解锁 Llms 的力量：17 种提示工程技术，为您的 Ai 增效！

从简单到高级的示例

17 提示工程 技术 | 作者图片

提示是你与大型语言模型 (LLMs) 直接交互的方式，即：

• 通过像 ChatGPT 这样的人工智能工具。
• 在构建大型语言模型应用时。

如果你想更好地控制 LLMs 的输出，那么你需要掌握 ** 提示工程 **，这是一种设计良好的提示以实现这一目标的艺术。

通过正确的提示工程技术，你可以提高这些 LLMs 的准确性、一致性、创造力或功能，以适应你的特定用例。

在这篇博客中，我们将研究 ** 17 种经过验证的提示工程技术 **，并学习何时应用它们以获得更好的 LLM 响应并创建更好的大型语言模型应用。

让我们开始吧 GIF | source

1. 零样本提示

如何使用： 给出清晰的指示而不提供示例。

何时使用： 当任务简单明了，例如翻译或事实查询时。

提示： Translate the English phrase ‘Flowers on the road’ to Spanish.

2. 单样本提示

如何使用: 给出清晰的指示，并添加一个示例以演示任务/期望输出。

何时使用: 当一个示例足以澄清模型的任务或输出格式时。

提示: 以大写字母返回英语单词 ‘basket’ 的西班牙语翻译。

示例:

• 英语单词 (输入): River
• 西班牙语翻译 (输出): RÍO

3. Few-Shot Prompting

如何使用: 在提示中给出清晰的指示和几个示例。

何时使用: 当你需要将模型适应特定任务/领域而不进行微调时，以及当你需要更一致和准确的输出时。

提示: 仅返回该陈述的情感 ‘The lecture was quite boring’。可以是积极、消极或中立。

示例:

• ‘This movie was great!’: Positive
• ‘I hated the service.’: Negative
• ‘I don’t know how I feel about it.’: Neutral

4. 角色提示

如何使用: 给出明确的指示，并为模型分配一个特定的人物角色。

何时使用: 当任务是开放式的，并且输出需要符合特定的视角、个性或语气时。

提示: 写一篇关于大学窍门的短博客（500字），包含4个要点。
角色: 充当一个使用大量Z世代俚语的可爱大学女孩。

5. 风格提示

如何使用：在提示中指定所需的风格、语气或类型。

何时使用：当输出需要匹配特定的风格或语气时。

提示：写一封简短的正式邮件请求加薪。

6. 情感提示

如何使用: 在提示中添加一个情感充沛的句子或短语。

何时使用: 当任务涉及创意文本生成，例如讲故事和诗歌时。

提示: 写一首关于我失去的想象朋友的诗，他从未放弃。我仍然想念我的朋友。

7. 上下文提示

如何使用： 在给出清晰的提示指令之前，提供背景或自定义信息。

何时使用： 当需要背景或特定领域的细节以使响应更准确或相关时，即在RAG聊天机器人中。

上下文： My name is Jennifer Luke and I’m a marketing manager in JL firm.
提示： Write an email to the team about the upcoming campaign.

8. Rephrase and Respond (RaR)

如何使用: 告诉大型语言模型将问题重新表述为更好的提示，然后生成最终答案。

何时使用: 在复杂任务中提高准确性，或当你需要评估大型语言模型对任务的理解时。

提示: 重新表述并扩展以下问题，然后回答它：相关性和因果性之间有什么区别？

重新表述的提示：

你能解释相关性和因果性之间的区别吗，提供这两个术语的定义以及示例来说明它们之间的差异？

答案：

相关性指的是两个变量之间的统计关系，表明它们在某种程度上倾向于一起变化。然而，这并不意味着一个变量导致另一个变量发生变化。

因果性则指的是两个变量之间的直接因果关系。当一个变量导致另一个变量发生变化时，称其具有因果效应。

相关性的示例：

一个经典的相关性示例是冰淇淋销售与溺水事件之间的关系。两者在夏季月份都倾向于增加，但这并不意味着购买冰淇淋会导致溺水。

因果性的示例：

因果性的一个示例是吸烟与肺癌之间的关系。许多研究表明，吸烟是肺癌的直接原因，确立了两者之间明确的因果联系。

9. 重新阅读 (RE2)

如何使用： 从一个指令或问题开始，立即添加短语：“再读一遍：”，然后重复原始指令/问题。

何时使用： 对于涉及推理的复杂任务。

提示：

一位农民有一块矩形田地，长度是宽度的3倍。田地的周长是400米。田地的尺寸是多少？

再读一遍问题：“一位农民有一块矩形田地，长度是宽度的3倍。田地的周长是400米。田地的尺寸是多少？”

10. 系统提示

如何使用： 给大型语言模型提供高层次的指令或上下文，这些指令或上下文将在与大型语言模型的互动中被考虑。

在ChatGPT中，您可以使用“自定义GPT”功能来实现这一点。

在构建大型语言模型应用时，您可以通过提供上下文/指令作为“系统提示”来实现这一点。

何时使用： 当您需要在对话环境中设置大型语言模型的整体行为和语气时。

SYSTEM PROMPT: You are a helpful assistant that will provide factual responses in a concise tone.

11. 自我提问

如何使用： 向大型语言模型提问，告诉它将问题分解成更小的子问题，并回答这些子问题以得出最终答案。

何时使用： 当任务复杂、需要推理或涉及多个步骤时。

提示：
我应该追求数据科学的硕士学位吗？
将这个问题分解成更小的子问题，回答它们，并根据你的推理提供最终建议。

12. Chain-of-Thought (CoT)

如何使用： 向模型提问并添加短语“让我们一步一步思考”

何时使用： 对于需要推理的任务，例如数学或逻辑问题。

提示： What is the total cost of a meal with a 10% discount and a 7% tax?
Let’s think step by step.

13. Step-back Prompting

如何使用： 提出一个广泛的问题，然后根据模型对更广泛问题的回答提示其回答一个具体问题。

何时使用： 当任务涉及基于多个（更广泛/基础）因素进行分析或决策时。

提示： 解释影响公司决定进入新市场的关键因素。基于此，科技行业的公司是否应该扩展到欧洲？

14. 自我一致性

如何使用： 提出一个问题或给出一个指令，然后告诉大型语言模型生成多个输出并仅返回出现次数最多的答案。

何时使用： 当任务有许多可能的答案，并且需要一致性和准确性时。

提示： What is the most popular programming language for machine learning?
Generate 5 possible answers and return only the one that appears most often.

15. Thread-of-Thought (ThoT)

如何使用： 就像 CoT，但不是添加“让我们一步一步来”，而是说“请一步一步带我走过这个可管理的部分”。

何时使用： 当任务涉及问答和大型复杂上下文时，例如在 RAG 系统中。

CONTEXT

我有一个涉及一群人参加派对的问题。共有 10 位客人：Alice、Bob、Carol、Dave、Eve、Frank、Grace、Henry、Irene 和 Jack。每个人都有自己想听的音乐类型偏好，音乐类型有 3 种：Jazz、Rock 和 Classical。每个人只有在能听到自己偏好的音乐时才会参加。然而，由于扬声器有限，最多只能播放 3 种音乐类型，并且每次只能播放一种类型。

PROMPT

请一步一步带我走过这个可管理的部分，以确定能够参加派对的最大客人数（能够满足他们音乐偏好的最大人数）。

16. Tree-of-Thought (ToT)

如何使用： 请模型将复杂问题分解为更小的步骤。在每个步骤中，模型应生成多个可能的解决方案，评估其质量，并继续选择最佳选项，直到达到最终解决方案。

何时使用： 当任务需要深入推理、多步骤规划和高准确性时。

提示：

我正在设计一种新型咖啡杯，能够让饮品保持更长时间的热度。

将这个问题分解为更小的步骤。在每个步骤中，生成多个可能的解决方案，评估其质量（考虑可行性、成本效益和潜在影响等因素），并继续选择最佳选项，直到您达到最终解决方案。

首先进行初步设计概念的头脑风暴。

17. ReAct (Reason and Act)

如何使用： 指示大型语言模型生成一个想法，基于该想法采取行动，观察行动的结果，然后利用观察结果来优化后续的想法和行动。

何时使用： 当任务需要迭代决策和与外部系统或数据互动时。

提示： I need to find the latest market trends for electric vehicles. First, generate a thought about the most relevant keywords to search for. Then, perform a search using those keywords by calling the search API. Observe the results of the search, refine the keywords based on the data retrieved, and conduct another search if necessary. Repeat this process, adjusting your strategy based on the latest findings, until you find the most relevant and recent market trend data.

结束思考

在提示工程方面，没有神奇的公式或一刀切的解决方案。

每个模型都是不同的，获得所需结果的最佳方法是进行实验。

您可能需要调整您的指令，添加更多上下文，或甚至结合多个技术，如上面的一些示例所示。

你知道你可以拍手多达 50 次吗？

你可能会喜欢我的另一篇文章：

订阅我的通讯！

我最近开始了一个通讯‘Dataprincess To You’，在这里我写一些关于几乎任何数据的简短信件（1-2分钟阅读）——想法、概念、故事、琐事，以及其他我还没有想到的事情。