设计有效的提示

提示工程 - 设计有效提示的核心原则

有效的提示设计是与大型语言模型（LLM），如 ChatGPT，成功交互的基石。精心设计的提示可以引导模型生成准确、相关且有用的回答。本章涵盖了设计有效提示的基本原则和技术，适用于各种任务。

掌握这些原则将显著提升你从 LLM 获得的性能，无论是简单查询还是复杂问题解决。

1. 清晰性和具体性

• 明确说明你的目标： LLM 需要精确理解你想让它做什么。避免使用模糊或含糊不清的语言。与其说“告诉我关于狗的事情”，不如试试“列出拉布拉多犬五种常见的行为问题，并为每种问题提出一种积极强化训练技巧”。
• 定义输入/输出格式： 如果你希望输出采用特定格式（例如，JSON、列表、表格、特定数量的段落），请在提示中指定。示例：“将以下文章总结成三个要点。每个要点应为一个完整的句子。”
• 使用无歧义的语言： 选择含义清晰的词语，避免行话，除非预料到 LLM 能理解（例如，在针对特定领域任务时，行话是标准用法）。

2. 提供足够上下文

• 包含相关的背景信息： 如果任务需要不常为人所知或特定于某种情况的知识，请在提示中提供该上下文。“考虑到我们公司的主要营销目标是提高 Gen Z（Z 世代）的品牌知名度，请为 TikTok 起草三个社交媒体帖子创意。”
• 引用对话中的前文： 在多轮对话中，确保新的提示逻辑地基于先前的交流，或者如果上下文窗口（context window）是需要考虑的问题，则明确提供相关过去信息的摘要。“基于我们之前关于预算限制的讨论，这会如何影响我们概述的项目时间表？”

3. 简洁与详细（寻找平衡）

• 简洁但完整： 虽然提供足够的细节至关重要，但过长和复杂的提示可能会让模型感到困惑或超出 token（标记）限制。力求使用最短但仍能传达所有必要信息的提示。
• 分解复杂任务： 对于非常复杂的请求，考虑将其分解为一系列更简单的提示。这有助于获得更集中的回答，并在每个步骤更容易纠正错误。

4. 指导模型的行为

• 分配角色（角色扮演）： 指示 LLM 扮演特定角色可以显著塑造其回答风格、语气和内容。“你是一位专业的旅行博主。请为三天巴黎之旅撰写一份侧重于艺术博物馆的行程。”
• 使用示例（少样本提示）： 提供一个或多个期望的输入-输出行为示例。这对于教导模型特定格式或风格非常有效。（详情请参阅关于少样本提示的章节）。
• 明确的指令和约束： 告诉模型要做什么以及不要做什么。“撰写一份产品描述。不要使用‘最佳’或‘惊人’等最高级形容词。重点描述功能和益处。”

5. 迭代和实验

• 从简单开始，逐步增加复杂性： 从一个基本提示开始，在完善过程中逐步添加更多指令或上下文。
• 尝试不同的措辞： 措辞上的微小变化有时可能导致输出产生显著差异。尝试使用同义词、句子结构和指令顺序。
• 分析模型回答： 密切关注 LLM 的输出。如果它们与你的预期不符，尝试找出原因并相应调整你的提示。是缺少上下文吗？是指令不明确吗？
• 调整参数（如 Temperature）： Temperature 等模型参数会影响创意性与事实性。在更改提示时同时调整这些参数。（Temperature 越接近 0 意味着越确定/聚焦，越高意味着越随机/有创意）。

常见误区

• 引导性问题（除非有意）： 措辞上微妙地引导模型朝向你已有的特定答案，可能会阻止它探索其他有效回答。
• 隐含假设： 不要假设 LLM 知道未说明的细节或完美共享你的特定文化背景。
• 过度负面约束： 虽然“不要做 X”很有用，但有时积极地构建指令（“做 Y 而不是 X”）可能更有效。
• 忽略 Token 限制： 注意模型的输入（提示 + 上下文）和输出 token 限制。极长的提示或请求非常长的输出可能导致截断或错误。

高级技术（在其他章节中介绍）

• 思维链（Chain-of-Thought, CoT）提示： 鼓励逐步推理。
• 自洽性（Self-Consistency）： 生成多个 CoT 推理路径，并选择最常见的答案。
• 检索增强生成（Retrieval Augmented Generation, RAG）： 集成外部知识库。

结论

设计有效提示是一门迭代的艺术与科学。通过应用这些核心原则——清晰性、上下文、适当的细节、指导和迭代改进——你可以显著提高你获取 LLM 期望回答的能力。

记住，提示工程是一个不断发展的领域。持续学习新技术和最佳实践，以及理解你正在使用的特定 LLM 的能力和局限性，是掌握的关键。如需进一步学习，请查阅像 OpenAI、Google 和 Anthropic 等 LLM 提供商提供的提示工程指南，以及社区论坛和研究论文。