很大程度上，Prompt的結(jié)構(gòu)與內(nèi)容會(huì)對(duì)最后模型的輸出能力產(chǎn)生極大影響，所以，我們需要做好Prompt的設(shè)計(jì)。這篇文章里，作者就對(duì)Prompt如何構(gòu)建等問(wèn)題做了分享，一起來(lái)看。

Prompt是什么？簡(jiǎn)單理解，用戶(hù)輸入給AI模型的一串指令或提示詞（Prompt）讓模型完成指定任務(wù)。前文提到，訓(xùn)練模型的【Pre-train,Prompt,Predict】這個(gè)范式，用特定語(yǔ)言的模板（prompt）挖掘預(yù)訓(xùn)練模型（Pre-train）的本身能力，因此可以降低語(yǔ)義差異。（其他訓(xùn)練范式請(qǐng)見(jiàn)上個(gè)系列）

理所當(dāng)然的，輸入的不同直接決定了輸出的質(zhì)量。Prompt 的結(jié)構(gòu)與內(nèi)容對(duì)最后模型的輸出能力有極大影響，要想更好地得到輸出，對(duì)Prompt的設(shè)計(jì)必不可少。

一、Prompt有哪些分類(lèi)

1. Zero-shot

零樣本提示，即直接給指令，不舉例引導(dǎo)。其實(shí)這是最為能證明模型推理能力的情況，也是我們最理想的任務(wù)形式，我們讓機(jī)器人做什么事，它就能直接做了。

例如：在機(jī)器沒(méi)有專(zhuān)門(mén)針對(duì)進(jìn)行股市描述分析訓(xùn)練，輸出一份股市走勢(shì)報(bào)告。

我們常發(fā)現(xiàn)這樣的情況模型輸出的效果不是很好，因此針對(duì)這樣的情況，還會(huì)進(jìn)一步補(bǔ)充更多的提示信息過(guò)渡。

2. Few-Shot

即提供給模型幾個(gè)示例，實(shí)現(xiàn)上下文學(xué)習(xí)(ICL – In Context Learning)，引導(dǎo)模型更好地輸出任務(wù)。其中只提供了一個(gè)示例的是One-shot。

例如下圖（與豆包對(duì)話(huà)），在這個(gè)Case中給出了兩個(gè)示例，最后的輸出也可以看到依賴(lài)了相關(guān)輸入。

但Few shot仍然具有局限性，特別是對(duì)于推理性等復(fù)雜任務(wù)。

但大家發(fā)現(xiàn)，如果將問(wèn)題分解成步驟，并向模型演示，可能會(huì)有所幫助，因此CoT(chain-of thought prompting)成為大家關(guān)注的方向，以解決復(fù)雜任務(wù)（例如算術(shù)、推理等）。

3. CoT（Chain of Thought）

簡(jiǎn)單來(lái)講，為了更好地解決復(fù)雜問(wèn)題，我們需要模型了解中間推導(dǎo)/計(jì)算的過(guò)程，因此思維鏈其實(shí)是多了中間的推導(dǎo)。但CoT對(duì)小模型作用不大，對(duì)復(fù)雜問(wèn)題的性能增益更大。（模型參數(shù)達(dá)到10B有效果，100B效果明顯）

1）Zero shot CoT

這種思維鏈非常的取巧，即不再給模型任何的示例，只是發(fā)出指令讓它自己“一步步想”。即利用：Let’s think step by step 以及 Therefore,the answer is 等提示得出答案。

例如下圖的情況，雖然模型回答錯(cuò)了；

當(dāng)然如果矯正這個(gè)問(wèn)題，我們可以再給出一些提示，繼續(xù)給出推導(dǎo)思路 (不屬于Zero Shot)；

現(xiàn)在模型已回答正確，那么我們?cè)偬釂?wèn)一次，可以看到模型已經(jīng)學(xué)到這樣的推導(dǎo)邏輯。

2）Few shot CoT

是ICL（In-context learning)的一種特殊情況，將<Input,Output>擴(kuò)充為<input,CoT,output>

Few shot CoT是在進(jìn)行提示的時(shí)候，給出一個(gè)具體的推導(dǎo)示例，例如：

3）增強(qiáng)的CoT策略：Self- Consistency

這個(gè)名字看起來(lái)很復(fù)雜，翻譯也比較復(fù)雜，利用自洽性提高語(yǔ)言模型中的思維鏈推理效果。其實(shí)你可以很簡(jiǎn)單的理解，就是模型通過(guò)了多種思維得出了多個(gè)結(jié)果，最后投票看哪個(gè)結(jié)果占比最多（可能也有其他維度），最后輸出這個(gè)投票出來(lái)的結(jié)果。

例如剛剛的籃子數(shù)學(xué)題，豆包給了三種解法：

假設(shè)現(xiàn)在使用的是Self- Consistency，那么模型內(nèi)部投票發(fā)現(xiàn)有兩個(gè)結(jié)果的答案是4個(gè)水果，1個(gè)答案是5個(gè)水果，按照既定投票規(guī)則，最后輸出的答案是4，就可以在很大程度上可以提高模型的效果。

針對(duì)思維鏈，行業(yè)內(nèi)也整理了有效思維鏈的特點(diǎn)：

1. 具有邏輯性，即思維鏈的邏輯相互連接，形成了一個(gè)完整的思考過(guò)程
2. 具有全面性：即全面細(xì)致地思考問(wèn)題，這里可以采用MECE法則（獨(dú)立且窮盡每一個(gè)關(guān)鍵步驟）
3. 可行性：每個(gè)步驟都可行
4. 可驗(yàn)證性：每個(gè)步驟都可驗(yàn)證

二、如何構(gòu)建Prompt

AIGC產(chǎn)品經(jīng)理（及人工智能訓(xùn)練師）構(gòu)建Prompt的能力是核心競(jìng)爭(zhēng)力之一，Prompt影響最終模型輸出，而使用者需要洞察當(dāng)下產(chǎn)品需求。框架化、結(jié)構(gòu)化組建Prompt可以更好地完成任務(wù)。

網(wǎng)上已經(jīng)有很多介紹如何Prompt的體系和模板，但萬(wàn)變不離其宗，再多維的框架也有基礎(chǔ)。針對(duì)文本類(lèi)，我個(gè)人比較推薦QCIPSPE框架，大家可以根據(jù)不同的需求進(jìn)行修改。注意，要避免說(shuō)不做什么，直接說(shuō)要做什么即可，做直接、具體、精確的輸入。

• Q：Question type：?jiǎn)栴}類(lèi)型，例如建議、查詢(xún)、比較等
• C：Capacity and role ：角色
• I：Insight：提供上下文
• P：Priorty:：表明問(wèn)題中的優(yōu)先級(jí)
• S：Statement：需求澄清
• P：Personality：回答的風(fēng)格
• E：Experiment：多個(gè)答案或者比較

三、Prompt需要避免的問(wèn)題

• 過(guò)于精簡(jiǎn)的信息：如果BOT能根據(jù)缺失信息再觸發(fā)多輪問(wèn)詢(xún)是最好的，但如果BOT不支持，可能就會(huì)出現(xiàn)回答過(guò)于寬泛或者不準(zhǔn)確的問(wèn)題。如框架所示，附上背景描述或示例參考有助于模型更好的輸出。
• 過(guò)于修飾的詞藻：復(fù)雜的語(yǔ)義反而會(huì)擾亂模型輸出，Prompt簡(jiǎn)單、直接、完整，即可最高效的得到答復(fù)。
• 前后語(yǔ)義互斥：保證指令的準(zhǔn)確性，不要將沖突信息放在一起。這里特殊地，盡量要求模型做什么，不要說(shuō)不可以做什么。

對(duì)于生成類(lèi)對(duì)話(huà)產(chǎn)品來(lái)說(shuō)，Prompt決定了最后的輸出。但是對(duì)于垂類(lèi)場(chǎng)景來(lái)說(shuō)，Prompt是用戶(hù)對(duì)于BOT的指令，用戶(hù)使用門(mén)檻是否過(guò)高還需提供框架精簡(jiǎn)用戶(hù)輸入，是否每個(gè)場(chǎng)景都合適生成式引入也需垂類(lèi)產(chǎn)品考慮。