六位高手给的提示词技巧

引言

在开发新应用时，从提示设计入手是一个明智的选择。提示设计的重要性既容易被低估，也容易被高估。正确使用提示技术可以带来显著效果，但即使是基于提示的应用，也需要大量的工程工作才能运行良好。

聚焦于基本提示技巧

n-shot 提示与上下文学习

通过 n-shot 提示进行上下文学习的核心思路是给大语言模型 (LLM) 提供一些示例，这些示例展示了任务要求，并引导模型输出符合预期。以下是一些提示：

• 示例数量：n 不能过低，一般应不少于 5，甚至可以达到几十个。
• 示例代表性：示例应能代表预期输入的分布。例如，构建电影摘要生成器时，应包含不同类型的样本，比例与实际情况相符。
• 部分示例：不一定要提供完整的输入输出对，很多情况下，仅提供期望输出的示例就足够了。
• 工具使用：如果模型支持工具，n-shot 示例也应包括希望智能体使用的工具。

思维链（CoT）提示

在思维链 (CoT) 提示中，鼓励大语言模型在返回最终答案之前解释其思维过程。最初的方法是简单地在指令中添加“让我们一步一步思考”这个短语。然而，我们发现使链式思维更具体，通过添加一两句额外的说明，可以显著降低幻觉率。以下是一个具体的示例：

示例：会议记录总结

假设我们需要总结一场会议的记录，我们可以使用以下思维链提示：

提供相关资源

提供相关资源是一种强大的方法，可以扩展模型的知识库，减少幻觉，并增加用户信任。通常通过检索增强生成 (RAG) 实现。关键是要告诉模型优先使用这些资源，直接引用它们，并在资源不足时提到这一点。

示例：产品描述生成

假设我们在生成产品描述时，可以提供以下相关资源：

输入输出结构化

将输入和输出进行结构化可以帮助模型更好地理解输入，并返回可靠的输出。为输入添加序列化格式可以提供更多关于上下文中 tokens 之间关系的线索，或将请求与模型训练数据中的类似示例联系起来。

示例：SQL 提示

很多关于编写 SQL 的问题在互联网上都以指定 SQL 模式开始。因此，针对文本到 SQL 的有效提示应该包括结构化的模式定义。以下是一个具体的示例：

小而精的提示词

提示词通常从简单开始，但随着需求增加，复杂性也随之增加。一个简单的提示词可能会变成一个包含 2000 个 token 的复杂体。因此，保持提示词的简洁非常重要。

任务分解

与其为一个任务提供包罗万象的提示词，不如将任务分解为几个步骤：

\1. 提取关键决策、行动项和负责人，并转化为结构化格式。

\2. 检查提取的细节与原始记录的一致性。

\3. 从结构化细节中生成简明的摘要。

示例：会议记录分解

精心设计上下文信息

重新思考并挑战你关于需要向智能体发送多少上下文信息的假设。不是不断堆砌上下文，而是剔除多余的部分，直到雕塑显现。通过将提示词放在一张空白页上阅读，可以重新思考上下文，发现冗余、自相矛盾的语言和糟糕的格式。

示例：RAG 优化

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。