AI大模型系列：Prompt提示工程常用技巧和实践，建议收藏起来慢慢看！！

最新推荐文章于 2025-04-13 19:39:54 发布

AI大模型-上马定江山

最新推荐文章于 2025-04-13 19:39:54 发布

阅读量774

点赞数 22

文章标签：人工智能 prompt 语言模型 AI大模型 agi ai LLM

本文链接：https://blog.youkuaiyun.com/Android23333/article/details/146264932

版权

前言

Prompt提示语是使用大模型解决实际问题的最直接的方式，本篇介绍Prompt提示工程常用的技巧，包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。

Prompt提示工程简述

Prompt提示语，指的是设计和编写提示文本，以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西，合适的Prompt对于提示学习的效果至关重要，因此产生了提示工程专门研究如何设计Prompt，目的是找到最优的提示语，使得模型的性能和效率达到最高，以适应不同的任务和应用场景。

对各种模型设计不同的Prompt

Prompt的一般结构介绍

Prompt的一般结构包含4个部分，任务指令、背景信息、附加内容、输出要求

任务指令：明确给到大模型需要执行的任务，比如扮演角色身份，给出内容方案
背景信息：提供任务和上下文背景，从而生成更相关的输出
附加内容：额外补充信息，包括领域知识库，参考样例等等
输出要求：指定输出的格式，比如JSON格式，限定输出在某几个选项内，限制不允许编造成分等等

Prompt中并非要包含以上所有部分，可以根据需要自行组合搭配。举个例子，需要让大模型输出一个去苏州旅游的攻略，Prompt结构如下

Prompt结构式例

零样本提示Zero-Shot

零样本提示Zero-Shot，是指没有任何相关数据的参照下，直接对模型进行提问，用自然语言指令让模型输出内容完成一个任务，例如用通过对话模型生成式地完成情感分类任务

通过Zero-Shot进行情感分类

再例如完成命名实体识别的任务，提取出文本中的关键要素，从提取结果来看完全正确且没有遗漏，但是格式并没有按照要求的JSON来

Zero-Shot完成命名实体识别

Zero-Shot这种方式最为方便，但是由于没有任何相关数据给到模型参照，所以模型可能难以彻底按照任务要求和输出要求进行文本生成，尤其是对于难以用自然语言来描述清楚的任务。

少样本提示Few-Shot

少样本提示Few-Shot是指，在用自然语言描述的任务中加入少量相关的任务例子，使得模型更加充分地理解任务的目标和输出要求，增加任务完成的准确性，还是以情感分类为例，对模型进行Few-Shot如下

通过Few-Shot进行情感分类

同理针对命名实体识别，也可以给到一些例子，Few-Shot如下

Few-Shot完成命名实体识别提问

模型生成内容如下，模型提取得非常准确，并且模型参照了给的例子进行了JSON格式的输出，而在Zero-Shot中并虽然提示语句中要求了JSON格式，但并没有按照JSON生成，由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成

Few-Shot完成命名实体识别结果

特别的，当给到的参考例子只有一条时，此时属于One-Shot提示。

思维链提示CoT

思维链提示（Chain-of-Thought，CoT），常用于推理规划类问题，包括逻辑推理，数学推理，常识推理等，相比于语言语境能力，推理问题对于大语言模型而言更难，因为对于推理问题，大模型的训练是把推理结果作为下一个词直接预测，而忽略了中间的思考过程，而人类在面对推理问题时往往是逐步求解，最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程，再逐步运算生成答案。
以一个简单的数学题问大模型（Chatglm2-6B），让模型计算出最后的结果，采用直接提问的方式，问题和回答如下

直接提问推理问题

很明显，模型回答的是错误的，正确答案应该是11，我们采用思维链提示的方式再试一次，具体是给到模型一条类似的题目，并且告诉模型解题步骤，解题步骤包括中间过程和最终的结果，使得对该类问题模型采用这种逐步的思考方式进行回答，提问和回答如下

思维链的方式提问推理问题

显然模型回答正确，且逻辑清晰，中间过程和结果都回答得很好。
除了给到参考解题例子之外，研究人员提出零样本思维链提示，只需要在问题结尾加上**”让我们逐步思考“**这个魔法语句，模型就能够实现逐步推理，我们以这种方式进行提问试验一下

零样本思维链提示回答推理问题

同样得到了正确的结果，显然思维链提示CoT对于推理问题比直接提问更有效。

任务分解Least-to-Most

任务分解，也被叫作由少到多提示（Least-to-Most），旨在当面对复杂提问时，将其转化为多个容易解决的子问题，并逐一解决它们得到最后的结果。任务分解的方式和思维链类似，区别在于任务分解会进行多轮问答，并且之前子问题的回答会加入到下一次的提问中，相当于逐步填充问题的上下文，降低复杂多步推理问题的难度。
我们同样先做对比，对模型直接提问一个计算题，问题和回答如下