95 提示工程：优化LLM输出的关键技巧

最新推荐文章于 2025-11-08 17:58:58 发布

原创最新推荐文章于 2025-11-08 17:58:58 发布 · 816 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#LLM #RAG

llamindex文章专栏收录该内容

171 篇文章

订阅专栏

提示工程：优化LLM输出的关键技巧

在处理大型语言模型（LLM）时，你可能会遇到一些问题，比如幻觉（生成的内容与事实不符）或输出格式不佳。这些问题可能会影响你的应用程序的性能和用户体验。幸运的是，通过一些简单的提示工程技巧，你可以显著提升LLM的输出质量。本文将带你深入了解这些技巧，并通过实际代码示例帮助你快速上手。

前置知识

在深入学习提示工程之前，你需要了解以下基础知识：

Python编程：熟悉Python语言及其常用库。
自然语言处理（NLP）：了解基本的NLP概念和技术。
大型语言模型（LLM）：了解LLM的基本工作原理和常见应用。

1. 检查并自定义提示

首先，检查你在RAG（检索增强生成）工作流程中使用的提示，例如问答提示，并进行自定义。一个好的提示可以引导LLM生成更准确和格式良好的输出。

示例代码

# 原始提示
original_prompt = "请回答以下问题：{question}"

# 自定义提示
customized_prompt = "请提供一个简洁且准确的答案，避免冗长和重复。问题：{question}"

# 使用自定义提示
def generate_answer(question):
    prompt = customized_prompt.format(question=question)
    # 假设我们有一个LLM模型，可以接受提示并生成答案
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
question = "什么是人工智能？"
answer = generate_answer(question)
print(answer)

解释

原始提示：简单地要求LLM回答问题。
自定义提示：增加了对答案格式的要求，引导LLM生成更简洁和准确的答案。

2. 自定义提示

自定义提示是提升LLM输出质量的关键。你可以根据具体需求调整提示的措辞和结构。

示例代码

# 自定义提示示例
customized_prompt = """
请回答以下问题，确保答案简洁、准确且不超过50个字。
问题：{question}
"""

def generate_answer(question):
    prompt = customized_prompt.format(question=question)
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
question = "什么是机器学习？"
answer = generate_answer(question)
print(answer)

解释

自定义提示：明确要求答案简洁、准确且不超过50个字，有助于控制输出长度和质量。

3. 高级提示

高级提示技巧允许你动态注入少量示例或处理注入的输入，进一步提升LLM的性能。

示例代码

# 高级提示示例
advanced_prompt = """
请参考以下示例回答问题：
示例：问题：什么是Python？ 答案：Python是一种高级编程语言。
问题：{question}
"""

def generate_answer(question):
    prompt = advanced_prompt.format(question=question)
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
question = "什么是深度学习？"
answer = generate_answer(question)
print(answer)

解释

高级提示：通过提供一个示例，引导LLM生成类似格式的答案，有助于提升输出的准确性和一致性。

4. 添加提示函数

提示函数允许你动态注入少量示例或处理注入的输入，进一步提升LLM的性能。

示例代码

# 提示函数示例
def create_prompt(question, examples):
    example_str = "\n".join([f"示例：问题：{ex['question']} 答案：{ex['answer']}" for ex in examples])
    prompt = f"""
    请参考以下示例回答问题：
    {example_str}
    问题：{question}
    """
    return prompt

def generate_answer(question, examples):
    prompt = create_prompt(question, examples)
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
examples = [
    {"question": "什么是Python？", "answer": "Python是一种高级编程语言。"},
    {"question": "什么是机器学习？", "answer": "机器学习是人工智能的一个分支。"}
]
question = "什么是自然语言处理？"
answer = generate_answer(question, examples)
print(answer)

解释

提示函数：通过动态生成提示，注入少量示例，引导LLM生成更准确的答案。

5. 高级提示

高级提示技巧允许你动态注入少量示例或处理注入的输入，进一步提升LLM的性能。

示例代码

# 高级提示示例
advanced_prompt = """
请参考以下示例回答问题：
示例：问题：什么是Python？ 答案：Python是一种高级编程语言。
问题：{question}
"""

def generate_answer(question):
    prompt = advanced_prompt.format(question=question)
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
question = "什么是深度学习？"
answer = generate_answer(question)
print(answer)

解释

高级提示：通过提供一个示例，引导LLM生成类似格式的答案，有助于提升输出的准确性和一致性。

6. RAG提示

RAG（检索增强生成）提示是一种结合检索和生成的技术，可以进一步提升LLM的性能。

示例代码

# RAG提示示例
def create_rag_prompt(question, context):
    prompt = f"""
    请参考以下上下文回答问题：
    上下文：{context}
    问题：{question}
    """
    return prompt

def generate_answer(question, context):
    prompt = create_rag_prompt(question, context)
    answer = llm_model.generate(prompt)
    return answer

# 示例调用
context = "自然语言处理是人工智能的一个子领域，涉及计算机与人类语言之间的交互。"
question = "什么是自然语言处理？"
answer = generate_answer(question, context)
print(answer)