Prompt 有很多网站已经收录了，比如：aimappro

有些直接抄上述网站的作业即可，不过也来看看，
有一些日常提问大概的咒语该怎么写。

1 三种微调下的提示写法

chatgpt时代的创新：LLM的应用模式比较
实际案例说明AI时代大语言模型三种微调技术的区别——Prompt-Tuning、Instruction-Tuning和Chain-of-Thought

三类：

• In-context Learning（上下文学习）
• Instruction Tuning（指令微调）
• Chain of Thought（思维链）

1.1 In-context Learning（上下文学习）

In-context Learning接近小样本学习

举一个实际咒语的例子：

给你一个例子：
给出的句子是：值得去的地方，石头很奇特，景色优美，环境宜人，适合与朋友家人一起游玩！
你应该判断该句子的情感是什么，情感从['正面的', '负面的', '中性的']里选择。
输出列表：["正面的"]
如果不存在，回答：没有。
返回结果为输出列表。

现在，我给你一个句子，如"散热很好、低噪音、做工扎实、键盘舒适"，你应该判断句子的情感倾向，并以列表的形式返回结果，如果不存在，则回答：没有。
{'sentence': '散热很好、低噪音、做工扎实、键盘舒适', 'type': '', 'access': '', 'task': 'SA', 'lang': 'chinese', 'result': ['正面的'], 'mess': [{'role': 'system', 'content': 'You are a helpful assistant.'}, {'role': 'user', 'content': '给你 一个例子：\n给出的句子是：值得去的地方，石头很奇特，景色优美，环境宜人，适合与朋友家人一起游玩！\n你应该判断该句子的情感是什么，情感从[\'正面的\', \'负面的\', \'中性的\']里选择。\n输出列表：["正面的"]\n如果不存在，回答：没有。\n返回结果为输出列表。\n\n现在，我给你一个句子，如"散热很好、低噪音、做工扎实、键盘舒适"，你应该该句子的情感倾向，并以列表的形式返回结果，如果不存在，则回答：没有。'}]}

1.2 Instruction Tuning（指令微调）

Instruction通常是一种更详细的文本，用于指导模型执行特定操作或完成任务。Instruction可以是计算机程序或脚本，也可以是人类编写的指导性文本。Instruction的目的是告诉模型如何处理数据或执行某个操作，而不是简单地提供上下文或任务相关信息。
数据格式：

instruction: 指令
input: 输入（本数据集均为空）
output: 输出

就是指令，输入，输出，来看一个例子，加深提问的印象：

1.3 Chain of Thought（思维链）

使用 chain-of-thought，我们可以将问题分解成以下步骤：

将问题输入模型：“计算 3 * (4 + 5)”
模型输出第一步的结果：“计算 4 + 5”
将上一步的结果作为输入，再次输入模型：“计算 3 * 9”
模型输出最终结果：“结果是 27”

在这个例子中，我们可以看到模型是如何通过一系列连贯的思考链（步骤）来逐步解决问题的。
在Chain-of-thought训练中，将数据集中的输入分解为一系列任务是非常关键的一步。一般来说，这个过程需要根据特定的任务和数据集来进行定制。

一个例子：

在提示的时候，加上"Let’s think step by step" （让我们一步一步思考）或者类似的句子，会促使LLM花更多的token把“思考”的过程都表达出来。而更多的token -> 更多的“思考努力" -> 更好的结果。

2 提示词模版的要素拆解

参考：如何向ChatGPT问问题才能获得更高质量的答案？

一个好的提示词模版的要素：

看一个大概的例子：

其中，有没有【立角色】在有一些prompt过程中，会差异蛮大，最好都加上。
再来看一个例子：

生成效果：

---

3 GPT 保存对话框，保留历史信息

如果你有一类问题，可以一直在一个对话框询问，同时进行保存，这样就会记住历史消息，相当于一次【In-context Learning（上下文学习）】

---

4 其他Prompt一些小技巧

4.1 通过Prompt让llm反思

来自 “State of GPT” 理解+观后感

在LLM给出答案后，你可以给它一个反思的机会（比如说，问它一句“你确定吗”），这样如果它之前犯了错误，它就有一个纠正的机会。

4.2 明确告诉LLM你需要正确的答案

来自 “State of GPT” 理解+观后感

在提示里加上"Let’s make sure we have the right answer"，否则LLM可能并不认为给出错误的答案是不好的。