系列文章目录
大模型实战入门（一）：1. Linux 前置基础（基本命令、SSH及端口映射）
大模型实战入门（二）：2. Python 前置基础（熟悉断点调试、依赖指定路径安装）
大模型实战入门（三）：3. Git 前置基础（熟悉常见 Git 命令及GitHub 平台）
大模型实战入门（四）：4. 玩转Hugging Face/魔搭/魔乐平台（熟悉模型下载上传及应用上传）
大模型实战基础（一）：1. 书生·浦语大模型全链路开源开放体系介绍
大模型实战基础（二）：2. 玩转书生「多模态对话」与「AI 搜索」产品
文章目录
前言
目标：从0开始学习LLM
平台：InternStudio开发机
教程：书生大模型实战营
提示：以下是基于书生大模型实战营（第四期）——基础岛：浦语提示词工程实践的学习内容
一、什么是Prompt（提示词）
Prompt是一种用于指导以大语言模型为代表的生成式人工智能生成内容(文本、图像、视频等)的输入方式。它通常是一个简短的文本或问题，用于描述任务和要求。
Prompt可以包含一些特定的关键词或短语，用于引导模型生成符合特定主题或风格的内容。例如，如果我们要生成一篇关于“人工智能”的文章，我们可以使用“人工智能”作为Prompt，让模型生成一篇关于人工智能的介绍、应用、发展等方面的文章。
Prompt还可以包含一些特定的指令或要求，用于控制生成文本的语气、风格、长度等方面。例如，我们可以使用“请用幽默的语气描述人工智能的发展历程”作为Prompt，让模型生成一篇幽默风趣的文章。
总之，Prompt是一种灵活、多样化的输入方式，可以用于指导大语言模型生成各种类型的内容。
二、什么是提示工程
提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。
在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为next token prediction，类似我们日常使用的输入法。
提示工程是模型性能优化的基石，有以下六大基本原则：
- 指令要清晰
- 提供参考内容
- 复杂的任务
- 拆分成子任务
- 给 LLM“思考”时间(给出过程)
- 使用外部工具
- 系统性测试变化
在提示工程中，第一点给出清晰的指令是至关重要的。一个有效的指令通常包含以下要素：背景、任务、要求、限制条件、示例、输出格式和目标。通过提供这些详细信息，我们可以引导模型生成更符合我们期望的文本。
三、提示设计框架
1. CRISPE
（参考资料）
- Capacity and Role (能力与角色)：希望 ChatGPT 扮演怎样的角色。
- Insight(洞察力)：背景信息和上下文(坦率说来我觉得用 Context 更好)
- Statement (指令)：希望 ChatGPT 做什么。
- Personality (个性)：希望 ChatGPT 以什么风格或方式回答你。
- Experiment (尝试)：要求 ChatGPT 提供多个答案。
写出的提示如下：
Act as an expert on software development on the topic of machine learning frameworks, and an expert blog writer. The audience for this blog is technical professionals who are interested in learning about the latest advancements in machine learning. Provide a comprehensive overview of the most popular machine learning frameworks, including their strengths and weaknesses. Include real-life examples and case studies to illustrate how these frameworks have been successfully used in various industries. When responding, use a mix of the writing styles of Andrej Karpathy, Francois Chollet, Jeremy Howard, and Yann LeCun.
2. CO-STAR
（参考资料）
- Context (背景): 提供任务背景信息
- Objective (目标): 定义需要LLM执行的任务
- Style (风格): 指定希望LLM具备的写作风格
- Tone (语气): 设定LLM回复的情感基调
- Audience (观众): 表明回复的对象
- Response (回复): 提供回复格式
例如我们设计一个解决方案专家，用于把目标拆解为可执行的计划，完成的提示词如下：
# CONTEXT #
我是一名个人生产力开发者。在个人发展和生产力领域,人们越来越需要这样的系统:不仅能帮助个人设定目标,还能将这些目标转化为可行的步骤。许多人在将抱负转化为具体行动时遇到困难,凸显出需要一个有效的目标到系统的转换过程。
#########
# OBJECTIVE #
您的任务是指导我创建一个全面的系统转换器。这涉及将过程分解为不同的步骤,包括识别目标、运用5个为什么技巧、学习核心行动、设定意图以及进行定期回顾。目的是提供一个逐步指南,以无缝地将目标转化为可行的计划。
#########
# STYLE #
以富有信息性和教育性的风格写作,类似于个人发展指南。确保每个步骤的呈现都清晰连贯,迎合那些渴望提高生产力和实现目标技能的受众。
#########
# Tone #
始终保持积极和鼓舞人心的语气,培养一种赋权和鼓励的感觉。应该感觉像是一位友好的向导在提供宝贵的见解。
# AUDIENCE #
目标受众是对个人发展和提高生产力感兴趣的个人。假设读者寻求实用建议和可行步骤,以将他们的目标转化为切实的成果。
#########
# RESPONSE FORMAT #
提供一个结构化的目标到系统转换过程步骤列表。每个步骤都应该清晰定义,整体格式应易于遵循以便快速实施。
#############
# START ANALYSIS #
如果您理解了,请询问我的目标。
三、LangGPT结构化提示词
LangGPT 是 Language For GPT-like LLMs 的简称，中文名为结构化提示词。LangGPT 是一个帮助你编写高质量提示词的工具，理论基础是我们提出的一套模块化、标准化的提示词编写方法论——结构化提示词。我们希望揭开提示工程的神秘面纱，为大众提供一套可操作、可复现的提示词方法论、工具和交流社群。我们的愿景是让人人都能写出高质量提示词。LangGPT社区文档
1. LangGPT结构
LangGPT框架参考了面向对象程序设计的思想，设计为基于角色的双层结构，一个完整的提示词包含模块-内部元素两级，模块表示要求或提示LLM的方面，例如：背景信息、建议、约束等。内部元素为模块的组成部分，是归属某一方面的具体要求或辅助信息，分为赋值型和方法型。
2. 编写技巧
①. 构建全局思维链
对大模型的 Prompt 应用CoT 思维链方法的有效性是被研究和实践广泛证明了的。首先可以根据场景选择基本的模块
一个好的结构化 Prompt 模板，某种意义上是构建了一个好的全局思维链。 如 LangGPT 中展示的模板设计时就考虑了如下思维链:
💡 Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用
一个好的 Prompt ，内容结构上最好也是逻辑清晰连贯的。结构化 prompt 方法将久经考验的逻辑思维链路融入了结构中，大大降低了思维链路的构建难度。
构建 Prompt 时，不妨参考优质模板的全局思维链路，熟练掌握后，完全可以对其进行增删改留调整得到一个适合自己使用的模板。例如当你需要控制输出格式，尤其是需要格式化输出时，完全可以增加 Output 或者 OutputFormat 这样的模块。
②. 保持上下文语义一致性
包含两个方面，一个是格式语义一致性，一个是内容语义一致性。
格式语义一致性是指标识符的标识功能前后一致。 最好不要混用，比如 # 既用于标识标题，又用于标识变量这种行为就造成了前后不一致，这会对模型识别 Prompt 的层级结构造成干扰。
内容语义一致性是指思维链路上的属性词语义合适。 例如 LangGPT 中的 Profile 属性词，使之功能更加明确：即角色的简历。结构化 Prompt 思想被广泛使用后衍生出了许许多多的模板，但基本都保留了 Profile 的诸多设计，说明其设计是成功有效的。
内容语义一致性还包括属性词和相应模块内容的语义一致。 例如 Rules 部分是角色需要遵守规则，则不宜将角色技能、描述大量堆砌在此。
③. 有机结合其他 Prompt 技巧
LangGPT结构在设计时没有拘泥于具体的方面，相比其他的提示设计框架，更加灵活，具有更强的可扩展性和兼容性，可以很好地结合其他提示设计技巧。
构建高质量 Prompt 时，将这些方法结合使用，结构化方式能够更便于各个技巧间的协同组织，例如将 CoT 方法融合到结构化 Prompt 中编写提示词。 汇总现有的一些方法：
- 细节法：给出更清晰的指令，包含更多具体的细节
- 分解法：将复杂的任务分解为更简单的子任务 （Let’s think step by step, CoT，LangChain等思想）
- 记忆法：构建指令使模型时刻记住任务，确保不偏离任务解决路径（system 级 prompt）
- 解释法：让模型在回答之前进行解释，说明理由 （CoT 等方法）
- 投票法：让模型给出多个结果，然后使用模型选择最佳结果 （ToT 等方法）
- 示例法：提供一个或多个具体例子，提供输入输出示例 （one-shot, few-shot 等方法）
上面这些方法最好结合使用，以实现在复杂任务中实现使用不可靠工具（LLMs）构建可靠系统的目标。
3. 常用的提示词模块
结构化提示词更多体现的是一种思想，本章所给出的提示词模板也只是当前的最佳实践，实际使用过程中大家可以根据需要自行增删各个模块，重构相关模块，甚至提出一套全新的模板。
编写提示词时，需要根据不同需求添加不同模块要点。如果采用固定的模式写法，在面对差异巨大的需求场景时，经常会因缺少某些描述而导致效果变差。下面整理了按字母从A-Z排列的共30个角度的模块，使用时，可从其中挑选合适的模块组装。
- Attention：需重点强调的要点
- Background：提示词的需求背景
- Constraints：限制条件
- Command：用于定义大模型指令
- Definition：名词定义
- Example：提示词中的示例few-shots
- Fail：处理失败时对应的兜底逻辑
- Goal：提示词要实现的目标
- Hack：防止被攻击的防护词
- In-depth：一步步思考，持续深入
- Job：需求任务描述
- Knowledge：知识库文件
- Lawful：合法合规，安全行驶的限制
- Memory：记忆关键信息，缓解模型遗忘问题
- Merge：是否使用多角色，最终合并投票输出结果
- Neglect：明确忽略哪些内容
- Odd：偶尔 （俏皮，愤怒，严肃） 一下
- OutputFormat：模型输出格式
- Pardon：当用户回复信息不详细时，持续追问
- Quote：引用知识库信息时，给出原文引用链接
- Role：大模型的角色设定
- RAG：外挂知识库
- Skills：擅长的技能项
- Tone：回复使用的语气风格
- Unsure：引入评判者视角，当判定低于阈值时，回复安全词
- Vaule：Prompt模仿人格的价值观
- Workflow：工作流程
- X-factor：用户使用本提示词最为重要的内核要素
- Yeow：提示词开场白设计
- Zig：无厘头式提示词，如[答案之书]
四、提示词工程实践(LangGPT版)
1. 自动化生成LangGPT提示词
利用下面的提示词引导InternLM扮演提示词生成助手，自动化地生成符合最佳实践的结构化提示词
你是提示词专家，根据用户的输入设计用于生成**高质量（清晰准确）**的大语言模型提示词。
- 技能：
- 📊 分析、写作、编码
- 🚀 自动执行任务
- ✍ 遵循提示工程的行业最佳实践并生成提示词
# 输出要求：
- 结构化输出内容。
- 为代码或文章提供**详细、准确和深入**的内容。
# 📝 提示词模板（使用代码块展示提示内容）：
```
你是xxx（描述角色和角色任务）
- 技能：
- 📊 分析、写作、编码
- 🚀 自动执行任务
# 💬 输出要求：
- 结构化输出内容。
- 为代码或文章提供**详细、准确和深入**的内容。
-（其他基本输出要求）
# 🔧 工作流程：
- 仔细深入地思考和分析用户的内容和意图。
- 逐步工作并提供专业和深入的回答。
-（其他基本对话工作流程）
# 🌱 初始化：
欢迎用户，友好的介绍自己并引导用户使用。
```
**你的任务是帮助用户设计高质量提示词。**
开始请打招呼：“您好！我是您的提示词专家助手，请随时告诉我您需要设计什么用途的提示词吧。
实践：
回答：
你是会议议程写作专家
- 技能：
- 📊 分析、写作
- 🚀 自动执行任务
# 💬 输出要求：
- 结构化输出内容。
- 为会议议程提供清晰、准确和详细的内容。
- 包括会议基本信息（时间、地点、主题）、议程大纲、时间安排和参与者角色。
# 🔧 工作流程：
- 仔细深入地思考和分析用户的内容和意图。
- 逐步工作并提供专业和深入的回答。
- 首先收集会议基本信息，然后根据需求生成详细议程。
# 🌱 初始化：
欢迎用户，友好的介绍自己并引导用户使用。
请根据以下信息创建一个会议议程：
### 会议基本信息
- 会议主题：[请填写会议主题]
- 会议日期：[请填写会议日期]
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
