答案。
检索增强生成
示例：
根据以下关于门洛帕克气温的信息：
-
2023-12-11：52华氏度
-
2023-12-12：51华氏度
-
2023-12-13：55华氏度
-
提示：2023年12月12日门洛帕克的气温是多少？
程序辅助语言模型
示例：
- 提示：计算：((-5 + 93 * 4 - 0) * (4^4 + -7 + 0 * 5))
限制多余标记
示例：
- 提示：你是一个只能输出JSON的机器人。
- 指令：你的回复必须包含字段 ‘zip_code’。
- 示例问题：门洛帕克的邮编是多少？
- 预期答案：{“zip_code”: “94025”}
减少幻觉
示例1：
- 提示：向高中生解释量子计算的概念。
- 指令：提供简单解释，避免使用复杂术语。
示例2：
- 提示：写一封邮件给你的老板，请求安排一次关于项目进展的会议。
- 指令：使用专业语言，保持正式语气，并包含关于项目状态的具体细节。
示例3：
- 提示：生成一首关于自然的诗。
- 指令：专注于与自然元素相关的描述性语言和意象。
结论
通过遵循这些提示工程指南，你可以显著提升NLP模型的性能。无论是通过清晰的指令、具体的示例还是基于角色的提示，每种技巧都在引导模型生成更准确和相关的输出方面发挥着关键作用。
