如何通过10个简单步骤，让AI创作效率翻倍，性能提升90%

本文背景

随着不断深入地使用 AI 以及体验更多产品

最近对于大模型的使用感悟又有了一些新收获。

今天，特意来和大家分享 10 个大模型的使用妙招 。

这既是分享，也是我自己的学习梳理。

下面介绍的这些技巧，适用于所有大模型应用（比如 ChatGPT、Claude、Gemini、Kimi、腾讯元宝、智谱、豆包、文心、通义、讯飞星火、海螺 AI、百小应、跃问、万知等等），尤其是文本生成类的 AI。

1、让模型扮演一个角色

这个技巧可能很多人都用过，但很少有人知道其中的原因以及如何更好地运用。

“大模型”里有个“大”字，是因为它预训练的参数规模很大（最新的模型参数常常高达万亿级别）。 在大量参数预训练的过程中，出现了基于“规模效应”的智能显现 ，你也可以理解为“大力出奇迹”。

随着参数量的增加，大模型变得更加智能，拥有丰富的“能力包”。 让大模型扮演一个角色，就像是在提醒它“回忆”起自己的能力，调用这个领域的模型能力 ，避免跑偏或者迷失方向。

通过“角色扮演”的提示，我们不再需要对每一项能力进行详细描述，也不用对任务进行细致分解，只需要 简单地设定好角色，就能调用出大模型对应的能力。

那么，我们该如何设定角色，才能正确打开“能力包”呢？

清晰准确地描述这个角色就行。

通用模板：

现在你是一位出色的（你想要的身份），拥有（你想要的教育程度），并且有（你想要的工作年限和工作经验），你的工作内容是（与问题相关的工作内容），同时你具备以下能力（你需要的能力）：

1、

2、

3、

……

通常来说，角色的定义与任务的关联度很大，我们对角色了解得越深入（熟悉行业、懂业务），就越能设定出符合预期的角色。

2、拆分工作流

工作流，也就是我们在和大模型交流时很重要的一种输入方式。任务越复杂，就越得进行拆分，这也更考验我们的本事。

工作流其实就是把任务给分解开。要是让大模型做的任务比较复杂，那我们就得先自己动手把任务拆分成各个部分，还得尽量详细地把每个部分都描述清楚。

这里面可能会有一些任务是 AI 干不了的，得我们自己来完成，然后再提供给 AI（这就叫人机协同）。在实际操作中，这种情况经常出现。毕竟现在的模型还没那么聪明呢，真正的通用人工智能还没到来。

比如说，有个用户来找我，想让我帮她写个能自动抓取、总结并且排版文章的提示词。按照她对这个工作任务的说法，我先给她做了个工作流程图。

接着给她介绍了使用流程，最后才是把提示词交给她，还展示了实际的操作情况。

对工作流进行拆分，我们可以把它看成是一次在任务维度上的调整对齐。当我们用文字来描述这些任务的时候，里面其实隐含了很多背景知识和我们的期望。

比如说，我们想让大模型整理一份《黑神话：悟空》的游戏攻略，这就需要它去思考游戏了解、信息收集、攻略制作、玩家常见问题整理等步骤，这些都在游戏攻略的范围之内。

示例： 做一份《荒野大镖客2》的游戏攻略

提示词：

请帮我做一份《荒野大镖客2》的游戏攻略，下面是一些基本的步骤和思考方法：

1.搜集信息：去找关于《荒野大镖客2》的游戏信息，像游戏机制（战斗系统、角色成长、探索要素这些核心玩法）、整个剧情流程（主线任务和支线任务）、物品、隐藏的线索和彩蛋等等。

2.整理攻略。根据你收集到的信息，整理出一份游戏攻略。这份攻略得充分考虑玩家是新手，保证你的攻略是实用且可行的。

3.整理玩家常见问题：收集并整理玩家在玩游戏的时候可能会遇到的常见问题，比如操作上的疑惑、游戏 bug、配置要求等等。

要是你对任务的背景知识不太了解，不会拆分任务，也不知道怎么描述任务拆分。这个问题完全可以交给大模型，让它来帮你。

任务拆分提示词模板 ：

（你要做的任务），都有哪些步骤呢？该怎么去思考呢？

与 Kimi 沟通示例

3、人人都能搞 RAG

大模型进行推理，实际上是依据用户输入的信息来展开。咱们提供的信息越丰富，大模型推理起来就越顺手。

所以呢，要想让大模型效果更棒，就得尽可能多提供输入信息，也就是当下超火的“RAG”技术（检索增强生成）。

这跟人类大脑有点像，我们不会把所有知识都存进大脑里，而是通过检索的方式动态获取知识，接着再凭借自身的智能去推理、做决策和行动。因此，人类可以在后天学习，能够针对不同场景去学不同知识，具备动态获取知识的本事。

这种后天学习的能力，其实就相当于 RAG。

对于目前的大模型，我们可以用下面这些方法来做 RAG，以此提升知识的拓展性和时效性，还有在专业领域的应用。

1）给模型提供知识库

例如通过 AI bot 平台（扣子/腾讯元器），创建属于自己的 Agent 知识库，让模型基于这个知识库进行生成。

2）指定网页检索生成

让模型访问特定网站（site:域名），检索信息后进行生成。

3）给模型提供上下文

主流大模型应用都支持大量上下文，有十万甚至百万、千万那么多，还支持各种格式。给模型提供一定的上下文，能有效提高生成质量。

提供的上下文资料要注意，文件名、文件内容里的文件名以及跟模型对话中的文件名，最好保持一致，别冲突。

4）使用插件

大模型擅长回答通用领域的问题，但在专业领域就没那么在行了。对于专业领域的知识调用，我们可以通过使用插件来实现，调用专业领域的知识。

4、让模型进行链式思考（Cot）

前面提到过，我们要把工作流拆分开，一步一步地分解任务。

对于模型从输入到输出的过程来说，也是这样。我们可以在中间加入一个思维链（Chain of Thought）的推理过程（reasoning chain）。

也就是：input-->Cot-->output

关于 Cot，常见的提示词是“让我们一步一步地思考”，就是让模型逐步进行思考，从而提升模型的生成质量。

比如，如果我想让大模型帮我写一篇文章，那就有两种办法：

1）输入信息后直接输出文章

2）输入信息后先输出大纲，接着完善大纲，再输出标题和正文，然后调整内容，最后输出文章

在《Prompt Engineering Guide》这篇文章里，做了一个简单的 Cot 测试，效果那是相当好。

5、示例要少而精

相信不少人都看过各种提示词模板或者攻略，里面很多都建议添加示例。出发点虽好，但却没提及示例的质量问题。

用户给出示例后，尤其是更多示例时，大模型主要会参照这些示例来回答问题，这在一定程度上会削弱模型自身的思考能力。

现实中，大多数人很难在短时间内把一个意思完整又准确地表达出来。所以你临时想出来的示例，常常存在语言不通顺或者没逻辑等问题，实在没必要放上去。

**要是非得放示例，那就尽量做到“少而精”。

**通过提供更有参考价值的示例，来减少示例带来的不良影响。

有参考示例：

无示例：

6、把要求放在最后

通常情况下，我们会对大模型提出一些要求，比如：

限定字数。
规定文风。
强调用途。
提出去 AI 味的要求（不能用长句子、连词、概括总结）。
要求结构化输出（用 MD 排版或者 Json 格式输出）。
让输出排除某些内容。
让输出只包含特定内容。
提出自检要求（在正式输出前，通读整个回答，检查有没有错别字、标点错误或者语病等）。
进行其他重要性强调（比如“重要”“注意”）。

通过加上这些限制性要求，可以提高 AI 生成结果的准确性。

建议大家在写提示词的时候，把所有限制性要求都放在 Prompt 的最后面，这样能让大模型更“听话”。

背后的原理是：大模型本质上是在做文本补全，生成的内容会更倾向于距离更近的语境。

如果用像 LIME（一种解释机器学习模型预测的算法）这样的模型解释算法来分析，距离更近的文本之间的权重往往更大，这在 Transformer 中的 Attention 权重上能清楚地看到。

你好，我是一名对AI科技充满热情的数字媒体工作者，虽然我缺乏技术背景。我希望你能帮我深入剖析一篇最新发布的大型AI模型研究报告，让我能更准确地把握该领域的技术进步。请从以下7个维度对文章进行详尽的阐释：
1、该研究的核心目标是什么？它旨在解决哪些实际问题？这些问题对AI行业的前进有何深远影响？
2、该研究提出了哪些创新的理念、策略或模型？与现有模型相比，它们有何独特之处和优势？请尽可能根据论文的具体内容进行分析。
3、该研究通过哪些实验来证实所提出模型的可靠性？实验是如何设计的？实验数据和结果如何？请引用关键数据来阐释。
4、该研究的成果将如何影响AI行业？有哪些潜在的应用场景和商机？作为媒体人士，我应该关注哪些点？
5、在未来，该研究方向还有哪些问题和挑战值得深入探讨？这可能会催生哪些新技术和商业机遇？
6、从批判性思维的角度来看，这篇论文还有哪些不足之处和遗漏？还有哪些内容需要进一步验证和质疑？
7、对于非技术背景的读者来说，我应该从这篇论文中学习到什么，有哪些启示？你认为我还需要补充哪些背景知识？
请用1000-1500字的篇幅，对论文进行深入分析。在阐述过程中，请多引用论文中的具体内容、关键数据和实验结果，帮助我清晰地理解论文的创新之处。同时，请从技术和商业的角度，探讨其对AI领域和产业界的影响。如果论文中有一些技术术语我可能不太熟悉，也请提供通俗易懂的解释。
在回答格式上，请注意以下几点：1、使用三级标题来对应上述7个问题，明确区分不同部分。2、采用Markdown格式，适当使用列表、加粗等排版元素。3、引用原文时请采用blockquote的引用格式。4、关键术语首次出现时请加粗。5、使用中文撰写，学术术语可以用英文补充。6、适当插入图表，图文结合，帮助我理解论文内容。
谢谢！