Prompt的万能公式和优化技巧

news2024/11/22 14:17:45

文章目录

前言
一、万能公式
二、优化技巧
- 1.设定角色
- 2.设定目标和动机
- 3.引导主观回答
- 4.预设条件
- 5.做强调
- 6.思维链（COT）
- 7.巧用定界符

前言

随着LLM的发展，能给我们带来很多方便，但是又引出了一个新的问题就是我们该如何使用他们，我们怎么才能得到我们想到的信息。

一、万能公式

本篇文章将带你系统了解一个好的Prompt的结构是什么样子，优质的Prompt有什么标准。在大多数的场景中，Prompt有一个万能公式，通过这个公式，可以保证你Prompt输出效果满足底线标准。
你可能在网络上看到过很多这个万能公式的不同版本，每个公式的细节都不相同，但是这不重要，当你掌握了通用方法，自然可以根据不同的角色、场景等信息，设计出适合自己的万能公式。

Prompt = 角色 + 任务 + 要求 + 细节【步骤拆解、范例说明，技巧点拨等】

    这个公式用大白话解释就是你要告诉大模型：你是谁？要做什么？怎么做？
    举个例子，现在你告诉大模型：生成一篇小红书风格的口红种草文案，字数不少于100字，风格要俏皮一些。
    下面我们来拆解这个公式，看每个元素都代表什么意思。

角色：就是你要生成这段信息的主体对象，比如“生成一篇小红书风格的口红种草文案”，“口红”就是角色。
任务：就是需要大模型完成的任务类型，比如生成一张海报，在这个案例中就是生成一篇种草文案。
要求：就是你希望模型完成某一项具体的要求，不少于100字就是具体的要求。
细节：如果你想丰富模型最终生成的结果，可以增加一些细节，比如文案的风格等。
接下来，我们来用文心一言的【新媒体文章创作】这个智能体来试一下这个万能公式的效果，下图中是我没有用万能公式，随便写的一个问题需求，相信很多人给大模型提问都是这样的风格，可以看到，模型给到的回答非常的冗余，内容分不清主次。

在这里插入图片描述
但是如果我们用了万能公式来输出Prompt，效果明显提升了一个台阶，如下图所示，模型给到的回答更像是一个具体的人，且极具小红书的风格，你可以直接拿来去用，而不是冰冷的机器回答的文案。
在这里插入图片描述
优质Prompt标准：
虽然不同的应用场景下对优质的Prompt定义有所区别，但是我们依然可以找到一些共性的特点。具体来说，一条优质的Prompt一般满足以下特点：

明确和具体：提示词应当清晰明了，具体说明你希望获得的信息或答案。避免模糊和含糊不清的表达方式。
简洁明了：保持简洁，避免使用冗长或复杂的句子。简单直接的表达方式更容易理解。
具有上下文：在你的提示中包含相关的上下文信息，以便大模型更好地理解你的问题或需求。提供关键信息，而不是依赖于模糊的问题。
避免歧义：在同类任务中，更换主题词后，Prompt依然可以取得好的效果，避免使用容易引起歧义的词语或短语。
使用关键词：强调关键词，这有助于指导大模型需要关注的重点有哪些，可以通过加粗、斜体或其他方式来实现。

这么讲可能还不够具象，下面我举几个例子来带你看一下优质的Prompt都长什么样子。

1.优质的Prompt对话题有足够的背景信息：
        优质: 请提供有关可控核聚变的最新研究进展和技术趋势的详细信息。
        反例: 可控核聚变是什么？
2. 具体的指令：
        优质: 以500字的篇幅解释人工智能在医学诊断中的应用，并列举相关的成功案例。
        反例: 写点关于人工智能的东西。
3. 引导性强，具体指明期望的回答形式：
        优质: 以比较分析的方式说明区时序数据库和传统关系型数据库的优劣，并指出在哪些场景下使用时序数据库更有优势。
        反例: 写点关于数据库相关的东西。

来测试下第一个案例，通过下面截图我们可以看到，当你输入一条有足够背景信息的Prompt时，你可以从实验装置的进步、高温超导技术的突破、数值模拟和人工智能的应用、核聚变能源商业化等多个方面对可控核聚变有一个全面的认识。
在这里插入图片描述

二、优化技巧

1.设定角色

设定角色可以是一种有趣且有效的方法，通过这种方式，你可以引导大模型生成更具特定性和一致性的回答，在提示词中你可以清晰地定义所设定的角色特征，包括身份、职业、背景等。这有助于大模型更好地理解并在回答中表现出相应的角色特性。

2.设定目标和动机

除了设定角色以外，你还可以通过设定目标和动机的方式丰富角色的形象，以帮助智能体理解在回答中应该关注的方面。

3.引导主观回答

如果你希望模型提供主观性的回答，可以通过提示中的角色设定来引导。表明你期望从设定的角色角度获取意见和观点。

4.预设条件

在Prompt提示中可以清晰地定义你的预设条件，包括任何特定的环境、情境或约束。这可以帮助大模型理解问题的上下文，并生成更符合你期望的回答。比如当我们希望了解人工智能在医疗领域的应用时，模型的答案往往具有科幻色彩，但如果加入现代科技这个前提，模型给到的回答就靠谱了很多。
同时，你还可以在提示中加入约束条件，这样可以限定模型的回答范围，使其在特定框架内生成回答。

在预算有限的情况下，建议如何开展一项科学研究项目，强调资源的有效利用。

当然，你还可以通过引入预设条件，可以引导大模型进行比较与对比。明确提出你希望模型探讨的不同条件下的影响或差异。

比较在自然环境和人工环境中培养植物的影响，考虑生长速度、生态系统互动等方面的不同。

除此之外，你甚至可以通过假设条件来减少大模型回复不准确的概率，比如你可以告诉大模型，如果你的数据存在问题，例如数据不准确、缺乏时效性等，那么可以给出否定答复，例如：对不起，目前没有相关数据可供参考。