玩转ChatGPT丨提示词小技巧

今天给大家分享6个提示词小技巧，通用于各种大语言模型（LLMs），不只是ChatGPT，也包括文心一言或各种开源模型，可以帮助改善输出结果。

当然以下技巧也同样适用于人与人沟通。

技巧1：写下清晰且具体的指令 

技巧2：给模型思考时间

技巧3：多次提示

技巧4：引导模型 

技巧5：分解任务或提示 

技巧6：使用外部工具

技巧1：写下清晰且具体的指令 

给问题提供详细的背景信息。减少歧义可以降低输出无关或错误内容的可能性。

你也可以使用分隔符来清晰地标示输入的不同部分。例如：章节标题、三重引号、三重反引号、三重破折号、尖括号、“####”。

指定期望的输出格式或输出长度。一种方法是让模型扮演一个角色。例如：

“假装你是一个科技博主。”“用大约两句话回复。”

“给我这段文字的总结。这里有我喜欢的总结例子___”

提供例子。例如，这是少样本提示（few shot Prompting）的步骤：

第一个例子（first shot）：给出一个提示和相应的输出（回答）。第二个例子（second shot）：给出第二个提示和输出。

你的提示：给出你实际的提示词。

现在，模型可以按照前两个例子建立的模式来回复。

技巧2：给模型思考时间

模型在立即回应时更容易犯推理错误。

通过要求一系列推理，这促使模型逐步、更谨慎地思考。你可以要求“逐步思考”或者指定具体步骤。这个简单的提示添加非常有效：“一步一步想。”（Think step by step）

例如，如果你要求模型给学生的考试题目打分，你可以这样提示模型：

步骤1：先自己解决这个问题；步骤2：将自己的解决方案与学生的解决方案进行比较；

步骤3：在评估学生解决方案之前完成自己的解决方案计算。

技巧3：多次提示

当准确性最重要（而不是延迟或成本）时，通过不同的提示生成多个响应，然后确定最佳答案。

你可以调整的一些东西包括：

• 温度（temperature）：调节大模型响应的随机性或创造性。更高的温度给出更多样、创造性的回应。更低的温度给出更保守、可预测的回应。
• 样本（shots）：指的是提示中给出的例子数量。零样本（zero-shot）是指不提供例子，单样本（one-shot）是指提供一个例子，等等。
• 提示（Prompt）：更直接或间接地请求解释、进行比较等。

技巧4：引导模型 

以下是一些例子：

• 如果输入内容太长，模型可能会提前停止读取。你可以引导模型逐步处理较长的内容，并递归地构建完整的总结。
• 帮助它自我纠正。如果模型一开始就回答错误，就很难自我纠正。“我收到了你关于量子物理的解释，你确定你的答案吗？你能从量子力学的基础知识开始，重新审查并提供一个修正后的答案吗？”
• 不要问有明显倾向的问题。 模型很乐意“取悦”你，所以要引导但要保持提示的开放性，不要在问题中预设答案，比如：

“游戏会导致暴力吗？” （坏问题）“我想了解关子游戏和行为之间关系的研究结果概述，不要带有偏见。”（好问题）

技巧5：分解任务或提示 

将复杂任务分解为多个简单任务。这样做的原因是复杂任务的错误率明显要比简单任务高。

你可以使用意图分类来识别最相关的指令，然后将回答结合起来创建一个连贯的输出。例如：

“我要去巴黎三天，我需要知道要带什么，最好的餐厅，以及如何乘坐公共交通。” 

分解：

意图1：去巴黎旅行需要带什么；意图2：推荐巴黎最好的餐厅；

意图3：指导如何在巴黎乘坐公共交通。

大模型的回答：

AI会分别处理每个意图，为行李打包、用餐和在巴黎出行提供定制化的建议，然后将这些整合成一个全面的回答。

或者，如果子任务是相互关联的：

步骤1：将任务分解成查询。步骤2：将第一个查询的输出输入到下一个查询中。

注意：这也可能会降低成本，因为每一步的成本都会更低。

技巧6：使用外部工具

一般来说，如果一个任务可以通过工具更可靠、高效地完成（相比较大模型），那就将其转移出去，以获得两者的优势。（此条可能不适用于非开发者，普通爱好者可以忽略，但道理就是不要让大模型做不擅长的事情）

以下是一些示例的工具：

• 计算器：大模型在数学方面表现不佳。它们原本的目标是生成token/词语，而不是数字。计算器可以显著提高LLM的数学能力。
• RAG（Retrieval-Augmented Generation，检索增强生成）：将大模型连接到外部知识（公开网络或私有知识库），而不是仅仅从上下文窗口中获取信息。
• 代码执行：使用代码执行或调用外部API来执行和测试模型创建的代码。
• 外部函数：为模型定义函数以编写调用。例如，send_email()、get_current_weather()、get_customers()。在用户端执行这些函数，并将响应返回给模型。

以上，希望对你有帮助。