prompt engineering 总览- part1

开始prompt engineering 之前，请确认你是否已经有如下概念：
1、为你的用例明确的 成功标准定义
2、一些根据这些标准进行 经验测试的方法
3、你想要改进的 第一个prompt
针对1、2如果没有的话，请看博主的上一篇blog。 评价指标
针对3，对于第一个prompt ，如果你针对自己的任务，并没有想法，如何写，可求助llm。即：将任务表述给llm，询问他是否清晰，有什么需要增加的细节，按照llm，增加细节。请他生成初版prompt。

1. prompt 生成

有时候，使用 AI 模型最困难的部分是如何有效地提示它。对于第一个prompt的生成，两种方法：
1 将任务表述给llm，询问他是否清晰，有什么需要增加的细节，按照llm，增加细节。请他生成初版prompt。
2 查找prompt library 根据任务查找，仔细阅读，在针对性修改。可以查找的网站包括：langchain hub、openai prompt 、https://docs.anthropic.com/en/prompt-library/library等

2.清楚、直接、详细

在与 llm互动时，将其视为一个非常聪明但非常新的员工（有失忆症），他需要明确的指示。像任何新员工一样，llm 不了解你的规范、风格、指南或偏好的工作方式。你解释得越精确，llm 的回应就会越好。

tips: 将你的prompt展示给不了解你的任务的同事，看他对此有什么疑问，并且按照他的疑问加以修改。往往他们感到困惑的地方，也就是llm感到困惑的地方。

如何做到清晰、有上下文和具体

1、给 llm提供上下文信息：就像如果你知道更多上下文，你可能会更好地完成任务一样，llm 如果有更多上下文信息，表现也会更好。一些上下文信息的例子：

----任务结果将用于什么

----输出的目标受众

----任务所属的工作流程，以及该任务在该工作流程中的位置

----任务的最终目标，或成功完成任务的样子

2、具体说明你希望llm做什么：例如，如果你希望 llm 只输出代码而不输出其他内容，请明确说明。

3、提供按顺序的步骤说明：使用编号列表或项目符号，以更好地确保 llm按照你希望的方式执行任务。

3.使用示例（多示例提示）-即少样本技术

通过在提示中提供几个精心设计的示例，你可以显著提高 llm输出的准确性、一致性和质量。这种技术，被称为少样本或多示例提示，对于需要结构化输出或遵循特定格式的任务特别有效。

为什么要使用示例？

准确性：示例减少了指令的误解。
一致性：示例强制统一的结构和风格。
性能：精心选择的示例提高了llm处理复杂任务的能力。

制作有效的示例

为了最大限度地提高效果，请确保你的示例是：
相关性：示例反映了实际用例。
多样性：示例涵盖了边缘情况和潜在挑战，并且足够多样化，以避免 llm无意中遵循不希望的模式。
清晰性：示例用 标签包裹（如果有多个，嵌套在 标签内）以保持结构。

4.让llm思考(chain of thought, cot)

当面对复杂任务，如研究、分析或问题解决时，给llm 空间思考可以显著提高其性能。这种技术，被称为思维链（Chain of Thought, CoT）提示，鼓励 llm逐步分解问题，从而产生更准确和细致的输出。

why

实施 CoT 之前

为什么要让 llm思考？

准确性：逐步解决问题可以减少错误，特别是在数学、逻辑、分析或一般复杂的任务中。
连贯性：结构化思考导致更连贯、组织良好的响应。
调试：看到llm的思考过程有助于你确定提示可能不清晰的地方。

为什么不让 llm思考？

增加的输出长度可能会影响延迟。
并非所有任务都需要深入思考。明智地使用 CoT，以确保性能和延迟之间的适当平衡。

如何让llm思考

以下思维链技术按从简单到复杂的顺序排列。较简单的方法在上下文窗口中占用的空间较少，但通常效果较弱。

cot tips: 在让llm使用cot时候，要求他输出思考过程，因为不输出就不会思考。

基础prompt：在提示中包括“think step by step”，这里并不需要包括如何一步步思考。例如：

为捐赠者撰写个性化电子邮件，请求他们对今年的“关爱儿童”计划进行捐赠。

计划信息：
<program>{{PROGRAM_DETAILS}}
</program>

捐赠者信息：
<donor>{{DONOR_DETAILS}}
</donor>

在撰写电子邮件之前，请逐步思考。

引导性prompt：为llm的思考过程概述具体步骤。缺乏结构化，使其难以剥离和分离答案与思考。例如：

为捐赠者撰写个性化电子邮件，请求他们对今年的“关爱儿童”计划进行捐赠。

计划信息：
<program>{{PROGRAM_DETAILS}}
</program>

捐赠者信息：
<donor>{{DONOR_DETAILS}}
</donor>

在撰写电子邮件之前，请思考。首先，思考什么样的信息可能会吸引这位捐赠者，考虑到他们的捐赠历史和他们过去支持的哪些活动。然后，思考“关爱儿童”计划的哪些方面会吸引他们，考虑到他们的历史。最后，根据你的分析撰写个性化的捐赠者电子邮件。

结构化提示：使用XML标签，像是、将推理和最终结果分开，例如：

为捐赠者撰写个性化电子邮件，请求他们对今年的“关爱儿童”计划进行捐赠。

计划信息：
<program>{{PROGRAM_DETAILS}}
</program>

捐赠者信息：
<donor>{{DONOR_DETAILS}}
</donor>

在撰写电子邮件之前，请在 <thinking> 标签中思考。首先，思考什么样的信息可能会吸引这位捐赠者，考虑到他们的捐赠历史和他们过去支持的哪些活动。然后，思考“关爱儿童”计划的哪些方面会吸引他们，考虑到他们的历史。最后，根据你的分析，在 <email> 标签中撰写个性化的捐赠者电子邮件。