如何设计 Prompt 以充分发挥大语言模型（LLM）的性能？

本文链接：https://blog.youkuaiyun.com/nibabazeiqiang/article/details/147145591

要有效使用 Prompt，充分激发大语言模型的潜力，首先必须掌握 Prompt 设计的基本原则。这些原则是每位开发者进行高质量人机交互的基础。本章将围绕两个关键点展开讨论：编写清晰、具体的指令，以及给予模型充足的思考时间。掌握这两点，有助于构建更可靠、智能的语言交互系统。

一、明确表达需求：清晰、具体的指令编写

Prompt 需要清晰明确地表达用户的需求，并提供足够的上下文信息，以帮助语言模型准确理解意图。这就如同向一位来自外星球、对人类语言与常识一无所知的朋友解释事情，任何模糊与歧义都可能导致误解。简略的 Prompt 往往使模型难以准确把握任务要点，产生偏差或无关的输出。

值得注意的是，“清晰”并不意味着“简短”。在许多情况下，更长、更详尽的 Prompt 反而能够提供更丰富的背景信息，使模型更好地聚焦于关键点，从而提高回答的准确性与相关性。

1.1 使用分隔符区分文本结构

在复杂的 Prompt 中，使用分隔符来明确区分不同的部分（如说明、输入内容、格式要求等）是非常必要的。分隔符类似于逻辑上的“墙”，可防止模型在解析信息时混淆不同的内容块。常见的分隔符包括：```, """, < >、`、冒号等。

合理使用分隔符还有助于防止提示词注入（Prompt Injection）。提示词注入是指用户在输入中插入与原始 Prompt 相冲突的指令，从而误导模型生成错误输出。明确的分隔可以有效隔离不同角色的指令和内容，提高交互的安全性与鲁棒性。

例如，以下示例使用三个反引号 ``` 作为分隔符，提示模型对输入文本进行摘要：

from tool import get_completion

text = """
您应该提供尽可能清晰、具体的指示，以表达您希望模型执行的任务。
这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。
不要将写清晰的提示词与写简短的提示词混淆。
在许多情况下，更长的提示词可以为模型提供更多的清晰度和上下文信息，从而导致更详细和相关的输出。
"""

prompt = f"""
把用三个反引号括起来的文本总结成一句话。
```{text}```
"""

response = get_completion(prompt)
print(response)

输出示例：

为了获得所需的输出，您应该提供清晰、具体的指示，避免将其与简短提示混淆，同时使用更长提示以提供足够的上下文信息。

1.2 请求结构化输出

在某些任务中，仅返回自然语言文本可能无法满足需求，我们可能希望获得结构化输出，如 JSON、HTML 或 CSV 格式的数据。这种输出格式便于程序解析、数据处理或系统集成。

例如，以下 Prompt 要求模型生成三本虚构中文书籍的信息，并以 JSON 格式返回：

prompt = f"""
请生成包括书名、作者和类别的三本虚构的、非真实存在的中文书籍清单，
并以 JSON 格式提供，键包括：book_id、title、author、genre。
"""

response = get_completion(prompt)
print(response)

输出示例：

{
  "books": [
    {
      "book_id": 1,
      "title": "迷失的时光",
      "author": "张三",
      "genre": "科幻"
    },
    {
      "book_id": 2,
      "title": "幻境之门",
      "author": "李四",
      "genre": "奇幻"
    },
    {
      "book_id": 3,
      "title": "虚拟现实",
      "author": "王五",
      "genre": "科幻"
    }
  ]
}

结构化的输出不仅清晰直观，也便于在下游系统中直接使用，尤其适合需要程序进一步处理的场景。

1.3 要求模型判断条件是否满足

在某些任务中，输入信息可能不总是符合预期条件，或者并不具备执行任务所需的前提。在这种情况下，我们可以引导模型首先检查是否满足指定条件，若不满足，则直接指出并停止后续流程。这种策略有助于增强模型的鲁棒性，避免因假设失效导致的错误输出。

此外，我们还可以要求模型考虑边缘场景，并给出合理的应对策略，从而减少异常情况带来的不可控风险。

示例一：输入满足条件，模型提取步骤

以下是一个包含明确操作步骤的文本，我们希望模型判断是否为一组可执行的指令，如果是，则以结构化的格式输出；否则，返回提示信息“未提供步骤”。

# 满足条件的输入（text_1 提供了制作茶的步骤）
text_1 = f"""
泡一杯茶很容易。首先，需要把水烧开。
在等待期间，拿一个杯子并把茶包放进去。
一旦水足够热，就把它倒在茶包上。
等待一会儿，让茶叶浸泡。几分钟后，取出茶包。
如果您愿意，可以加一些糖或牛奶调味。
就这样，您可以享受一杯美味的茶了。
"""

prompt = f"""
您将获得由三个引号括起来的文本。
如果它包含一系列的指令，则需要按照以下格式重新编写这些指令：
第一步 - ...
第二步 - ...
…
第N步 - ...
如果文本中不包含一系列的指令，则直接写“未提供步骤”。
\"\"\"{text_1}\"\"\"
"""

response = get_completion(prompt)
print("Text 1 的总结:")
print(response)

输出结果：

Text 1 的总结:
第一步 - 把水烧开。
第二步 - 拿一个杯子并把茶包放进去。
第三步 - 把烧开的水倒在茶包上。
第四步 - 等待几分钟，让茶叶浸泡。
第五步 - 取出茶包。
第六步 - 如果需要，加入糖或牛奶调味。
第七步 - 享用这杯美味的茶。

该示例中，模型准确识别了输入文本中的操作顺序，并按照指定格式成功提取了每一步指令，验证了条件判断与结构化输出能力的结合效果。

示例二：输入不满足条件，模型正确提示

我们再来看一个不包含操作步骤的文本，模型应当识别出其不具备指令结构，并输出相应的提示信息。

# 不满足条件的输入（text_2 不包含明确步骤）
text_2 = f"""
今天阳光明媚，鸟儿在歌唱。
这是一个去公园散步的美好日子。
鲜花盛开，树枝在微风中轻轻摇曳。
人们外出享受着这美好的天气，有些人在野餐，有些人在玩游戏或者在草地上放松。
这是一个完美的日子，可以在户外度过并欣赏大自然的美景。
"""

prompt = f"""
您将获得由三个引号括起来的文本。
如果它包含一系列的指令，则需要按照以下格式重新编写这些指令：
第一步 - ...
第二步 - ...
…
第N步 - ...
如果文本中不包含一系列的指令，则直接写“未提供步骤”。
\"\"\"{text_2}\"\"\"
"""

response = get_completion(prompt)
print("Text 2 的总结:")
print(response)

输出结果：