提示工程最佳实践

提示工程最佳实践

翻译自：https://mphr.notion.site/Prompt-Engineering-Best-Practices-0839585d4bce4c6abb0b551b2107a92a

改善LLM输出的提示技巧。

目录：

Tip#1:清晰且具体的指令

Tip#2:给模型思考的时间

Tip#3:多次提示

Tip#4:引导模型

Tip#5:分解任务或提示

Tip#6:使用外部工具

 

Tip#1：清晰且具体的指令 (Clear and Specific Instructions)
1.提供详细背景：为问题提供详细的上下文，减少歧义，从而降低无关或错误输出的可能性。
2.使用分隔符：通过使用如章节标题、三重引号、三重反引号、三重破折号、尖括号等分隔符来清晰地指示输入的不同部分。
3.指定所需的输出格式或输出长度：例如，让模型扮演特定角色，或指定输出的长度。

例子：
“假定你是一个有创意的作家”

“大致用两句话回答”

“给我一个这篇文本的摘要。以下是我喜欢的摘要的例子_______”

提供例子：

1) 第一个例子：给出一个提示和相应输出/响应的例子。

2) 第二个例子：给出提示和输出的第二个例子。

3) 你的提示：给出你的实际提示。现在，您的模型可以遵循前两个示例所建立的模式。

Tip#2：给模型思考的时间 (Give the Model Time to Think)

当模型立即做出反应时，它们会犯更多的推理错误。
1.链式推理：通过要求模型逐步思考，可以减少推理错误 (例如可以添加「Think step by step」的提示)。这促使模型逐步地、更周到地进行思考。

例子：

例如，如果你要求模型给一个学生的解决方案打分，你可以提示模型:

第一步:找出你自己解决问题的方法。

第二步:将你的解决方案与学生的解决方案进行比较。

第三步:在评估学生的解决方案之前完成自己的解决方案的计算。

Tip#3：多次提示 (Prompt Multiple Times)

要求模型多次回答一个问题并确定最佳答案。当最重要的是准确性(而不是延迟或成本)时，使用不同的提示生成多个响应。
1.调整参数：通过改变温度 (Temperature) 、示例数量 (Shots) 和提示的直接性 (Prompt) 来生成多个响应，并确定最佳答案。
温度(Temperature)：调节LLM反应的随机性或创造性。温度越高，反应就越多样，越有创意。较低的温度会产生更保守、更可预测的反应。

示例数量(Shots)：指提示中给出的例子的数量。Zero-shot是指不提供例子，one-shot是指提供一个例子。

直接性(Prompt)：或多或少地直接，要求解释，进行比较等。

Tip#4：引导模型 (Guide the Model)
1.处理长文档：如果文档过长，模型可能会提前停止读取。可以引导模型分段地处理长文档，并递归地构造完整的摘要。
2.帮助模型自我纠正：如果模型开始回答错误，模型很难自我纠正。引导模型自我纠正。例子：“我收到了你关于量子物理的解释，你确定你的答案吗?你能从量子力学的基础开始审查并给出一个正确的解释吗?”
3.避免引导性问题：模型急于取悦，所以引导但留下提示开放式。（确保问题开放性，不要引导模型给出特定答案。）

例子：
不当提问：电子游戏会导致暴力吗?

恰当提问：我希望对电子游戏和行为之间关系的研究结果有一个公正的概述。

Tip#5：分解任务或提示 (Break Down the Task or Prompt)
1.将复杂任务分解为简单任务：把复杂的任务分解成多个简单的任务。这很有帮助，因为复杂的任务比简单的任务有更高的错误率。（通过分解任务，语言模型可以一次专注于一个方面，减少复杂任务中常发生的误差，还可以解决成本）

您可以使用意图分类来识别最相关的指令，然后组合响应以创建一个内聚的输出。

例子：

查询：

我要去巴黎三天，我需要知道该带什么东西，去哪里吃饭最好，还有怎么使用公共交通工具。

分解：

意图1：去巴黎旅行该带些什么。

意图2：推荐巴黎最好的吃饭地点。

意图3：巴黎公共交通使用指南。

LLM回答：

人工智能将分别处理每个意图，为旅行带些什么、用餐和通勤提供量身定制的建议，然后将这些建议整合成一个全面的响应。

或者，如果子任务是连接的：

步骤1:将任务分解为查询。

步骤2:将第一个查询的输出提供给下一个查询。

 

上面的例子是用户需要巴黎旅行的建议，可以将任务分解为单独的意图 (如打包建议、餐饮推荐和公共交通指导)，然后 LLM 可以针对每个意图分别提供定制的建议。

Tip#6：使用外部工具 (Use External Tools)

根据经验，如果一个任务可以通过工具而不是语言模型更可靠或更有效地完成，那么将语言模型与外部工具的专业功能结合起来，从而提高整体的工作效率和准确性。

下面是一些工具例子：
1. Calculator (计算器)：LLM不擅长数学的计算，使用计算器可以显著提高模型在数学问题上的表现。
2, RAG (信息检索)：通过连接LLM到一个智能的信息检索系统，可以更有效地增强检索能力。
3. Code Execution (代码执行) ：使用代码执行或调用外部api来执行和测试由模型创建的代码。

4. External Functions (外部函数) ：为 LLM 定义外部函数，如send_email()、get_current_weather()或get_customers()，这些函数可以在用户的端执行，并将结果返回给模型。