大语言模型(LLM)实用双技巧

原创已于 2025-05-02 00:16:44 修改 · 1.1k 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #语言模型 #Ollama #Qwen3 #AI #DeepSeek #LLM

于 2025-05-01 21:13:46 首次发布

AI 专栏收录该内容

3 篇文章

订阅专栏

AI的出现，是否能替代IT从业者？ 10w+人浏览 248人参与

Prompt Engineering Cheatsheet: 构建高效提示的核心要素

活力无限，科技无界
搜索🔍关注👉公众号猕猴桃实验室

一起在网络技术里遨游

公众号来源：猕猴桃实验室 => 转载请注明“转载于公众号：猕猴桃实验室”

公众号：猕猴桃实验室

微信公众号：猕猴桃实验室

LLM实用双技巧

思考过程控制

在使用#Ollama 安装#Qwen3 等大模型时，它们通常会展示思考过程。然而，在某些场景下，我们可能只需要直接的输出结果，而不关心中间思考步骤。以下介绍两种方法来实现这一目的。

软切换方式

大多数#推理模型支持使用特定指令调整输出行为。一个常用的方法是在聊天模板中添加空的<think></think>标签，这样可以让#大模型直接给出结果而跳过显示思考过程。

但是也有一些大模型提供了官方的自定义指令。例如，Qwen3大模型支持在提示词中加入/no_think来控制思考模式：

在Qwen3-235B-A22B的大模型对话中输入 Hello, 你猜我是谁！ ，添加/no_think 与没添加/no_think 指令，出现不同的输出：

我们提供了一种软切换机制，允许用户在 enable_thinking=True 时动态控制模型的行为。具体来说，您可以在用户提示或系统消息中添加 /think 和 /no_think 来逐轮切换模型的思考模式。在多轮对话中，模型会遵循最近的指令。

—— 引自 Qwen官方文档

硬切换方式

在使用Ollama安装大模型的时候，也可以通过Ollama的#Modelfile 配置文件来调整模型行为，比如Qwen3：

FROM qwen3:30b-a3b-q8_0

TEMPLATE """{{- if .Messages }}
{{- if or .System .Tools }}<|im_start|>system
{{- if .System }}
{{ .System }}
{{- end }}
{{- if .Tools }}

# Tools

You may call one or more functions to assist with the user query.

You are provided with function signatures within <tools></tools> XML tags:
<tools>
{{- range .Tools }}
{"type": "function", "function": {{ .Function }}}
{{- end }}
</tools>

For each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:
<tool_call>
{"name": <function-name>, "arguments": <args-json-object>}
</tool_call>
{{- end }}<|im_end|>
{{ end }}
{{- range $i, $_ := .Messages }}
{{- $last := eq (len (slice $.Messages $i)) 1 -}}
{{- if eq .Role "user" }}<|im_start|>user
{{ .Content }}<|im_end|>
{{ else if eq .Role "assistant" }}<|im_start|>assistant
{{ if .Content }}{{ .Content }}
{{- else if .ToolCalls }}<tool_call>
{{ range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}
{{ end }}</tool_call>
{{- end }}{{ if not $last }}<|im_end|>
{{ end }}
{{- else if eq .Role "tool" }}<|im_start|>user
<tool_response>
{{ .Content }}
</tool_response><|im_end|>
{{ end }}
{{- if and (ne .Role "assistant") $last }}<|im_start|>assistant
<think>

</think>
{{ end }}
{{- end }}
{{- else }}
{{- if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
<think>

</think>
{{ end }}{{ .Response }}{{ if .Response }}<|im_end|>{{ end }}"""
PARAMETER top_k 20
PARAMETER top_p 0.95
PARAMETER repeat_penalty 1
PARAMETER stop <|im_start|>
PARAMETER stop <|im_end|>
PARAMETER temperature 0.6

Ollama Modelfile 是一种用于设置和控制Ollama平台模型行为的配置方式。它不仅可以用来创建新模型，还能对已有模型进行参数调整，以适应特定需求。例如，可以内置定制的提示语，调整#上下文长度、温度值、随机因子，以及控制输出文本的多样性和一致性。

值得注意的是，这种调整并非对模型本身进行微调，而是对运行参数的优化。通过Ollama Modelfile，您可以更高效地在本地部署和管理大语言模型，提升资源利用率，获得更理想的运行效果。它极大地简化了LLM的调用和操作流程。

五维提示词框架

Prompt Engineering Cheatsheet: 构建高效提示的核心要素

本#提示词 (#Prompt)速查表为提示工程师提供了一套系统化的框架，用于设计精准且高效的AI交互指令，提高#生产力。其核心模块涵盖五个关键维度：

1. Writing Style（写作风格）
提供20种预定义风格选项，如Legal（法律）、Satirical（讽刺）、Scientific（科学）等，帮助快速匹配不同场景需求。例如，在技术文档生成中选择"Technical"风格可确保术语的专业准确性。
2. Verb（动词指令）
通过20个核心动词（如Hire/Build/Draft等）明确任务行动，结合Output（输出格式）与Objective（目标），构成基础提示结构："Verb + Output + Objective"，为模型提供清晰的任务定义。
3. Voice & Tone（声调与语气）
Voice维度包含Soft/Cool/Bold等12种声线设定，配合Tone中的Formal/Critical/Casual等16种语气选项，实现精细的情感表达控制。例如设置"Stoic Voice + Analytical Tone"可生成冷静理性的分析报告。
4. Context（上下文参数）
18项扩展参数（如Data/Industry/Revenue等）用于高级提示构建，通过补充领域知识或业务指标显著提升响应的相关性和深度。
5. Prompt Structure（提示结构）
- • 初级模式：聚焦基础三要素（动词+输出+目标）
- • 高级模式：在基础结构上叠加#上下文参数，支持多层约束条件输入