高效编写大模型 Prompt 提示词,解锁 AI 无限创意潜能

news2024/11/26 6:50:27

随着 ChatGPT 的出现,AI 成为新的焦点,有人说过“未来 50%的工作将是提示词工作”,目前很多公司也在开始招聘 Prompt 提示词工程师。Prompt(提示词)成为了连接创意与技术的桥梁,它不仅是简单的指令,更是激发 AI 潜能的关键。从文章编写到艺术创作,从文本摘要到语言润色,Prompt 的恰当使用能够极大地提升输出的质量与效率。本文将探讨如何编写高效、精准的 Prompt 提示词,最后通过应用场景来具体分析……

Prompt 提示词需要一定技巧

Prompt招聘职位

51job招聘网站搜索Prompt 工程师可以看到,不少公司都有招聘职位,里面还有包括如字节跳动等大型公司,由此可见 Prompt 提示词对用好大模型起到关键作用。

目前像市面上有不少免费的大模型(包括前文我们自己笔记本电脑上也部署了 Llama 3 大模型),在使用这些大模型过程中经常遇到一下问题:

  1. 大模型的输出并不能准确输出期望内容
  2. 大模型不能很好地理解我的提示词,甚至答非所问
  3. 大模型基于我的提示词不能给出准确的输出
  4. 不断优化了我的提示词,但是效果仍不理想
  5. ……

Prompt 提示词原则和技巧

Prompt 提示词基本原则包括:清晰具体、重点明确、充分详尽、避免歧义等。

这些原则其实比较容易理解:我们把大模型想象成一位无所不能无所不知且不知疲惫的大师,我们希望这位大师尽可能的满足我们的需求,我们首先要做到是不是把我们的需求清晰具体充分明确准确无歧义地告诉这位大师呢?更何况这位大师还是一个程序呢!

编写 Prompt 提示也有一些常见的技巧,这些技巧包括:结构化、加分隔符、加示例、加要求等。如果我们在使用大模型时遇到上面提到问题,不妨按照这些技巧优化一下 Prompt 提示词,如果能熟练掌握并灵活运用这些技巧,驾驭大模型的能力能够有很大提升。

Prompt 技巧一:结构化

要做到完全结构化其实很难也很累,一般来说,越是复杂的任务提示词需要越详细,越是简单的任务可以越简单(想象一下,你希望大师满足你的需求,需求越复杂是不是得给大师足够的信息才行)。

其实 Prompt 提示词的内容就是通过文字将模型要做的事情交代清楚,“结构化”表达相信大家都学过或者看过,想要模型更好地理解我们的意图,就需要将提示词“结构化”,总结下来包括以下四部分:

  1. 概述:在什么背景下,要做一件什么事;可以指明用户或 AI 的角色是什么。
  2. 过程:承担什么样的智能,满足什么样的规则,按照什么样的流程。
  3. 依赖:使用什么样的工具,用到哪些知识,处理哪些素材?
  4. 控制:对模型的处理过程有哪些要求,包括正向和负向的要求。

Prompt 技巧二:加分割符

严格意义上来说,加分隔符也是结构化的一种表述方式,在提示词中合理添加分隔符,可以准确区分指令和待处理的内容,避免模型解读提示词时出现困扰。

常见的分隔符包括: : ```、— 、=== 等

Prompt 技巧三:加示例

有时候,为了让模型更好地理解你的意图避免歧义,可以更精确地控制模型的输出,需要在提示词中给出一些示例:

用Java语言写一个正则表达式,匹配的规则如下:数字或下划线@some.com,并且不能以数字和下划线开头。
正确示例:a123@some.com、b_123@some.com
错误示例:_123#some.com、12ab#some.com

Prompt 技巧四:加要求

为了更好的帮助大模型理解我们的意图,引导模型按照我们想要的结果输出,我们需要在提示词中加入一些要求。比如文案创作类限定

很多人使用大语言模型进行创作,效果不理想,主要原因都是没有通过要求对输出的内容加以限定。比如:想抽取文章摘要,那么可以限定摘要长度;想编写一个儿童故事,那么可以限定年龄大小、故事输出字数等。

场景:文章编写

推荐 Prompt 示例:“撰写一篇关于未来城市可持续发展的深度分析文章,强调绿色建筑与智能交通系统的作用,目标受众为政策制定者,要求数据丰富、论点明确,1200 个汉字以内。”

该 Prompt 明确了文章的主题、核心观点、目标受众、文章长度以及内容要求等,将有助于 AI 生成具有针对性和深度的内容。

一般 Prompt 示例:“写一篇关于未来的文章。”

过于宽泛的 Prompt 会导致输出内容空洞无物,缺乏焦点,无法满足特定的需求。
在这里插入图片描述

场景:画画

推荐 Prompt 示例:“绘制一幅印象派风格的日出景象,画面中有一艘小船在宁静的湖面上缓缓前行,背景是淡紫色的山峦和橙黄色的天空,注意捕捉光线在水面上的反射效果。”

该 Prompt 具体描述了画作风格、主题、细节及色彩要求,引导 AI 创造出富有情感和艺术感的作品。

一般 Prompt 示例:“画个日出。”

简短的 Prompt 无法提供足够的视觉细节和艺术风格指导,使得最终作品可能缺乏创意和表现力。

在这里插入图片描述

场景:文本生成摘要

推荐 Prompt 示例:“基于这篇关于量子计算的长文,生成一个不超过 100 字的摘要,突出其对加密技术的潜在影响。”

清晰指定了摘要长度和需强调的信息点,有利于 AI 提取核心内容,生成精确摘要。

一般 Prompt 示例:“摘要这篇文章。”

未给出摘要长度限制和重点信息提示,可能导致摘要内容散乱,缺乏针对性。

在这里插入图片描述

场景:文本润色

推荐 Prompt 示例:“请润色这段产品描述,使其更加生动有趣,同时保持专业性,目标客户群为年轻科技爱好者。”

明确了润色方向、风格要求及目标受众,有助于 AI 调整语言风格,提升文本吸引力。

一般 Prompt 示例:“让这段话更好听。”

过于模糊,没有具体说明“更好听”的标准,难以指导 AI 做出有效改进。

在这里插入图片描述

总结

Prompt 提示词的设计是一门平衡艺术,它既要求精确明确,又需留有创意空间。掌握编写高效 Prompt 的技巧,对于提升 AI 辅助工作的质量至关重要。无论是文章编写、艺术创作,还是文本处理,精心构思的 Prompt 都能成为打开创意之门的钥匙,引领我们探索无限可能。

未来,随着科技不断发展,模型能力不断增强,不仅输出“多模态”,输入也应该多模态。提示信息中不仅包括文本,还应该包括图片、音频、视频,甚至包括生物数据等。或许“提示词”将会消失,真正的高效人机交互的时代将会到来。


关注本公众号,我们共同学习进步 👇🏻👇🏻👇🏻

微信公众号:老牛同学


我的本博客原地址:https://ntopic.cn/p/2024052801


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1708775.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Grafana详解

目录 ​编辑 一、Grafana的主要特点 二、Grafana的基本功能 三、Grafana的使用方法 Grafana是一款开源的数据可视化工具,主要用于大规模指标数据的可视化展现。下面将详细介绍Grafana的特点、功能以及基本使用方法。 一、Grafana的主要特点 跨平台性&#xff…

在Ubuntu系统中使用Systemctl添加启动项的详细指南

在Ubuntu系统中使用Systemctl添加启动项的详细指南 在Ubuntu系统中,systemctl 是管理systemd服务的主要工具。通过它,你可以添加、启动、停止、重启、启用和禁用服务。 什么是Systemctl? systemctl 是一个用于管理systemd系统和服务管理器…

【每日刷题】Day50

【每日刷题】Day50 🥕个人主页:开敲🍉 🔥所属专栏:每日刷题🍍 🌼文章目录🌼 1. 654. 最大二叉树 - 力扣(LeetCode) 2. 119. 杨辉三角 II - 力扣&#xff08…

Vue:快速上手

一、简介 Vue (发音为 /vjuː/,类似 view) 是一款用于构建用户界面的 JavaScript 框架。它基于标准 HTML、CSS 和 JavaScript 构建,并提供了一套声明式的、组件化的编程模型,帮助你高效地开发用户界面。无论是简单还是复杂的界面,…

vue3-api之provide与inject

传值&#xff1a; 父组件 > 子组件 > 孙组件 // 父组件 <template><div class"app"><h3>我是app组件(祖) --- {{ name }} {{ price }}</h3><child /></div> </template><script> import { reactive, toRefs,…

第二证券股市行情:未来钢铁行业产业格局有望稳中趋好

机构指出&#xff0c;未来钢铁职业工业格式有望稳中趋好&#xff0c;叠加当时部分公司现已处于价值低估区域&#xff0c;现阶段仍具结构性出资机遇&#xff0c;尤其是拥有较高毛利率水平的优特钢企业和本钱管控力度强、具有规模效应的龙头钢企&#xff0c;未来存在估值修复的时…

大模型主流 RAG 框架TOP10

节前&#xff0c;我们组织了一场算法岗技术&面试讨论会&#xff0c;邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。 针对大模型技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。 总结链接…

MySQL--复合查询

之前学过了基本的查询&#xff0c;虽然已经够80%的使用场景了&#xff0c;但是依旧需要了解剩下的20%。 一、多表笛卡尔积&#xff08;多表查询&#xff09; 以前我们使用基本查询的时候&#xff0c;from后面就跟一张表名&#xff0c;在多表查询这里&#xff0c;from后面可以跟…

BUUCTF:Misc 解析(七)

前言 Buuctf Web 是一个在线安全挑战平台&#xff0c;旨在提高参与者对网络安全的理解和实践能力。本文将详细介绍 Buuctf Web 的特点、挑战和机遇&#xff0c;帮助读者更好地了解这一领域。 一、Buuctf Web 的特点 多样化的挑战场景&#xff1a;Buuctf Web 提供了多种挑战场…

SCI一区 | Matlab实现PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测

SCI一区 | Matlab实现PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测 目录 SCI一区 | Matlab实现PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测预测效果基本介绍程序设…

Transformer模型架构笔记

0. 简介 Transformer是一种用于自然语言处理&#xff08;NLP&#xff09;和其他序列到序列&#xff08;sequence-to-sequence&#xff09;任务的深度学习模型架构&#xff0c;它在2017年由Vaswani等人首次提出。Transformer架构引入了自注意力机制&#xff08;self-attention …

大规模语言模型的书籍分享

在当今人工智能领域&#xff0c;大规模语言模型成为了研究和应用的热点之一。它们以其大规模的参数和强大的性能表现&#xff0c;推动着机器学习和深度学习技术的发展。对于GPT 系列大规模语言模型的发展历程&#xff0c;有两点令人印象深刻。 第一点是可拓展的训练架构与学习范…

所以研究生有不变胖的吗?

天天吃 记得和骏骏一样减肥 分享昨天无人机拍的照片

dubbo复习:(10)使用tripple协议进行通信

一、pom.xml <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://maven.apache.org/POM/4.0.0"xmlns:xsi"http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation"http://maven.apache.org/POM/4.…

开源与闭源:AI大模型发展路径的博弈

一、引言 在人工智能&#xff08;AI&#xff09;领域&#xff0c;大模型以其卓越的性能和广泛的应用前景&#xff0c;成为了近年来技术发展的热点。然而&#xff0c;在大模型的发展路径上&#xff0c;开源与闭源两种模式一直存在着激烈的博弈。本文将深入探讨这两种模式在大模…

【python】删除一个列表中的所有的1

删除所有的1 x [1, 1, 6, 3, 9, 4, 5, 1, 1, 2, 1, 9, 6, 4] 使用lambda函数和filter来过滤掉x中的1 filtered_x list(filter(lambda n: n ! 1, x)) 不是1的数字&#xff0c;存进x列表&#xff0c;filter用于插入元素到第二个位置 print(filtered_x) # 输出: [6, 3, 9, …

K8s 部署prometheus

文章目录 K8s 部署prometheuskube-prometheus 部署部署流程安装卸载补充 K8s 部署prometheus kube-prometheus 部署 kube-prometheus 是 github 上开源的整合了 prometheus alertmanager granfana 等监控工具的项目&#xff0c;github地址 如果github 访问不了的也可以选择 g…

【算法实战】每日一题:设计一个算法,用最少数量的矩形覆盖一系列宽度为d、高度为w的矩形,且使用矩形不能超出边界

题目 设计一个算法&#xff0c;用最少数量的矩形覆盖一系列宽度为d、高度为w的矩形建筑物侧墙&#xff0c;且矩形不能超出边界。 核心思路 考虑这种结构 前面递增后面一个与前面的某个高度一致&#xff0c;这时候考虑最下面的覆盖&#xff08;即都是从最下面向上覆盖&#…

18 - grace数据处理 - 补充 - 地下水储量计算过程分解 - 地表水储量变化Glads水文数据处理

18 - grace数据处理 - 补充 - 地下水储量计算过程分解 - 地表水储量变化 0 引言1 Grace陆地水储量过程整合0 引言 由水量平衡方程可以将地下水储量的计算过程分解为3个部分,第一部分计算陆地水储量变化、第二部分计算地表水储量变化、第三部分计算地下水储量变化。本篇简单介绍…

鹏哥C语言复习——调试

目录 什么是调试&#xff1f; Debug和Release&#xff1a; 调试方法&#xff1a; 环境准备&#xff1a; 调试快捷键介绍&#xff1a; 调试快捷键注意事项&#xff1a; 监视与内存查看&#xff1a; 数组元素的监视&#xff1a; 编译常见错误归类&#xff1a; 编译型错…