大模型学习【提示词工程】—— 初识提示词工程-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_45730545/article/details/145529805

初识提示词工程

什么是提示词工程
如何进行提示工程
总结

什么是提示词工程

提示词工程（Prompt Engineering）是设计和完善提供给 ChatGPT 等语言模型的初始文本或输入（提示）以生成响应的过程。它涉及设计提示，以指导模型生成特定的语气、样式或内容类型。

提示工程 vs. 微调

	提示工程	微调
资源效率	需要高端 GPU 和大内存。	只需要文本输入。
成本效益	对于基于云的 AI 服务，微调会产生巨大的成本。	使用基础模型，通常更便宜。
维护模型	受模型版本限制，可能需要重新训练模型。	更新提示可以在不同版本间正常工作，通常无需更改。
时间效率	可能需要数小时甚至数天。	几乎能立即提供结果。
数据需求	需要大量特定任务的标记数据。	可以使用少样本甚至零样本学习。
灵活性	很难实现快速迭代。	可以快速尝试各种方法，调整提示，并立即看到结果。
领域适应	需要重新训练。	通过在提示中提供特定领域的上下文，可以轻松地使模型适应新领域，无需重新训练。
理解力		帮助模型更好地理解和利用外部内容（如检索文档）。
保留通用知识	存在灾难性遗忘的风险，即模型可能会失去通用知识。	保持了模型的泛化能力。
透明度		提示是人类可读的，准确显示模型接收到的信息。这种透明度有助于理解和调试。

何时不使用提示工程
- 当您需要 100% 的可靠性时
- 当您无法评估模型输出的准确性时
- 当您需要生成不在模型训练数据中的内容时

如何进行提示工程

下面将从 OpenAI 和 Claude 官方提示工程指南中的建议策略来初步感受如何进行提示工程。

Claude 官方提示工程指南

提示生成器

解决如何有效地编写提示词。引导Claude生成针对您特定任务的高质量提示词模板。

使用提示模板将固定和变量部分结合在一起，为动态内容使用占位符。

API调用通常包含两种类型的内容：
- 固定内容：在多次交互中保持不变的静态指令或上下文
- 变量内容：随每个请求或对话而变化的动态元素，例如：
  - 用户输入
  - 用于检索增强生成(RAG)的检索内容
  - 对话上下文，如用户账户历史
  - 系统生成的数据，如来自其他独立Claude调用的工具使用结果
提示改进器通过4个步骤增强您的提示：
- 示例识别：定位并提取提示模板中的示例
- 初始草稿：创建具有清晰部分和XML标签的结构化模板
- 思维链精炼：添加和完善详细的推理说明
- 示例增强：更新示例以展示新的推理过程

% 原始提示
从以下Wikipedia文章标题列表中，识别这个句子来自哪篇文章。
只需回答文章标题，不要添加其他内容。

文章标题：
{
  {titles}}

要分类的句子：
{
  {sentence}}

% 改进后提示
您是一个专门将句子与Wikipedia文章标题匹配的智能文本分类系统。您的任务是根据提供的文章标题列表，确定给定句子最可能属于哪篇Wikipedia文章。

首先，查看以下Wikipedia文章标题列表：
<article_titles>
{
  {titles}}
</article_titles>

现在，考虑需要分类的这个句子：
<sentence_to_classify>
{
  {sentence}}
</sentence_to_classify>

您的目标是确定提供的列表中哪个文章标题最匹配给定的句子。请按照以下步骤操作：

1. 列出句子中的关键概念
2. 将每个关键概念与文章标题进行比较
3. 对最相关的前3个标题进行排名并解释其相关性
4. 选择最适合包含或关联句子内容的文章标题

将您的分析包含在<analysis>标签中。包括以下内容：
- 句子中的关键概念列表
- 每个关键概念与文章标题的比较
- 前3个最相关标题的排名及解释
- 您的最终选择和理由

在分析之后，提供您的最终答案：从列表中选择单个最适合的Wikipedia文章标题。

仅输出所选的文章标题，不要添加任何额外的文本或解释。