怎样提升大语言模型(LLM)回答准确率
目录
-
- 怎样提升大语言模型(LLM)回答准确率
-
- 激励与规范类
- 知识关联类
- 情感与语境类
- 逆向思维类:为什么不,反面案例
- 群体智慧类
- 明确指令类
- 示例引导类
- 思维引导类
- 约束限制类
- 反馈交互类:对话
激励与规范类
- 给予奖励暗示:在提示词中暗示模型如果回答出色会得到“奖励”,虽然模型本身不会真正理解奖励,但这种积极的引导可能会促使其生成更优质内容。例如,“如果你能给出一个逻辑清晰、内容全面且具有创新性的解决方案,就相当于帮助我解决了一个大难题,后续我会有更多有价值的问题和你探讨”。
- 设定质量标准:明确告知模型你对回答质量的期望,如准确性、深度、创新性等方面的标准。比如,“请给出一个准确性高、具有深度分析且创新性强的市场营销策略,以提升某小众品牌化妆品的知名度”。
知识关联类
- 引入相关领域知识:在提问时引入与问题相关的其他领域知识,帮助模型建立更广泛的知识联系。例如,在询问关于某种新药物研发进展时,可以提及相关的生物学理论或前期研究成果,“基于目前的基因编辑技