如何写出更好的提示词工程？

重要的提示原则

清晰而具体的表达

1. 明确身份，以何种语气，何种方式去回答问题，回答哪个方面的问题。

2. 使用分隔符去合理地断句，方便大模型理解。

3. 让大模型确认需要完成任务的假设存在，如果条件不满足，则不进行任务。

4. 给出少量成功的例子，供大模型参考。

给LLM时间去思考

1. 分步思考，清晰地拆解回答思路。

2. 先让大模型自己思考一遍，再去核对问题的想法。

3. 让大模型根据实际的资料，溯源去回答问题，减少“幻觉”。

迭代开发提示词

与机器学习方法类似，模型提示迭代也要经历一系列过程。如图，为机器学习开发迭代的主要过程。

1. 提出一个想法

2. 编码实现，得到数据

3. 训练模型，得到实验结果

4. 查看输出，误差分析，找出不工作的地方

5. 进而改变思路方法，改变实现

6. 进行新的尝试，反复迭代，直到得到理想结果

提示词迭代

1. 尝试编写一个清晰、具体、合理的提示词，让系统有足够的时间去思考。

2. 运行查看结果，如果不理想，分析哪里说明不够清晰，或者算法不足以让系统充足思考。

3. 改进提示，反复迭代，直到得到合适应用程序的提示。

技巧：

1. 控制输出内容的长度（字数，段落）

2. 确定应用程序面向的用户对象，进而决定内容的侧重点（特征）。

3. 使用多个测试用例进行评估。

模型的主要能力：总结，推理，转换，拓展。

总结

对一段内容进行提取/总结。

推理

让大模型进行情感分析，信息提取，主题识别，还可以转换成其他类型的值进行输出。

通过单一API实现多自然语言任务处理，减少模型训练与部署成本。

可以使用特定符号对输出进行分隔。

优化提示词以便获得结构化输出，输出为JSON格式，或者其他。

转换

将一种语言转换输出为另一种语言，纠正拼写和语法。

转换格式，把HTML输出为JSON（代替正则）。

根据正式和非正式语言进行区分，指定格式。

拓展

将短文本（一组说明或者一个主题列表）转换成更长的文本（电子邮件或关于一个主题的文章）。

参数：温度（temperature），决定响应多样性（随机性）。

例子：根据已有的输入内容，以及情感提取的结果，制定输出内容。假如预测回答三个结果A，B，C的概率分别为50%，30%，5%。温度为0时将始终输出结果A，温度为0.3时，可能高概率输出A，低概率输出B。温度为0.7时，输出的结果将不确定是A，B，C。

聊天

聊天模型以ChatGPT为例，角色消息结构：

message = 
[
  ...(上下文context）
  {"role": "system", "content":"You are ..."},
  {"role":"user", "content":"tell me a joke."},
  {"role":"assistant", "content":"why did the chicken..."},
  ...
]

系统提示词为大模型做提示，引导回复方式，大模型再根据用户输入内容，思考进行特定的输出。

每次对话的信息都是独立的，如果大模型要从前文中提取消息/记住消息，就需要提供上下文。