為什么不同的人用同一個(gè)AI會(huì)產(chǎn)生巨大的差異？其實(shí)就是大家提示詞的技巧有高低。本文作者分享了自己的提示詞方法論，希望可以幫到大家。

一、Prompt定義

它如同與 AI 對話的內(nèi)容，決定了 AI 如何理解任務(wù)并作出回應(yīng)。比如在聊天機(jī)器人中，你輸入的問題或要求就是 Prompt。一個(gè)清晰、準(zhǔn)確的 Prompt 能引導(dǎo) AI 生成符合期望的回答。

二、Prompt構(gòu)成要素

角色+任務(wù)+限定條件+樣例/參考資料

角色

為 AI 明確一個(gè)具體的角色身份，使其回答更符合特定的場景和風(fēng)格。比如設(shè)定為 “你是一名專業(yè)的健身教練”，那么 AI 在回答問題時(shí)就會(huì)以健身教練的專業(yè)視角和口吻來進(jìn)行回答。

任務(wù)

對于要求模型生成內(nèi)容進(jìn)行簡單的陳述，根據(jù)任務(wù)類型可以分為一下幾種類別：

限定條件

• 限定輸出長度：對于模型輸出內(nèi)容的字?jǐn)?shù)進(jìn)行限定，如：避免長篇大論，言簡意賅，控制在100字以內(nèi)。
• 限制回答范圍：明確規(guī)定 AI 回答的范圍和邊界，避免其生成無關(guān)或不適當(dāng)?shù)膬?nèi)容。例如，“只回答與歷史事件相關(guān)的問題，不涉及現(xiàn)代政治和娛樂話題”。
• 限定輸出格式：指定 AI 輸出的格式，如文本的段落結(jié)構(gòu)、列表形式、表格形式等，使生成的結(jié)果更符合預(yù)期和便于閱讀。比如：要求以 “問題 – 答案” 的格式來回答一系列問題。

樣例

列舉出一些優(yōu)秀的回答方式供大模型參考學(xué)習(xí)，讓大模型了解你要輸出的內(nèi)容是什么形式。

將這類內(nèi)容放在prompt中，就叫做in-Context-laerning，這樣就可以實(shí)現(xiàn)不改變模型，僅僅把樣例放在prompt，從而實(shí)現(xiàn)更好的表現(xiàn)。

分為：

• 零樣本提示（Zero Shot）：是一種在沒有任何相關(guān)示例的情況下，直接對模型進(jìn)行提問的方法。
• 少樣本提示（Few Shot）：在提示中提供少量的示例，以幫助模型更好地理解任務(wù)的目標(biāo)和輸出要求。

兩種寫法：

1.用“提問”-“回答”方式示范，讓大模型理解

示例1:

提問:“商品收到了，質(zhì)量超棒！材質(zhì)摸起來很舒服，非常滿意

回答:正面

示例 2:

提問:這雙鞋的質(zhì)量太差了，走路很不舒服，和我預(yù)期的相差甚遠(yuǎn)，很失望

回答:負(fù)面

(任務(wù)要求)

新任務(wù):

提問:“買的化妝品有股奇怪的味道，用了之后皮膚還過敏了，要求退貨還各種推脫?！?/p>

輸出:

大模型回答:正面

2.給示例+語言描述輸出要求

對于一個(gè)圖像生成任務(wù)，通過幾步引導(dǎo)展示 few shot 示例。

步驟一：

“我們要生成一幅海邊日出的畫。首先，畫面應(yīng)該有大海，大海的顏色可以是深藍(lán)色。”

步驟二：

“然后，在畫面的左上角，有一輪剛剛升起的太陽?！?/p>

步驟三：

“最后，沙灘上可以添加一些貝殼和腳印，來增添畫面的細(xì)節(jié)?！?/p>

提問：“按照上面的步驟，生成一幅山間日落的畫，注意調(diào)整相應(yīng)的元素。”

大模型回答：

步驟一：

“我們要生成一幅山間日落的畫。首先，畫面應(yīng)該有連綿的山脈，山脈的顏色可以是深褐色與墨綠色相間”

步驟二：

“然后，在畫面的西側(cè)，有一輪即將落下的太陽，顏色是金紅色”

步驟三：

“最后，在山腳下可以添加一些樹木和一條蜿蜒的小溪，樹木的葉子在夕陽余暉下呈現(xiàn)出暖色調(diào)”

三、編寫技巧(最后一條最重要）

使用 markdown 語法

利用 markdown 語法，如 #、##、### 等標(biāo)題符號(hào)，以及 – 列表符號(hào)等（#＋空格＋文字，會(huì)讓后面的文字變成一級標(biāo)題，兩個(gè) ＃這是二級標(biāo)題，以此類推）對 prompt 進(jìn)行清晰的結(jié)構(gòu)劃分，使其更具可讀性和邏輯性，便于理解和迭代。例如：

避免復(fù)雜指令

不要在一個(gè) prompt 中堆砌過多復(fù)雜的指令或要求，盡量保持簡潔，一次專注于一個(gè)主要任務(wù)。

分布描述

對于復(fù)雜的任務(wù)，可以將其分解為多個(gè)步驟或子任務(wù)，依次進(jìn)行描述，讓 AI 能夠更有條理地執(zhí)行任務(wù)。比如 “首先查詢最新的科技新聞，然后篩選出與人工智能相關(guān)的新聞，最后總結(jié)每條新聞的主要內(nèi)容和重要觀點(diǎn)”

進(jìn)行測試驗(yàn)證

在撰寫完 prompt 后，通過輸入不同的測試用例來檢查 AI 的輸出是否符合預(yù)期。如果不符合，分析原因并對 prompt 進(jìn)行調(diào)整和改進(jìn)。

借助多樣化的表述形式展開多次試驗(yàn)，運(yùn)用近義詞替換、反義詞對比等手段，同時(shí)緊密結(jié)合關(guān)鍵詞與上下文來嘗試各種不同指令，最終確定一條恰當(dāng)?shù)闹噶?。有時(shí)大模型效果不佳并非其自身缺陷，而可能是由于未采用清晰明確的指令所致。這種指令就如同神奇的 “魔法咒語” 一般，一旦運(yùn)用準(zhǔn)確，常常能夠收獲事半功倍之效。