2024年07月23日 08:31 浙江
阿里妹导读
这篇文章的核心宗旨便是教你如何写出精良的Prompt。我们将从Prompt的定义、运行过程，以及精良Prompt应具备的各个要素入手，逐步展开详细的解析和实用示例，让你在短韶光内节制写作高效Prompt的技巧和策略。
弁言
大规模措辞模型（LLM, Large Language Models）扮演着越来越主要的角色。然而，想要真正发挥这些模型的强大能力，关键在于如何向模型输入明确、详细且符合预期的指令，这便是我们本日要谈论的重中之重——Prompt的写作。
Prompt，作为一种构造化的输入序列，不仅为模型供应任务哀求和背景信息，更在很大程度上决定了模型输出的质量与干系性。一个设计精良的Prompt，能够最大程度地减少误解，使得模型理解用户的需求并天生高质量的相应。
这篇文章的核心宗旨便是教你如何写出精良的Prompt。我们将从Prompt的定义、运行过程，以及精良Prompt应具备的各个要素入手，逐步展开详细的解析和实用示例，让你在短韶光内节制写作高效Prompt的技巧和策略。通过不断优化你的Prompt写作能力，你将能够更好地勾引大模型，为各种运用处景天生高质量的文本输出。
准备好了吗？让我们一起开启Prompt写作秘笈，解锁大模型的无限可能！
一、Prompt 定义
1.1 定义
在大规模措辞模型（LLM, Large Language Models）领域，Prompt 是一种构造化的输入序列，用于勾引预演习措辞模型天生预期的输出。它常日包括明确的任务哀求、背景信息、格式规定以及示例，以充分利用模型的能力在特界说务中天生高质量的相应。
1.2 Prompt的运行过程
1.吸收输入
用户或系统向措辞模型供应一个Prompt，这个Prompt包含任务指令、背景信息、示例以及格式解释。例如，Prompt 可以是：“写一篇关于景象变革的文章，包括其缘故原由、影响和解决方案。”2.文本处理与编码
模型首先对输入的Prompt进行预处理，包括分词（tokenization）和编码（encoding）。预处理过程将文本转换为一系列的词汇ID（token IDs），这些IDs会通报到Embedding层，进行进一步处理。3.模型打算
编码后的文本输入到基于Transformer架构的神经网络中。Transformer架构包括多个层的自把稳力机制（Self-Attention Mechanism）和前馈神经网络（Feed-Forward Neural Network）。在自把稳力机制层，模型能够考虑输入序列中每个词汇与其他词汇的关系，打算把稳力权重（Attention Weights），从而捕捉远间隔依赖关系。随后，前馈神经网络层对自把稳力层的输出进行非线性变换，以天生新的表示。多个Transformer层堆叠在一起，使模型逐步构建对输入Prompt的深层理解。位置编码（Positional Encoding）也被添加，以补充位置信息，由于自把稳力机制本身不区分词汇的位置顺序。4.天生输出
模型根据打算结果，从天生的概率分布中采样下一个词汇。每个天生的词汇会迭代地输入回模型，以天生后续词汇。这个过程持续进行，直到知足输出条件（例如达到预定句子长度或碰着分外结束符）。这一过程称为解码（Decoding），可以利用贪心搜索（Greedy Search）、束搜索（Beam Search）或其他采样方法（如随机采样和核采样），以天生最优的文本输出。5.格式调度与后处理
天生的输出文本可能须要进一步的格式调度和后处理，以确保符合Prompt哀求的输出格式和风格。例如，可能须要删除冗余内容、调度空格或改动拼写缺点。如果Prompt哀求天生不超过200字的择要，则可以在后处理步骤中对天生文本进行截取，同时确保择要完全和连贯。二、什么是好PRMOPT
主不雅观的说：好的PROMPT就像与你的老朋友谈天，既清晰又干系，还得大略直白。
换位思考：检讨你的PROMPT，AI能不能一口气朗读下来
换位思考想象下AI读你的话时是否顺畅。如果AI在读的时候停顿，每次停顿就像高中上台朗读课文时的尴尬瞬间，那你的PROMPT须要“减肥”了。
像和朋友谈天一样
好的PROMPT就像和朋友谈天，不要过分繁芜又要清晰明了。你只须要知道自己想要什么，让AI知道你要什么，那统统都大略得像吃个大馒头一样爽。
总之，当你的PROMPT既能让AI懂，又能让你省心，同时有趣又实用，那你便是在和AI玩得其乐融融了！
So，放心大胆地和AI来一场愉快的对话吧！
客不雅观的说：各种指标见下文... ...
三、精准打造PROMPT的4大基本要素
3.1 明确的目标和任务
在设计一个有效的PROMPT时，须要详细而清晰地阐明你的预期结果和哀求。这包括明确PROMPT的整体目标和详细希望进行的任务，例如天生文本、回答问题、翻译措辞或进行情绪剖析等。通过利用清晰、简洁和准确的措辞，有助于缩小模型的输出范围，减少误解和天生不干系内容的风险，从而提高天生内容的质量和干系性。
避免模糊：利用详细的词语和句子，避免让模型预测你的意图。这样可以减少理解缺点，提高天生内容的质量。举个
不足清晰:“描述一下景象变革。”
清晰明确：“请写一篇200字的文章，谈论景象变革对环球农业生产的影响，特殊是对水资源管理和农作物产量的影响。”
准确表达希望得到的信息或结果：
不足准确：“见告我关于机器学习的知识。”
准确表达：“请阐明什么是机器学习，包括其基本观点和至少两种常用算法（如决策树和神经网络），并谈论它们各自的运用领域。”
通过明确界定目标和任务，并利用详细的措辞来描述这些目标和任务，可以显著提高PROMPT的效果。这不仅帮助模型更好地理解用户的需求，也确保天生的输出内容更符合用户的预期。明确的任务定义和详细的措辞描述是创建高效PROMPT的关键要素。
3.2 高下文和背景信息
高下文和背景信息可以帮助更好地理解如何创建高质量的提示，勾引天生型人工智能模型产生准确、高效和有针对性的回应。它包含了充分的高下文和背景信息，详细的任务目标和预期输出，并明确了任何必要的细节、限定条件和目标读者或用户群体。一个精良的提示能有效减少歧义，使模型能够在总览繁芜信息并做出最佳回合时表现出色。
包括以下几个方面：
1.角色和身份
明确任务要求者的角色（例如：学生、研究员、产品经理）。理解要求者身份有助于定制答案的专业性和语调。2. 任务的详细目标
明确须要完成的任务或回答的问题。包含详细的细节和预期输出。3. 干系历史和现状
供应与任务干系的背景历史，例如之前的研究、项目进度或市场状况。涉及当前的环境或条件，包括任何变革或影响成分。4. 特定哀求和条件
明确任务的详细哀求和条件（例如：字数限定、格式哀求、韶光限定）。解释任何必须知足的约束条件。5. 读者或受众
阐明回答的目标受众。调度回答的繁芜性和措辞风格以适应特定读者。举个
假设你是一名城市方案师，正在为一个新兴城市设计一项公共交通系统。请撰写一份报告，评估当前已有的一些环球前辈城市的交通系统，包括它们的优缺陷和用户满意度情形。报告应包含对每个交通系统的详细剖析，并提出适应你所在城市的建议。对应的高下文：
1.角色和身份：城市方案师
2. 任务的详细目标：为新兴城市设计公共交通系统
3. 干系历史和现状：
- 当前城市的交通现状
- 系统需求的背景和动力
4. 特定哀求和条件：
- 须要评估环球已有前辈交通系统的优缺陷
- 必须剖析用户满意度
5. 读者或受众：城市管理层及干系"大众年夜众
通过供应这些高下文和背景信息，模型能够理解任务的背景，识别关键成分并天生有效和干系的建议。例如，模型会更方向于供应实用的、在你的新兴城市中可行的交通系统建议，而不是泛泛而谈。这样可以确保任务的完成更符合实际需求和目的。
3.3 详细的衡量标准或考评维度
一个精良的PROMPT应具实现实现任务目标详细的衡量标准或考评维度，供应清晰、全面、高效的评估，确保任务目标的实现。确保PROMPT达成目标客不雅观且有据可依，从而有效地实现任务的目标。这些要素共同确保PROMPT的评估有效性和可靠性。
精良的PROMPT所需的核心要素，重点关注以下四点：
1. 明确供应与目标和任务直接干系的衡量标准或考评维度：
- 要点：PROMPT应精准指明哪些标准或维度是评估任务完成情形的关键，并详细剖析这些标准或维度与任务目标的关联性。
2. 衡量标准或考评维度应全面，覆盖所有必要的评估方面，不遗漏任何关键内容
- 要点：确保评估标准全面且能够涵盖所有主要成分，使得整体评价更为全面和准确，不留评估上的空缺。
3. 每个衡量标准或考评维度应有对应的衡量标准，以支持其评估过程：
- 要点：供应每个考评维度的详细衡量标准，确保每个维度都有明确的评价依据，从而方便评估过程的实际操作和实行。
4. 衡量标准或考评维度的定义应清晰明确，便于理解和实行：
- 要点：定义应具备高度的清晰性和客不雅观性，搭配明确的评分指南，保障评估的透明和公道，让各环节易于理解和实行。
举个
任务描述：学生综合评估请根据学生的出勤率和他们参加课外活动的次数来打算综合表现。
解释：
目标和任务对应性差：考评维度仅包括“出勤率”和“参加课外活动的次数”，未直接涉及学术成绩。维度不全面：短缺“学术能力”和“品行表现”等全面评估学生综合表现的关键维度。衡量标准不完全：只有“出勤天数”和“活动参与次数”作为衡量标准，短缺对学术和品行的评估。衡量标准不清晰：没有明确的标准来评估“活动参与次数”和“出勤率”与学生综合表现的关系。请评估学生的综合表现，总评分为100分，考评维度及标准如下：
1.学术成绩（30分）：请供应均匀分，按百分制评分。例如，均匀分为85分，则得分为25.5分（85/100 × 30）。
2.出勤率（25分）：请供应出勤天数占总上课天数的百分比。例如，出勤率为95%，则得分为23.75分（95/100 × 25）。
3.课外活动参与度（20分）：请供应参与活动的次数。例如，参与5次以上得20分，3-4次得15分，1-2次得10分，未参与得0分。
4.品行表现（25分）：请供应行为记录评分，如A（精良）得25分，B（良好）得20分，C（中等）得15分，D（较差）得10分。
解释：
目标和任务对应性高：考评维度包括学术成绩、班级出勤率、课外活动参与度和品行表现，直接反响学生的综合表现。维度全面且适用：涵盖了学生学术、出勤、活动参与及品行，全面评估学生各方面表现。衡量标准完全：如学术成绩均匀分、出勤率百分比、参加活动次数和品行评分。衡量标准清晰且客不雅观：明确的评分标准如学术成绩按百分制评分、出勤率按正常考勤记录打算、活动参与次数分档次评分、品行评分以行为记录评分，确保评估透明和公道。任务描述：天生口试总结请总结候选人的表现，解释其是否聪明、成熟、阳光。
解释：
目标和任务对应性差：仅供应模糊的特质哀求，没有明确的考评维度。维度不全面：考评维度缺少细化，没有详细描述候选人每个特质的表现如何评估。衡量标准不完全：没有详细的衡量标准，随意马虎导致主不雅观性强，无法担保评估同等性。衡量标准不清晰：短缺明确的评分和评价细则，难以确保评估过程透明和公道。从三个人才特质（聪明、成熟、阳光）中提取干系内容，为候选人的口试表现天生择要。
1.聪明（40分）
-会学习：评估候选人是否具有持续学习能力，是否能举一反三并学甚至用。请供应详细实例并评分。
-有好奇：评估候选人是否保持好奇心，并在事情中不断探索新方法、新思路。请供应详细实例并评分。
-辩证思考：评估候选人是否能理解事物的实质和多样性，能否应对变革并有思考地决策和行动。请供应详细实例并评分
2.成熟（30分）
-略略略
3.阳光（30分）
-略略略
解释：
目标和任务对应性高：明确考评维度与口试特质的关系，涵盖候选人的聪明、成熟和阳光等特质。维度全面且适用：各维度详细且适用于全面评估候选人的特质及综合能力。衡量标准完全：如会学习、有好奇、辩证思考、有自知、能共情、客不雅观理性、有能量、够诚挚和不抱怨等均有量化标准。衡量标准清晰且客不雅观：明确的评分标准确保每个维度有详细的评估依据，确保评分过程透明和公道。3.4 明确的输入和输出格式
输入格式是指模型吸收的原始数据的构造和形式。明确的输入格式定义了数据该当如何组织和呈现，以确保模型能够精确解析和理解这些数据。输出格式是指模型天生结果的预期构造和形式。明确的输出格式定义了模型该当如何组织和呈现天生的内容，以知足特定的需求或标准。
例如：
文本格式（如长篇回答、择要）构造化数据格式（如JSON、XML、CSV）编码数据格式（如源代码）模版：模板是一个预先定义的格式或构造，用于辅导模型天生输出。举个
JSON格式输出输出格式是指模型天生结果的预期构造和形式。明确的输出格式定义了模型该当如何组织和呈现天生的内容，以知足特定的需求或标准。
预期输出示例：
{ "students": [ { "name": "Alice", "total_score": 255, "average_score": 85, "grades": { "Math": 85, "English": 78, "Science": 92 } } ]}模版输出
输出模板：
输出格式须遵照以下JSON模板。{ "students": [ { "name": "<NAME>", "total_score": <TOTAL_SCORE>, "average_score": <AVERAGE_SCORE>, "grades": { "Math": <MATH_SCORE>, "English": <ENGLISH_SCORE>, "Science": <SCIENCE_SCORE> } } ]}
四、再攀新高：8个指标优化PROMPT
4.1 样本和示例
在提示工程中，样本是特界说务中用来辅导和帮助模型理解任务哀求的详细输入输出配对。样本可以是one-shot或few-shot，并且在提示的高下文中常常用于供应明确的任务示例。
4.1.1 样本的意义1.增强模型理解：
明确任务哀求：通过供应详细的示例，模型可以更清楚地理解任务的目标和期望的输出格式。这对付须要精确输出格式的任务非常主要。减少歧义：样本可以肃清任务描述中的模糊性，供应明确的指引，使模型更随意马虎天生符合预期的输出。2.提高模型性能：
快速学习：供应样本，可以让模型通过少量数据快速学习任务特性，减少演习需求，这是 few-shot 和 one-shot 学习的核心理念。提升准确性：通过供应多样化的示例，模型可以更好地捕捉任务中的细微差别，提升天生结果的准确性和同等性。3.适应多样场景：
跨领域运用：通过 carefully curated 的示例，模型可以适应不同领域的任务需求，如文本分类、情绪剖析、问答天生等。任务繁芜性：样本可以帮助模型应对从大略到繁芜的任务需求，供应从低级到高等的任务办理方案。4.1.2 样本的类型1.One-shot 示例：
供应给模型的单个输入输出配对示例，帮助模型理解任务哀求和期望的输出格式。适用于模型已有干系领域知识时。适用场景：模型已有一定根本知识，只须要一个示例来理解详细魄式和期望输出。2.Few-shot 示例：
供应给模型的多个（常日是2-5个）输入输出配对示例，进一步明确任务细节和繁芜性。适用模型对任务有一定理解但须要更多详细示例时。适用场景：任务较繁芜，或者模型对任务不足熟习，须要通过多个示例来学习任务特色。4.1.3 样本和衡量标准的关系当提示中有明确的衡量标准或考评维度时，样本的浸染不但是示范和勾引，还能赞助评估和优化模型的输出。明确的标准使得样本更具辅导性和评估性，为模型供应明确的成功指标和改进方向。这种结合有助于提升模型在特界说务中的表现，使其天生的结果更加符合预期哀求。
举个
任务：基于以下描述天生一段产品评价，评价内容须要符合以下衡量标准：
- 准确性：评价的内容必须真实反响产品的特点，包括声音、舒适性和电池续航。
- 完全性：评价应包括产品的详细优点和缺陷，例如音质、佩戴舒适度和电池续航等。
- 流畅性：评价必须语法精确，易于理解，且措辞畅通。
样本
输入:这款耳机音质非常好，但是佩戴韶光长了耳朵会有些不舒畅。电池续航也不错，能够支持一整天的利用。输出: -优点: 音质好，电池续航长 -缺陷: 永劫光佩戴后耳朵不舒畅 -评价: 这款耳机的音质非常好，可以供应出色的听觉享受。其余，电池续航也很精良，能够支持一整天的利用。不过，永劫光佩戴可能会导致耳朵感到不适。
解释
示例输出清晰地反响了输入中的产品特点，如音质好和电池续航长，同时也包括了舒适度欠佳的情形。无浮夸或遗漏。示例输出详细提到了产品的详细优点和缺陷，确保了评价的全面性。例如，强调了音质好和电池续航精良，并指出佩戴永劫光后耳朵不舒畅。示例输出语法精确，构造清晰，措辞畅通易懂。例如，综合句子连接自然，不显得生硬或断裂。4.1.4 详细运用处景1.文本分类任务：
衡量标准：分类准确率、召回率。样本关系：供应正负面和中立分类的示例，帮助模型理解分类边界。示例：
输入：“这场比赛真是令人激动！
” 输出：“体育”
2.情绪剖析任务：
衡量标准：分类精确性（正面、中性、负面）、文本流畅度。样本关系：多情绪示例展示，使模型更好地捕捉情绪细节。示例：
任务：情绪剖析。 示例1： 输入：句子 - “我非常喜好这款手机，它的功能很强大。” 输出：情绪 - “正面” 示例2： 输入：句子 - “这次做事让我很失落望。” 输出：情绪 - “负面” 示例3： 输入：句子 - “这部电影不过不失落。” 输出：情绪 - “中性”
3.翻译任务：
衡量标准：译文准确性、流畅性、语法精确性。样本关系：双语示例帮助模型节制准确的翻译对，确保译文虔诚且流畅。4.文本择要任务：
衡量标准：择要内容覆盖率、简洁度、流畅度。样本关系：展示长文本和对应的高质量择要，使模型学习如何提炼关键信息。5.问答任务：
衡量标准：回答准确性、完全性、干系性。样本关系：通过问答对示例，辅导模型天生准确且干系的答案。 任务: 根据以下文本天生一个合理的问题。 输入: "苹果公司最新发布的iPhone 12备受关注，其出色的摄像头和强大的处理能力给用户留下了深刻印象。" 输出: "苹果公司最新发布的哪款手机备受关注？"
4.2 简洁和直接
PROMPT应避免不必要的背景信息和繁芜说话，明确指令、内容精简、直达要点，明确任务哀求以便模型能够迅速聚焦任务，准确天生内容。
举个
任务描述：《1984》的核心不雅观点做个总结我须要你帮我总结一下《1984》这本小说的紧张内容和核心不雅观点。请先先容一下这本书的背景信息，包括写作年代和作者乔治·奥威尔的一些干系信息，然后再详细描述一下小说的紧张剧情，包括但不限于故事发生的地点、韶光，以及紧张人物的关系和他们之间的紧张冲突。除此之外，请重点剖析小说的主题思想，并结合详细的情节进行阐述，尤其是要把稳揭示极权主义、监控社会对人性的影响。你须要确保细节充分且剖析到位，可以尽可能详尽一些。
解释：
啰嗦：包含了多余的背景和详细的情节哀求，信息量过大且有些不必要。不简洁：用词过于繁琐，任务分解过细，易使实行者陷入细节而忽略核心不雅观点。随意马虎误解：指令过于繁芜，随意马虎导致实行者在把握重点时涌现偏差。请总结《1984》的核心不雅观点，尤其是其反对极权主义和监控社会的主题思想。
解释：
简洁性：去除了冗长的描述，指令内容简明扼要。直接性：明确任务哀求，聚焦于总结核心不雅观点和主题思想。易实行：简洁明确的指令减少了误解的可能性，使实行者能够迅速聚焦任务。4.3 避免歧义
避免歧义指的是通过明确和详细描述语句或提示内容，以确保信息传达清晰、准确，并且能够被准确理解和实行，特殊是对付措辞模型和人类之间的沟通。
1. 多义词
多义词会带来不必要的歧义，通过选择单一意味明确的词汇，能极大减少误解的可能性。
- 例子：“请先容下苹果。”（苹果可以是水果，也可以是公司。）
- 办理方法：供应详细细节或高下文，使词义清晰。
- 优化后的描述：“请描述先容下苹果公司。”
2. 模糊短语
模糊短语或语句构造不明确随意马虎导致理解偏差，须要通过详细的描述来确保意义明确。
- 例子：“阐明这个问题。”（问题的详细内容不明确。）
- 办理方法：明确指出详细问题或供应背景信息。
- 优化后的描述：“阐明景象变革对海洋生物的影响。”
3. 明确指代工具
利用代词时随意马虎涌现指代不清的问题，通过明确指代工具来肃清歧义。
- 例子：“他认为这样做不好。”（"他" 和 "这样做"的详细内容不明确。）
- 办理方法：详细指出代词指代的工具或动作。
- 优化后的描述：“约翰认为在雨天外出不好。”
通过这些方法，可以有效减少措辞中的歧义，使信息通报更加精准和有效，特殊是在大措辞模型的运用中，避免缺点或不干系的相应。
4.4 分步骤和层次化的辅导
分步骤是指将一个繁芜任务分解成多个大略且明确的步骤，每一个步骤都被清晰地表述。这种方法通过细化任务，减少繁芜性，以确保每一环节都可以独立理解和实行。例如，在撰写一份研究报告时，将任务分解为选择主题、进行文献综述、设计研究方法、数据网络与剖析、撰写报告等五个独立的步骤，使得每一步都有明确的目标和方法。
在撰写一份关于人工智能伦理问题的研究报告时：
- 选择主题
- 进行文献综述
- 设计研究方法
- 数据网络与剖析
- 撰写报告
层次化信息是指通过分级和组织信息，勾引用户逐步深入理解和解决问题。在这种构造中，高层次的信息供应总体框架和逻辑顺序，低层次的信息细化详细内容和操作细节。例如，在撰写报告的过程中，可以先供应报告的总体架构（如弁言、文献综述、研究方法、结果与谈论、结论与建议），然后针对每一部分进一步细化，描述其详细构成和内容。这种方法帮助用户从总体观点逐步过渡到详细操作，确保全面理解和准确实行。
- 总体架构：弁言->文献综述->研究方法->结果与谈论->结论与建议->参考文献
- 细化解释：
弁言：背景先容、研究问题、研究目标文献综述：按主题分类、总结古人研究、提出研究空缺研究方法：样本选择、数据网络方法、数据质量掌握结果与谈论：数据呈现、结果解读、文献支持或回嘴结论与建议：研究创造、政策建议、研究局限性和未来方向通过结合分步骤和层次化辅导的方法，不仅可以确保任务的每一步被准确实行，还能逐步勾引用户深入理解和解决问题。
举个
任务描述：撰写一份关于人工智能伦理问题的研究报告请撰写一份关于人工智能伦理问题的研究报告。
解释：
缺少分步骤：任务描述没有将撰写过程逐步展开，导致任务太过模糊和繁芜。短缺层次化信息：没有供应报告的总体框架或内部逻辑，也没有细化每一部分该当包含的详细内容。请撰写一份关于人工智能伦理问题的研究报告。为了确保报告的完全性和逻辑清晰，请按以下步骤和构造进行：
a.选择主题
- 明确你研究的详细伦理问题，如“人工智能在医疗行业中的伦理问题”。
- 定义研究范围，例如隐私保护和决策透明度。
b.进行文献综述
- 搜索并阅读干系文献（学术论文、书本、白皮书）。
- 总结每个文献的核心不雅观点，特殊把稳提取与自己主题干系的细节。
c.设计研究方法
- 确定你将采取的研究方法（定性、定量或稠浊）。
- 描述数据网络手段：问卷调查、采访还是二手数据剖析。
d.数据网络与剖析
- 履行数据网络事情，确保方法同等。
- 利用得当的剖析工具和技能进行数据剖析。
e.撰写报告
- 弁言：
- 描述研究背景、目的和主要性。
- 详细陈述研究问题和目标。
- 文献综述：
- 按主题或分类总结古人研究成果和理论框架。
- 研究方法：
- 描述研究的设计、数据网络和剖析方法。
- 结果与谈论：
- 呈现剖析结果，结合文献谈论其意义。
- 结论与建议：
- 总结研究创造，提出建议，并指出研究局限性和未来研究方向。
- 参考文献：
- 列出所有引用的文献。"
解释：
分步骤：任务被明确地分解为多个独立且详细的步骤，从选择主题到撰写每个部分，都有清晰的指示。层次化信息：供应了研究报告的总体架构，并在每一部分中进一步细化了详细内容和哀求。每一层次的信息都为下一层次铺平了道路，使得整篇报告的撰写过程逻辑清晰且随意马虎实现。4.5 考虑多种可能性和边界条件
4.5.1 考虑多种可能性和边界条件在设计 PROMPT 时，充分考虑可能涌现的各种输入情形和极度条件，从而确保模型在面对各种非空想输入时仍能产生合理的输出。包括但不限于正例和反例、数据稀缺、极度值、格式缺点和冲突信息等情形。
利用场景剖析：
谈天机器人：须要处理用户可能输入的各种类型的问题，包括模糊查询、拼写缺点、语法缺点等。数据处理和剖析工具：确保在面对缺失落值、非常值或格式不一致的数据时，能够供应故意义的反馈或处理结果。客户做事系统：在客户供应的描述不全或存在抵牾时，供应合理的回应或要求进一步的信息。自动化测试：确保在测试过程中无论输入多么非常，系统都能有适当的应对策略，避免崩溃或无效输出。举个
请供应地点和日期以查询景象情形。地点应包括城市或地区名称，日期格式为 yyyy-mm-dd。1. 如果地点和日期格式禁绝确，请输出“输入格式缺点，请重新输入。”2. 如果地点不存在或无法识别，请输出“无法识别的地点，请检讨您输入的地点名称。”3. 如果日期是未来30天之后的韶光，请输出“日期超出许可范围，请输入最近一个月的日期。”4. 如果日期是过去的韶光，请输出“日期是过去的韶光，目前只支持查询未来的景象。”把稳：- 地点名称可以利用城市名或地区名，例如“纽约”或“东京”。- 日期必须符合 yyyy-mm-dd 格式。- 所有输出应友好、简洁，便于用户理解。4.5.2 纠错机制
在设计 PROMPT 时，考虑到可能涌现的常见缺点，并设置相应的检测和改动机制，以提高模型输出的精确性和可靠性。包括自动检测输入缺点、设置默认应对方法、要求用户确认等。
利用场景剖析：
电子邮件自动回答：纠正和提示拼写缺点，避免误解，同时要求用户确认关键信息，以确保回答的准确性。搜索引擎：自动纠错用户输入的搜索关键字，并供应干系提示或推举，增强用户体验。表单提交系统：自动检测并提示用户输入的格式缺点，避免提交无效表单数据。翻译工具：检测和纠正输入句子中的拼写或语法缺点，供应更高质量的翻译结果。举个
请供应邮件地址和回答内容，以发送自动回答。邮件地址应为有效的电子邮件地址格式，回答内容请只管即便详细。1. 如果邮件地址格式缺点，请输出“邮件地址格式无效，请重新输入精确的邮件地址。”2. 如果回答内容为空或过于简短，请输出“回答内容太短，请供应更详细的信息。”3. 如果检测到拼写缺点，请标记缺点并建议修正，例如：“检测到拼写缺点‘adn’，建议修正为‘and’。”4. 如果发送邮件做事器不可用，请输出“邮件发送失落败，做事器暂时不可用，请稍后再试。”把稳：- 邮件地址必须包含 '@' 和有效的域名。- 回答内容应至少包含10个字符。- 供应拼写缺点的检测和建议修正功能，增强用户体验。
4.6 措辞和文化敏感性
考虑措辞和文化敏感性以及遵照伦理规范对付设计有效、安全的 Prompts 至关主要。一个精良的 PROMPT 是能够有效勾引用户或 AI 系统天生符合预期、高质量相应的输入语句，同时在设计和利用过程中表示出显著的措辞和文化敏感性，并严格遵照伦理规范。
1.措辞和文化敏感性:
多措辞支持: PROMPT 具备多措辞适应性，确保不同措辞背景的用户能够准确理解和利用。文化适应性: 考虑到不同文化背景的差异，避免对特定文化、族群、宗教或政治不雅观点的偏见和歧视。中性措辞利用: 利用中性、中庸之道的措辞，确保在各种文化环境下的普遍接管度。2.伦理考虑:
避免搪突性内容: 确保措辞不含搪突性、歧视性或可能引起误解的身分。隐私保护: 重视和保护用户隐私，避免透露个人信息，遵照干系法律法规（如GDPR）。透明度和知情赞许: 明确奉告用户 AI 系统的功能和限定，确保其在知情的情形下利用系统。无偏见: 避免算法和数据模型中带有的系统偏见，确保输出结果公道、公正。举个
示例 Prompt 1:
“请描述中国新年的习俗。”措辞和文化敏感性:正面: 供应了一个特定文化背景下故意义的话题。改进空间: 须要确保所有文化背景的人理解作甚“中国新年”。伦理考虑:正面: 措辞中性，没有搪突性内容。改进空间: 若用户分享个人履历，需提醒其保护隐私。
示例 Prompt 2:
“你认为当代化进程对社会有何影响？”措辞和文化敏感性:正面: 这是一个较为中性的特题，适宜不同文化背景的人回答。改进空间: 提问题时需避免文化中特定的政治经济偏见。伦理考虑:正面: 措辞中性，无搪突。改进空间: 若谈论政治、经济等敏感话题，需适当勾引，避免引发争议。
4.7 数据隐私和安全性
1.数据隐私:
避免敏感信息: 在设计PROMPT时，确保不会包含或要求敏感信息，如个人识别信息（PII）、财务数据、康健数据等。脱敏处理: 如果须要测试真实数据，确保所有数据已进行脱敏处理，即所有敏感信息被更换或删除。2.合规性:
遵照隐私条例: 确保提示设计符合干系隐私法规和条例，如GDPR、CCPA等。如果提示涉及国际用户，应考虑跨国隐私法规。数据最小化原则: 提示内容应遵照数据最小化原则，仅哀求模型利用完成任务所需的最低限度信息。举个
请你剖析一下以下客户的详细反馈信息，包括他们的姓名、地址、联系办法以及他们的反馈内容，并根据这些信息给出改进建议：
1. 客户A：姓名：张三，地址：北京市海淀区XX街道，电话：123-456-7890，反馈内容：产品质量不佳。
2. 客户B：姓名：李四，地址：上海市浦东新区XX路，电话：098-765-4321，反馈内容：配送韶光太长。
解释：
敏感信息暴露：提示中包含客户的姓名、地址及联系办法，这些都是个人敏感信息（PII）。隐私风险：直接暴露客户的详细个人信息，可能违反隐私法规（如GDPR、CCPA）。不合规：全体提示未考虑数据最小化原则，包含了不必要的细节。请你剖析以下脱敏处理后的客户反馈数据，识别紧张的问题，并根据这些信息供应改进建议：
1. 客户001：反馈内容：产品质量不佳。
2. 客户002：反馈内容：配送韶光太长。
解释：
脱敏处理：将客户的个人信息更换为匿名ID（如“客户001”、“客户002”）。数据最小化：仅保留与任务干系的反馈内容，去除不必要的个人信息。4.8 约束
约束是对提示内容施加的特定限定或哀求，合理设置约束是提示设计中的关键步骤，有助于提高天生内容的质量、干系性和适用性。通过对不同类型的约束如内容、格式、风格等多方面的限定，可以使AI模型天生更加符合需求的结果，从而在多个运用处景下实现最佳效果。
4.8.1 约束的类型1.内容约束
定义：内容约束是对天生内容的主题、信息点或不雅观点的详细哀求，确保输出内容环绕特定主题展开。实例：撰写一篇关于景象变革影响的文章，必须包括至少三种应对策略。解释：通过指定主题和信息点，可以确保天生内容集中且有深度地磋商特定问题。2.格式约束
定义：格式约束是对输出内容的构造或排版形式的哀求，确保天生内容符合预期的布局和组织办法。实例：天生一个包含弁言、主体和结论三部分构造的技能报告。解释：这种约束对文档或报告有特殊的用途，使天生的内容便于阅读和分段。3.风格约束
定义：风格约束是对天生内容的写作风格或语气的哀求，确保输出内容符合预期的文化和情绪语境。实例：用诙谐和轻松的语调撰写产品描述。解释：适用于广告文案、博客文章等须要特定表达风格的场景，使内容更具吸引力。4.长度约束
定义：长度约束是对天生内容的字数、段落数或字符数的哀求，确保输出内容在预定的长度范围内。实例：撰写一篇不超过300字的新闻简报。解释：这种约束常用于新闻宣布、推文或市场营销材料，须要简洁明了地传达信息。5.技能约束
定义：技能约束是对天生内容利用特定专业术语或技能措辞的哀求，确保输出内容在专业领域内的准确性。实例：在天生的软件解释中，利用特定的编程术语。解释：适用于技能文档或专业论文，确保内容精确且专业。6.韶光约束
定义：韶光约束是对天生内容涉及特定时间节点或历史事宜的哀求，确保输出内容与特定时间背景干系。实例：描述19世纪工业革命对英国经济的影响。解释：适用于历史研究、韶光序列剖析等场景，确保内容准确反响特定历史期间。7.目标受众约束
定义：目标受众约束是对天生内容的受众人群设定特定哀求，确保输出内容适宜预期的阅读或利用群体。实例：撰写一篇适宜高中生阅读的微积分根本先容。解释：这种约束确保内容的繁芜度和表达办法适应目标受众的理解能力。8.语境约束
定义：语境约束是对天生内容的高下文或景的哀求，确保输出内容与预定的情境或场景符合。实例：在商业会议的背景下天生CEO的演讲稿。解释：这种约束有助于天生适用于特定情境的内容，使其在运用处景中具有更高的实用性。最常见的
例如你哀求PROMPT返回固定的格式的内容，但是PROMPT返回了其他的信息，这时你可以加入约束：
只天生特定的数据或信息，不包含其他不干系内容。
再来一些
类型: 综合约束内容约束: 描述机器学习干系内容。格式约束: 包括弁言、方法、结果、结论四个部分。风格约束: 利用正式且专业的语气。长度约束: 字数不超过5000字。类型: 内容约束、长度约束内容约束: 需供应IoT的定义和五种实际运用。长度约束: 不超过200字。
五、举个大
#### 任务描述撰写一篇关于景象变革对环球农业生产影响的文章。 请撰写一篇800字的文章，详细谈论景象变革对环球农业生产影响，特殊强调对水资源管理和农作物产量的影响。#### 背景信息近年来，环球景象变革对农业生产造成了重大影响。例如，不规律的降水模式和极度景象事宜使得水资源管理变得繁芜，农作物产量也受到影响。#### 角色描述研究员#### 任务目标剖析景象变革对环球农业生产的影响，特殊是水资源管理和农作物产量。#### 特定哀求和条件文章必须包括关于水资源管理和农作物产量的详细谈论，字数不超过200字。#### 目标受众农业科学家和政策制订者#### 衡量标准- 准确性：文章内容必须真实反响景象变革对农业生产的影响。 - 完全性：需包含关于水资源管理和农作物产量的详细细节。 - 流畅性：文章语法精确、措辞畅通。 - 干系性：内容紧扣景象变革影响农业生产的主题。#### 分步骤指南1. 先容景象变革对环球农业生产的总体影响。 2. 详细谈论景象变革对水资源管理的影响。 3. 详细谈论景象变革对农作物产量的影响。#### 层次化信息- 弁言： 先容景象变革及其对农业生产的总体影响。 - 水资源管理： 详细谈论景象变革如何影响水资源的获取和管理。 - 农作物产量： 详细谈论景象变革如何影响农作物的成长和产量。#### 考虑多种可能性和边界条件示例1： 输入： 北美：水资源短缺，农作物种类改变。 输出： 北美正在经历严重的水资源短缺，导致一些传统作物的栽种受到影响。改良作物品种和新灌溉技能成为应对方法。示例2： 输入： 非洲：降水模式变革，影响农作物栽种。 输出： 非洲不规律的降水模式对小农场主造成重大影响。农作物产量颠簸，影响粮食安全。须要国际声援和新技能支持。#### 自动检测与改动设置机制，如果未按哀求描述水资源管理和农作物产量，则提示重新输入干系信息。示例： 输入： 未提及水资源管理。 输出： “请包括关于水资源管理的谈论内容。”#### 措辞和文化敏感性确保内容对各个文化背景的读者友好，避免利用技能术语影响理解。示例： - 营销文章： 利用普通易懂的措辞，避免技能术语。#### 数据隐私和安全性示例： 输入： 客户反馈内容，客户ID已脱敏。#### 任务约束- 内容约束： 描述景象变革影响农业生产的应对策略。 - 格式约束： 包括弁言、主体和结论。 - 风格约束： 利用正式语调。 - 长度约束： 不超过800字。
六、总结
在当本年夜规模措辞模型（LLM）的天下里，Prompt 是勾引神器，能让 AI 听话又聪明。通过这篇文章的深入，指引你彻底节制设计强大 Prompt 的艺术，从而解锁 AI 的全部潜力，并大幅减少 AI 的“幻觉”问题——天生与现实不符或莫名其妙的内容。
回顾下：本文紧张办理的问题
哈哈，你看懂了吗？如果之前碰着以下问题，本文绝对是你的救命稻草：
1. Prompt 模糊：AI 天生的内容总是跑偏，让人抓狂。
2. 细节不足：AI 对你的需求云里雾里，满嘴跑火车。
3. 构造太繁芜：AI 看你的指令累得“喘不过气”。
4. 幻觉问题：AI 时时冒出令人费解的内容，令人欲哭无泪。
回顾下：怎么做，爽翻天！
1. 明确目标和任务：让 AI 知道你想要啥，选对方向。
2. 充分高下文和背景：信息充足，不多不少，AI 节制事实不胡思乱想。
3. 设定衡量标准或考评维度：希冀结果，AI 就像你当年的满分作业。
4. 简洁直接：少啰嗦，AI 秒懂。
5. 避免歧义：不理解的词汇休想扰乱 AI 的步伐。
6. 分步骤和层次化辅导：分清先后，步步为赢。
7. 考虑多种可能性和边界条件：极度情形，让 AI 时候复苏。
8. 纠错机制：一键改动，防微杜渐。
9. 措辞和文化敏感性：跨文化互换，AI 落落大方。
10. 数据隐私和安全性：合规隐私，放心通报。
11. 约束设置：锁定目标，输出精准。