幾個(gè)月來(lái)，ChatGPT、GPT-4 等大模型陸續(xù)發(fā)布。這些模型表現(xiàn)出了強(qiáng)大的涌現(xiàn)能力，但模型生成的結(jié)果是隨機(jī)的，時(shí)好時(shí)壞，部分原因與 Prompt 的設(shè)計(jì)密切相關(guān)。

很多人將 Prompt 比喻為大模型的咒語(yǔ)，在引導(dǎo)模型生成內(nèi)容方面影響很大，如何選擇 Prompt 成了每個(gè) AI 研究者關(guān)注的問(wèn)題。最近微軟官方出了一份教程，該教程介紹了 Prompt 設(shè)計(jì)和工程中的一些高級(jí)玩法，涵蓋系統(tǒng)消息、少樣本學(xué)習(xí)、非聊天場(chǎng)景等內(nèi)容。

每部分內(nèi)容都有技術(shù)介紹和示例展示，下面我們看看具體內(nèi)容有哪些。

關(guān)于 Prompt，你應(yīng)該了解這些

系統(tǒng)消息

系統(tǒng)消息包含在 Prompt 的開(kāi)頭，用于為模型提供上下文、說(shuō)明或與用例相關(guān)的其他信息。用戶可以通過(guò)系統(tǒng)消息描述模型應(yīng)該回答什么、不應(yīng)該回答什么，以及定義模型回復(fù)的格式。

下圖示例展示了系統(tǒng)消息和模型生成的回復(fù)：

通常，系統(tǒng)消息還可以是這樣的：

• 上表中 Assistant 是一個(gè)由 OpenAI 訓(xùn)練的大語(yǔ)言模型。
• Assistant 是一個(gè)智能聊天機(jī)器人，旨在幫助用戶回答問(wèn)題。要求模型只能使用給定的上下文來(lái)回答問(wèn)題，如果不確定答案，你可以說(shuō)「我不知道」。
• Assistant 是一個(gè)智能聊天機(jī)器人，例如其能幫助用戶回答稅務(wù)相關(guān)問(wèn)題。
• 又比如你是一個(gè) Assistant，旨在從文本中提取實(shí)體。用戶將粘貼一串文本，你將以 JSON 對(duì)象的形式回應(yīng)你從文本中提取的實(shí)體。

這是輸出格式的示例：

{
"name": "",
"company": "",
"phone_number": ""
}

上面就是關(guān)于系統(tǒng)消息的介紹，不過(guò)一個(gè)重要的細(xì)節(jié)是，即使是設(shè)計(jì)良好的系統(tǒng)消息，模型仍有可能生成與系統(tǒng)消息指令相矛盾的錯(cuò)誤回復(fù)。

小樣本學(xué)習(xí)

讓語(yǔ)言模型適應(yīng)新任務(wù)的一種常見(jiàn)方法是使用小樣本學(xué)習(xí)。小樣本學(xué)習(xí)提供了一組訓(xùn)練樣本作為 Prompt 的一部分，以便為模型提供額外的上下文信息。

用戶和 Assistant 之間的一系列信息（以新的 Prompt 格式編寫(xiě)）可以作為小樣本學(xué)習(xí)的示例。這些示例可用于引導(dǎo)模型以某種方式做出響應(yīng)、模擬特定行為并為常見(jiàn)問(wèn)題提供種子答案。

Prompt 的基本結(jié)構(gòu)。

非對(duì)話場(chǎng)景

雖然當(dāng)前大模型的主要應(yīng)用場(chǎng)景是對(duì)話生成場(chǎng)景，但也可以用在非對(duì)話場(chǎng)景。例如，對(duì)于情感分析場(chǎng)景，你可能會(huì)使用以下 Prompt：

使用明確的指令

一般來(lái)講，信息在 Prompt 中出現(xiàn)的順序很重要。由于 GPT 類模型是以特定方式構(gòu)建的，該構(gòu)建過(guò)程定義了模型對(duì)輸入的處理方式。研究表明，在 Prompt 開(kāi)始時(shí)告訴模型你希望它執(zhí)行的任務(wù)，然后再共享其他上下文信息或示例，可以幫助模型產(chǎn)生更高質(zhì)量的輸出。

最后重復(fù)一遍指令

模型容易受到最新偏差的影響，在這種情況下，末尾 Prompt 信息可能比開(kāi)頭 Prompt 信息對(duì)輸出的影響更大。因此，在 Prompt 末尾重復(fù)指令值得一試。

對(duì)輸出的操作

這種情況是指在 Prompt 末尾包含幾個(gè)單詞或短語(yǔ)以獲得符合所需形式的模型響應(yīng)。例如，使用諸如「Here’s a bulleted list of key points:\n- 」之類的 Prompt 可以幫助確保輸出格式為項(xiàng)目符號(hào)列表。

添加語(yǔ)法

為 Prompt 添加語(yǔ)法，例如標(biāo)點(diǎn)符號(hào)、標(biāo)題等，這樣做使輸出更容易解析。

下面示例中，不同的信息源或 step 之間添加了分隔符（在本例中為 ---）。這種操作允許使用 --- 作為生成的停止條件。此外，部分標(biāo)題或特殊變量以大寫(xiě)形式出現(xiàn)以進(jìn)行區(qū)分。

把任務(wù)分解

如果將任務(wù)分解為更小的 step，大型語(yǔ)言模型 (LLM) 通常會(huì)表現(xiàn)得更好。

注意，這里使用了語(yǔ)法來(lái)區(qū)分各個(gè)部分并對(duì)輸出進(jìn)行初始化。在這個(gè)簡(jiǎn)單的例子中，將任務(wù)從一個(gè) step 分解為兩個(gè) step 結(jié)果并不很明顯，但是當(dāng)試圖對(duì)包含許多事實(shí)聲明的大塊文本進(jìn)行此操作時(shí)，將任務(wù)分解會(huì)產(chǎn)生顯著的差異。

思維鏈提示

這是分解任務(wù)技術(shù)的一種變體。在這種方法中，不是將任務(wù)拆分為更小的 step，而是指示模型響應(yīng)逐步進(jìn)行并呈現(xiàn)所有涉及的 step。這樣做可以減少結(jié)果不準(zhǔn)確，并使評(píng)估模型響應(yīng)更加容易。

提供真實(shí)上下文

在該方法下，本文建議提供給模型真實(shí)數(shù)據(jù)。一般來(lái)講，原始數(shù)據(jù)越接近最終答案，模型需要做的工作就越少，這意味著模型出錯(cuò)的機(jī)會(huì)就越少。在下面示例中，系統(tǒng)消息提供了最新的文章，然后要求模型給出一些早期客戶，模型準(zhǔn)確的給出了答案。

除此以外，微軟在這份指南中還介紹了關(guān)于 Prompt 其他技巧，大家可以前去原文查看，獲取更多信息。