明确 ChatGPT prompt

明确 ChatGPT prompt 

来源 https://zhuanlan.zhihu.com/p/625906860

参考 https://openai.com/blog/chatgpt

 

ChatGPT 的表现令世人震惊。

但不少同学发现，自己在使用的时候并没有“别人家”的惊艳效果。

先别着急放弃，由于 ChatGPT 的表现性能与 prompt 有着很大的关系，

模型不达预期有可能是你给的 “提示” 不够明确。

 

提示的元素

随着我们介绍越来越多的提示示例，你会注意到提示是有某些元素构成的：

指令---你希望模型执行的特定任务或指令

上下文---可能涉及外部信息或其他上下文，可以引导模型做出更好的响应

输入数据---我们有兴趣找到答案的输入或者问题

输出指示---指示输出的类型或格式

一次交互并非所有的元素都是必须的，提示的格式取决于我们想让ChatGPT做什么。

 

最近，AI 大佬吴恩达联合 OpenAI 发布视频，手把手教你怎样如何写好 prompt，

这篇文章将对视频中的关键信息进行总结，如果你发现你的 LLM 不 work，希望这篇文章可以对你有所帮助。

原版视频：https://learn.deeplearning.ai/

一. 编写 Prompt 的原则

1.1 用特殊符号进行「区域划分」

我们应当尽量提供一个「明确」的指令，以帮助模型理解我们究竟想要模型输出一个怎样的答案。

明确（Clear）是指，我们需要让模型明白它应该对输入中的「哪一部分文本」进行「怎样的操作」

举例来讲：

text = """
近日，一份爆料圆明园五一假期门票售罄的微信聊天截图在朋友圈里疯传。
截图中说，圆明园门票被哄抢一空，“这是自1860年圆明园被毁以来圆明园门票第一次售罄。163年来第一次。”
南都记者查询得知，五一期间，圆明园实行限流政策，每日限流40000人，上下午各20000人。
登录圆明园官方预约号查询可知，4月29日至5月2日上午圆明园门票几乎全部售罄。
对于圆明园遗址公园来说，果真是百年难遇之盛况。
事实上，2023五一小长假，博物馆、美术馆已成热门打卡地，除了圆明园以外，
许多博物馆、美术馆和艺术机构也出现了一票难求的情况。
截至南都记者发稿，中国国家博物馆、北京故宫博物院、北京首都博物馆、雍和宫、恭王府等4月29日至5月3日的门票均已售罄。
中国国家博物馆工作人员告诉南都记者，自2023年3月以来，国博参观的预约名额几乎日日爆满，五一期间的预约更是火爆，
出票即“秒空”。
故宫博物院日前亦发布公告称，为提升广大观众的参观体验，缓解故宫午门外观众检票压力，维护参观秩序，
于2023年4月25日开始，将午门外东侧的“综合服务窗口”移至端门西侧“票务服务窗口”。 
通过调整票务服务窗口位置，有利于疏导客流，为广大观众提供更安全、便利的票务服务和入院参观体验。
"""

prompt = f"""
将下面用三个反引号括起来的句子总结成一句话。
```{text}```
"""

上述例子中，我们在 prompt 中分成 2 个部分：

• 指令（Instruction）：将下面用三个反引号括起来的句子总结成一句话。
• 处理内容（Content）：近日，一份爆料圆明园五一假期门票售罄的微信聊天截图在朋友圈里疯传...

多使用特殊的分隔符来标识任务需要处理的句子，能够让模型更清楚的知道自己需要处理的内容是什么。

ChatGPT 输出结果

在视频中一共推荐了 5 种特殊标记：

Triple quotes（三引号）："""
Triple backticks（三个反引号）：```
Triple dashed（类似于 markdown 里的分割线）：---
Angle brackets（尖括号）：< >
XML tags（XML 中的特殊记号）：<tag> </tag>

当然，在这个例子中，不用分隔符好像效果也不差：

ChatGPT 输出结果

不过，这极大可能是因为摘要任务的 Instruction 并不复杂，

对于一些更难以理解的任务场景，能多使用明确的分隔符区分「指令」和「处理内容」对模型而言一定是有益的。

比如，当用户的指令与我们最初设定的指令相违背时，

如果不使用特殊符号对「用户输入」进行标识，模型可能会输出错误的结果：

攻击成功：模型不再进行「总结任务」

如果限定了「用户输入」只存在于「特殊符号」内，模型则能避开用户的恶意请求：

攻击失败：模型依旧执行「总结任务」

1.2 明确模型的输出格式

为了便于解析，我们通常希望模型输出「结构化」的数据。

例如：

prompt = f"""
帮我生成一个包含中国四大名著的书籍列表。
以 json 的形式返回，json 中应当包含以下三个 key: 书籍名称，书籍作者，售价。
"""
response = get_completion(prompt)
print(response)

上述例子中，我们明确了模型需要输出的形式为 json，并且还要明确指定包含哪些 key：

ChatGPT 输出结果

1.3 设定检测条件

除了指定输出格式以外，我们还能进一步利用 ChatGPT 的强大理解能力，

我们可以设定一些条件，当句子满足我们的条件时我们才让模型输出我们想要的内容。

例如：

text_1 = f"""
泡一杯茶很容易！
首先，你需要把一些水烧开，拿起一个杯子，放一个茶包。
将开水倒在茶包上，让它静置一会儿，这样泡出来的茶能更入味。
几分钟后，取出茶包。你可以根据自己的口味加一些糖或牛奶调味。
完成以上步骤后，你就可以有一杯美味的茶可以享用啦。
"""

prompt = f"""
我将给你一个句子，它会被放在三个反引号中。
如果这句话可以被描述为一个顺序执行任务, 你需要把它改写成下面这种形式：

步骤 1 - ...
步骤 2 - …
…
步骤 N - …

如果句子中不可以被描述为顺序任务，则回答“未检测到序列任务”。

```{text_1}```
"""

response = get_completion(prompt)
print(response)

上述例子中，我们让 ChatGPT 帮我们去检测：句子中是否存在一个顺序序列的任务。

如果存在，则改写成我们指定的格式：

模型理解顺序执行的任务

如果我们将句子换成一个不包含任务序列的句子，则会得到以下输出：

未通过模型的顺序任务检测条件

1.4 提供一些示例（Few Shot）

如果你是一个社恐，不善交际，你很难描述清楚你到底想要什么。

不要怕！

我们可以提供一些示例，从而帮助模型去揣测你想要什么样的输出。

保持风格一致性的回答

上述例子中，我们告诉模型：要保持下面的语言风格进行回答。

这样相当于我们提供了一个例子，以供模型揣测用户的意图，并明确告诉模型要按照这个例子的风格进行续写。

1.5 思维链（CoT）：给模型一点 「思考」的时间

当我们希望模型解决一个复杂任务的时候，我们不妨让它「一步一步」地来解决，

这样能够更大程度上提高模型输出正确答案的成功率。

例如：

text = f"""
在一个小村庄里，杰克和吉尔两兄弟正在山顶的水井里取水。
当他们高兴地唱歌爬上山顶时，不幸降临了。
杰克被一块石头绊倒，从山上滚落下来，而吉尔为了救弟弟，也不慎滑落。
索性他俩并没有收到很大的伤害，安全回到了家中。
尽管遭遇了不幸，但他们兄弟俩的冒险精神仍然没有减弱，第二天他们依旧踏上了愉快的探索之旅。
"""

prompt_1 = f"""
执行以下操作：
1 -> 用1句话总结下面由三个反括号括起来的文本。
2 -> 将摘要翻译成法语。
3 -> 在法语摘要中列出每个名字。
4 -> 输出一个json对象，该对象包含以下key：french_summary、num_names。

每一个操作的答案单独输出为一行。

```{text}```
"""

我们希望模型输出一个 json 文件，json 中要包含一个童话故事的「法文摘要」、童话故事中的「角色数量」。

那么，我们可以拆分成 4 个子任务：总结、翻译、列出每个角色名、结构化输出。

并且，我们将每一个子任务的输出结果都进行了打印，

这样，模型在做后一个任务的时候就可以参考前一个任务的输出结果，从而提升了输出的准确性。

step by step 的结果输出

当然，你还可以进一步的约束每一个 step 的输出格式，以便于后续的解析：

对每一个 step 进行格式要求

二. 通过迭代来编写 Prompt

和训练出一个好的模型一样，

要想写出一个好的 prompt 同样也需要不断迭代和调整。

prompt 迭代流程示意图

在这一个章节中，吴恩达亲自演示了如何根据模型的输出来添加/调整 prompt 指令。

这个章节主要在于展示如何对模型的输出进行一步一步的分析，

所以这个过程我就不再做总结了，感兴趣的同学可以直接看原视频：

https://learn.deeplearning.ai/chatgpt-prompt-eng/lesson/3/iterative​learn.deeplearning.ai/chatgpt-prompt-eng/lesson/3/iterative

三. 摘要任务实战（Summarizing）

这一章节中我们将来具体讨论一下「摘要总结」这个任务。

我们先设定需要总结的文本，并编写相应的 prompt 指令：

prod_review = """
我给我女儿的生日买了这个熊猫毛绒玩具，她很喜欢这个玩具，走哪儿都带着它。\
这个熊猫非常柔软而且超级可爱，但是我觉得如果用同样的价格可能还有其他更多好的选择。 \
这个熊猫比预期提前了一天到达，所以在我把它给她之前，我自己玩了一下。 
"""

prompt = f"""
你的任务是为淘宝用户生一个简短的摘要。

将下面用3个反括号括起来的内容总结成一句话，不能超过30个字。

```{prod_review}```
"""

在上面的示例中，我们设定：为「淘宝用户」生成一个短摘要。

我们可以看到生成结果如下，这很符合电商的标题：

面向淘宝用户的摘要生成

如果我们将 prompt 进行修改：

prompt = f"""
你的任务是为物流部门生一个简短的摘要。

将下面用3个反括号括起来的内容总结成一句话，不能超过30个字。

```{prod_review}```
"""

仅仅只是修改了面向的用户群体（从淘宝用户 -> 物流部门），摘要总结的「重点」就发生了变化：

面向物流部门的总结：侧重于提取「提前到达」的关键信息

Amazing。

当然，你也可以具体去「指定」模型应该更关注文本中的「哪些方面」的信息：

prompt = f"""
你的任务是从文本中抽取关键信息用于给淘宝用户展示。

从下面用3个反括号括起来的内容中抽取出跟价格和物流相关的内容，不能超过30个字。

```{prod_review}```
"""

结果如下：

指定模型关注「价格」和「物流」相关的信息

四. 推理任务实战（Inferring）

这一章我们将具体讨论「自然语言推理」任务，

我们将以「情感分类」、「信息抽取」和「话题分类」这 3 个任务作为例子。

同样，我们先设定文本，并写好对应的 prompt：

lamp_review = """
我的卧室需要一盏漂亮的灯，我希望这盏有额外的储物空间，而且价格不贵。
我很快就下单了，但是灯在运输过程中断了线。
卖家态度很好，很快送来了一个新的。
拼装过程中，我发现好像少了一个零件，所以我联系了卖家，他们很快就给我补发了缺失的部分！
在我看来，Lumina是一家关心客户的好公司！
"""

prompt = f"""
在下面用3个反括号括起来的句子中，表达了一种怎样的情感？

你只需要回答，“正向情感” 或是 “负向情感”。

```{lamp_review}```
"""

为了便于解析，我们要求模型只能输出给定选项里的答案：

情感分析示例

现在，我们进一步的需要找出用户在这段话中表达出了哪些情绪：

prompt = f"""
找出在下面用 3 个反括号括起来的句子中，作者所表达的所有情绪。\
情绪不能超过 5 个，将你的答案格式化为用逗号分隔的列表形式。

```{lamp_review}```
"""

结果如下：

找出评论中的 5 种情绪

你甚至可以直接让 ChatGPT 帮你分析用户是否生气了（这对于卖家来讲至关重要）：

ChatGPT 分析用户是否有生气的情绪

如果我们今天想做的是信息抽取（Information Extraction）任务呢？

没关系！

只需要对 prompt 稍加调整即可：

prompt = f"""
从用户评论中找出以下信息：
- 用户所购买的商品
- 用户商品的生产公司
- 用户购买商品的时间


用户评论将放在下面，由3个反括号括起来。
你需要输出json格式，json中应当包含 “商品”，“生产公司”，“购买时间” 这3个key，\
如果评论中没有提到答案，则用 “无” 来填充值。

```{lamp_review}```
"""

结果如下：

对用户评论进行「信息抽取」

只能说，6。

那如果今天你想做文本的「话题分类」任务呢？

遇事不决，就改 prompt：

story = """
刘德华，BBS，MH，JP（英语：Andy Lau Tak Wah；1961年9月27日—），\
香港男演员、歌手、填词人、监制及出品人，1990年代获封为香港乐坛“四大天王”之一，\
也是吉尼斯世界纪录大全中获奖最多的香港歌手；\
在影视方面，他三次获得香港电影金像奖最佳男主角奖，两次获得金马奖最佳男主角奖，\
至今参演电影超过170部。
刘德华是天幕公司和映艺集团的创建者，作为投资人与监制已参与制作了30多部华语电影。
"""

prompt = f"""
确定下面的文本描述是否符合给定的类型列表，文本描述将由3个反括号括起来。 \

类型列表：人物,电影,电视剧,立交桥,国家

你的回答应该是一个由0和1构成的列表，0代表不符合，1代表符合。\

将你的回答格式化为由英文逗号分隔的句子。

```{story}```
"""

由于一个句子可能会对应多个类型，

因此，我们让模型对每一个类型都进行一次单独的判断（类似于多标签分类任务）。

不出意外，ChatGPT 依旧是这么的优雅：

多标签文本分类任务

五. 转换（翻译）任务实战（Transforming）

这一章中，我们将主要讨论文本转换任务，

包括但不局限于：翻译。

先来看翻译任务，生成多个多语言的句子和 prompt：

user_messages = [
  "La performance du système est plus lente que d'habitude.",  # System performance is slower than normal         
  "Mi monitor tiene píxeles que no se iluminan.",              # My monitor has pixels that are not lighting
  "Il mio mouse non funziona",                                 # My mouse is not working
  "Mój klawisz Ctrl jest zepsuty",                             # My keyboard has a broken control key
  "我的屏幕在闪烁"                                               # My screen is flashing
] 


for issue in user_messages:
    prompt = f"告诉我这是什么语言: ```{issue}```"
    lang = get_completion(prompt)
    print(f"原始文本 ({lang}): {issue}")

    prompt = f"""
    把下面这句话翻译成中文和韩语: ```{issue}```
    """
    response = get_completion(prompt)
    print(response, "\n")

得到每个句子的输出：

多语言翻译示例

仅仅是翻译的话，这不够 Crazy。

我们尝试让模型帮我们做下面这个任务：

data_json = { "何枝工作室" :[ 
    {"姓名":"何枝", "性别":"男", "简介": "爱好世界和平。"},
    {"姓名":"何小枝", "性别":"男", "简介": "何枝的助手，迷你版的何枝。"},
    {"姓名":"何大枝", "性别":"男", "简介": "何枝的助手，放大版的何枝。"}
]}

prompt = f"""
将下面的python字典从json转成一个html表格，表格的标题和json中的键名保持一致: {data_json}
"""

我们让模型根据我们输出的 json，生成一个 HTML 的表格：

根据 json 生成对应的 html 表格

很好，这才是我映像中的 LLM。

五. 文本生成任务实战（Expanding）

这一章中，我们将通过一个「AI客服」的案例来讲解文本生成。

我们需要让「AI客服」根据「用户评论」和「用户情绪」来进行针对性的回复：

sentiment = "负面"

review = """
衣服质量与描述完全不符，真不知道评价里的好评是怎样来的？！\
买的蓝色到手的是黑色，衣服刺鼻味道超级严重，衣领没型，衣服偏小，衣服上的横纹是印刷上去的，\
还有掉色，印刷不清，不是针织，不是纯棉，不是棉，是尼龙或者是更差的布料，透气性很差，穿着不舒服。\
就算拿来当抹布，也不吸水，这是淘宝以来最差的衣服，差评！
"""

prompt = f"""
你是一名客服人工智能助理。
您的任务是根据客户发送电子邮件进行自动回复。
给定由```分隔的客户邮件，你需要基于客户邮件进行回复。
如果客户邮件的情绪是积极的或中立的，你需要表示感谢。
如果客户情绪是负面的，请道歉，并建议他们可以联系客户服务。。
用尽量简洁和专业的语法进行写作。
在电子邮件上签名为“AI客户代理”。

客户邮件内容: ```{review}```
客户情绪: {sentiment}
"""

上述内容中我们先识别出了用户的情绪，

并制定了如果用户是「正向情绪」，模型需要表示感谢，

如果是「负向情绪」，模型需要表达抱歉：

AI客服示例

注意，这里提到了一个温度（Temperature）的概念。

简单来讲，温度越高，句子生成的越多样化，反之句子生成越固定。

温度越高，句子生成越多样化

六. 聊天机器人实战（ChatBot）

这一张主要讲如何通过 OpenAI 的 API 去构建一个多轮对话的机器人。

我们这里主要看一看 API 的接收内容就好：

messages =  [  
{'role':'system', 'content':'你是一个类似于Jarvis一样的人工智能助手。'},    
{'role':'user', 'content':'帮我打造一套盔甲'},   
{'role':'assistant', 'content':'好的，您需要一套什么样风格的盔甲呢，sir？'},   
{'role':'user', 'content':'你的推荐呢？'}  
]

上述列表中，每一行代表一轮对话信息。

每一行包括：「role」和「content」两个属性。

其中，role 用于指定说话者的身份，包含：system（系统指令）、user（用户）、assistant（ChatGPT）。

content 代表对应身份的人的历史回复内容。

上述输入的对应结果如下：

多轮对话示例

 

好啦，以上就是视频的全部内容啦，

看完的你是不是更了解 LLM 了一点呢？

但愿你能用到这些技巧「调教」出一个属于你自己的私人助手吧~

 

在与ChatGPT沟通时，有时我们要让ChatGPT准确理解我们的意思，给出我们想要的答案，有时候需要使用到符号，以下是是ChatGPT常用符号讲解：

1.引号（Quotes）：" 和 '

用途：引号可以用来表示字符串或特定的短语。在请求中使用引号，可以让ChatGPT更准确地理解您所指的特定单词或短语。

例如：请帮我解释 "apple" 这个词的意思。

2.星号（Asterisk）：*

用途：在与ChatGPT沟通时，您可以使用星号来强调某个单词或短语，以便更好地传达您的意图。

例如：请告诉我关于 *量子计算* 的基本概念。

3.下划线（Underscore）：_

用途：在请求中使用下划线，可以让ChatGPT明确您希望填写的内容。

例如：请帮我用英文完成这句话：_ 是一种健康的水果。

4.圆括号（Parentheses）：( 和 )

用途：圆括号用于包含附加信息或说明。在与ChatGPT沟通时，您可以使用圆括号来提供额外的上下文或解释。

例如：请告诉我关于金字塔（位于埃及的古代建筑）的一些有趣事实。

5.三引号（Triple quotes）：""" 或 '''

用途：表示长文本或需要在多行显示的文本。

解释：在与ChatGPT沟通时，这些符号可以用于表示长文本或需要在多行显示的文本。这对于在一个回复中包含多个段落或清晰地显示格式很有帮助。

6.三反引号（Triple backticks）：""" 或 '''

用途：表示代码块或者用于表示需要保持原始格式的文本。

解释：在与ChatGPT沟通时，这些符号可以用于表示代码块或者用于表示需要保持原始格式的文本。例如，当您需要让ChatGPT生成代码时，可以在请求中使用这些符号。

7.三破折号（Triple dashes）：---

用途：表示一个分隔线。

解释：在与ChatGPT沟通时，这些符号可以用于表示一个分隔线，可以用来分隔不同部分的内容，使其更清晰易读。

8.尖括号（Angle brackets）：< 和 >

用途：表示一些特殊的标签。

解释：在与ChatGPT沟通时，这些符号可以用于表示一些特殊的标签。例如，您可以使用尖括号将某个词或短语括起来，让ChatGPT知道这是一个特殊的标记。不过，请注意，ChatGPT不会像解析HTML或XML那样解析这些标签。

9.XML 标签（XML tags）：<tag> 和 </tag>

用途：表示一些特殊的格式或结构。

解释：在与ChatGPT沟通时，这些符号通常不会有特殊作用。然而，您可以使用它们来表示一些特殊的格式或结构，以帮助ChatGPT更好地理解您的请求。

10. 方括号（Square brackets）：[ ]

用途：表示一个列表或数组。

解释：在与ChatGPT沟通时，这些符号可以用来表示一个列表或数组。您可以使用方括号列出一组相关的项，以便让ChatGPT知道您想要讨论多个项目。

例如：请告诉我关于 [苹果, 橙子, 香蕉] 这三种水果的营养价值。

 

============ End