编写Prompt的艺术：如何提高大语言模型的表现力-37页_12mb

Prompt工程总结：提升大语言模型表现力

引言

本次分享聚焦于Prompt工程，旨在通过优化Prompt来提升大语言模型的表现力。背景包括个人兴趣、实际应用需求，以及与听众的交流目的。学习Prompt可帮助更好地利用LLM，提高输出质量和效率。

核心概念

• Prompt定义：Prompt是指导AI模型的指令性文本输入，用于引导模型生成特定输出。一个好的Prompt能提升准确性、效率和减少误解。
• Prompt工程：关注Prompt的设计、优化，帮助LLM应用于各种场景，如对话、文本生成、翻译等。技能包括理解模型行为、分析数据，并设计引导性Prompt。
• LLM原理简述：LLM处理Prompt时，将其转换为词向量，通过自回归生成过程逐词预测输出。

关键技术框架

• 编写原则：明确任务、具体指导、简洁表达、适当引导、迭代优化。
• 结构化要素：任务（动词开头）、上下文、示例、角色、格式、语气。要素排序为任务 > 上下文 > 示例 > 角色 > 格式 > 语气。
• 优化框架：使用结构化形式如JSON或Markdown分解Prompt。

技术研究与技巧

• Zero-shot：直接提问，依赖模型预训练数据，灵活但可能不准确。
• Few-shot：提供示例，帮助模型学习，但依赖示例质量。
• Chain of Thought：通过逐步推理提升复杂任务处理，需大模型参数支持。
• Self-Consistency：生成多条思维链，取多数答案。
• Program-aided Language Models：结合程序推理，减少逻辑错误。
• Tree of Thoughts：探索多种策略，增强全局决策，如在训练游戏中提升成功率。
• ReAct：结合推理和行动，使用工具执行任务，提升可解释性和准确性。

应用场景与案例

• 任务类型：文本缩减（总结、分析）、文本转换（格式化）、文本生成（起草、脑暴）。
• 具体案例：内容提取、情感分类、代码解释等。
• 高级应用：JSON输出、浏览器插件开发、自动化Prompt。

个人见解

Prompt框架有助于清晰指导模型输出，随着模型能力提升，其重要性可能下降。当前LLM存在token限制、知识滞后等局限，催生各种工程解决方案。建议通过实践学习相关技术框架，及早拥抱AI发展趋势。