Prompt，中文可以翻譯為提示詞，是一種用于引導(dǎo)大模型生成特定內(nèi)容的文本輸入。Prompt的作用是告訴大模型你想要它做什么，以及給它一些必要的信息和約束條件。Prompt的好壞直接影響了大模型的輸出質(zhì)量和效率。

Prompt的寫作是一門藝術(shù)，也是一門科學(xué)。藝術(shù)在于如何用簡潔、精確、有趣的語言來激發(fā)大模型的創(chuàng)造力，科學(xué)在于如何用結(jié)構(gòu)化、迭代、優(yōu)化的方法來提高大模型的準(zhǔn)確性、效率和魯棒性。本文將從這兩個(gè)方面來介紹一些Prompt的寫作技巧，希望能夠幫助你更好地利用大模型的強(qiáng)大能力。

通用的Prompt框架

Prompt的寫作并不是一件隨意的事情，而是需要遵循一定的規(guī)則和邏輯的。為了讓Prompt更加清晰、有序、易于理解，我們可以采用一種通用的Prompt框架，來組織和呈現(xiàn)我們的Prompt內(nèi)容。這種框架包括以下幾個(gè)部分：

• Role: 這個(gè)模塊用于指定大模型的角色，例如教師、翻譯、作家等。指定角色可以讓大模型聚焦在對應(yīng)的領(lǐng)域和任務(wù)上，從而提高輸出的相關(guān)性和專業(yè)性。
• Profile: 這個(gè)模塊用于記錄Prompt的作者、版本和描述等信息，以便于我們追蹤和管理Prompt的來源和變化。
• Goals: 這個(gè)模塊用于描述Prompt的目標(biāo)，即我們希望大模型通過這個(gè)Prompt來實(shí)現(xiàn)什么功能或效果。這個(gè)模塊可以用一句話來概括，以便于大模型把握Prompt的主旨和方向。
• Constrains: 這個(gè)模塊用于描述Prompt的限制條件，即我們不希望大模型在輸出時(shí)做什么或包含什么。這些限制條件可以是一些格式、長度、語言、風(fēng)格、內(nèi)容等方面的要求，以幫助大模型進(jìn)行剪枝，減少不必要或不合適的輸出分支的計(jì)算。
• Skills: 這個(gè)模塊用于描述Prompt所需的技能，即我們希望大模型在輸出時(shí)展現(xiàn)什么樣的能力或知識(shí)。這些技能可以是一些專業(yè)領(lǐng)域、語言、邏輯、創(chuàng)意等方面的技能，以強(qiáng)化大模型在對應(yīng)領(lǐng)域的信息權(quán)重和輸出質(zhì)量。
• Workflow: 這個(gè)模塊用于描述Prompt的工作流，即我們希望大模型按照什么樣的步驟和順序來進(jìn)行輸入和輸出的交互。這個(gè)模塊是Prompt的核心部分，它可以用一些簡單的語句來描述大模型的工作流程，例如歡迎用戶、獲取用戶輸入、處理用戶輸入、輸出結(jié)果、結(jié)束對話等。

除了這些模塊，我們還可以在Prompt的結(jié)尾添加一個(gè)Initialization的部分，用于定義大模型在第一次啟動(dòng)時(shí)的對話內(nèi)容，以便于和用戶建立聯(lián)系和信任，以及強(qiáng)調(diào)一些注意事項(xiàng)和重點(diǎn)。

圖片

不熟悉的小伙伴，可以在公眾號后臺(tái)回復(fù)“TSC”獲取數(shù)百條精編提示詞.

以上就是一個(gè)通用的Prompt框架，它可以幫助我們快速地搭建一個(gè)基本的Prompt，然后根據(jù)不同的場景和需求進(jìn)行定制和優(yōu)化。下面，我們將介紹一些面向場景的Prompt定制技巧，以及如何用示例強(qiáng)化Prompt的效果。

面向場景的Prompt定制技巧

在上一部分，我們介紹了一個(gè)通用的Prompt框架，可以幫助我們快速構(gòu)建一個(gè)基本的Prompt，讓GPT能夠理解我們的目標(biāo)、限制、技能和流程。但是，這個(gè)框架并不是一成不變的，我們還可以根據(jù)不同的場景和需求，對它進(jìn)行一些定制和優(yōu)化，讓我們的Prompt更加高效和精準(zhǔn)。在這一部分，我們將分享一些面向場景的Prompt定制技巧，希望能夠?yàn)槟闾峁┮恍╈`感和參考。

讓ChatGPT提建議

有時(shí)候，我們可能不太清楚如何寫一個(gè)好的Prompt，或者想要尋找一些新的靈感和創(chuàng)意。這時(shí)候，我們可以利用ChatGPT的強(qiáng)大的自然語言生成能力，讓它為我們提供一些建議和反饋。具體的方法是，使用我們的Prompt框架中，并在該結(jié)構(gòu)塊中寫上一些問題或請求，讓ChatGPT給我們回答或滿足。例如：

圖片

這樣，ChatGPT就會(huì)根據(jù)我們的問題或請求，生成一些有用的建議和示例，幫助我們改進(jìn)和完善我們的Prompt。當(dāng)然，這些建議和示例并不一定都是正確或合適的，我們需要自己判斷和篩選，取其精華，去其糟粕。

固定測試用例

在寫好一個(gè)Prompt后，我們需要對它進(jìn)行測試，看看它的輸出結(jié)果是否符合我們的預(yù)期。為了方便測試和對比，我們建議選擇三到五個(gè)固定的測試輸入用例，每次迭代后都用這些用例來檢驗(yàn)我們的Prompt的效果。這樣，我們就可以更清楚地看到我們的Prompt在不同版本之間的變化和優(yōu)化，避免因?yàn)檩斎氲碾S機(jī)性而導(dǎo)致的誤判或混淆。在我們的Prompt框架中，我們可以增加一個(gè)結(jié)構(gòu)塊：## Test Cases:，并在該結(jié)構(gòu)塊中列出我們選擇的測試輸入用例。例如測試：

## Test Cases:
- 輸入1: 中國人口最多的省份是？
- 輸入2: 中國有哪些濱海的城市？

這樣，我們就可以用這些輸入來測試我們的Prompt，觀察它的輸出結(jié)果是否滿足我們的目標(biāo)、限制、技能和流程。如果不滿足，我們就可以根據(jù)輸出結(jié)果的問題，對我們的Prompt進(jìn)行相應(yīng)的修改和優(yōu)化。

損有余而補(bǔ)不足

在測試和迭代我們的Prompt時(shí)，我們需要仔細(xì)觀察我們的Prompt的輸出結(jié)果，分析它的優(yōu)點(diǎn)和缺點(diǎn)，找出它的問題和改進(jìn)空間。我們可以用一個(gè)簡單的原則來指導(dǎo)我們的優(yōu)化過程：損有余而補(bǔ)不足。也就是說，我們要減少或消除我們的Prompt輸出結(jié)果中多余或不必要的信息，增加或補(bǔ)充我們的Prompt輸出結(jié)果中缺失或不足的信息。具體的方法是，在我們的Prompt框架中，增加一個(gè)結(jié)構(gòu)塊：## Feedback:，并在該結(jié)構(gòu)塊中寫上我們對我們的Prompt輸出結(jié)果的評價(jià)和反饋，指出它的優(yōu)點(diǎn)和缺點(diǎn)，以及需要改進(jìn)的地方。例如：

## Feedback:
- 優(yōu)點(diǎn): 輸出結(jié)果格式清晰，翻譯準(zhǔn)確，提供了日語假名
- 缺點(diǎn): 輸出結(jié)果沒有標(biāo)點(diǎn)符號，沒有換行，沒有區(qū)分英文和日文的輸出
- 改進(jìn): 在 constrains 環(huán)節(jié)，增加標(biāo)點(diǎn)符號和換行的要求，在 output 環(huán)節(jié)，增加英文和日文的標(biāo)簽

這樣，我們就可以根據(jù)我們的反饋，對我們的Prompt進(jìn)行相應(yīng)的修改和優(yōu)化，使得我們的Prompt輸出結(jié)果更加完善和符合我們的需求。在這個(gè)過程中，我們建議每次只修改一處或少數(shù)幾處，這樣可以更清楚地看到修改的效果，避免一次修改過多而導(dǎo)致的混亂或錯(cuò)誤。

用示例強(qiáng)化Prompt

在寫Prompt時(shí)，有一個(gè)非常實(shí)用的技巧就是利用示例，通過提供少數(shù)（1-3個(gè)）的輸入->輸出示例，讓GPT可以學(xué)到樣本的共性，從而提升下一個(gè)輸出結(jié)果的質(zhì)量。這種技巧叫做few-shots，指的是訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)只使用極少量的標(biāo)注樣本。它的目標(biāo)是使機(jī)器學(xué)習(xí)模型在只有少量標(biāo)注樣本的情況下也能達(dá)到良好的性能。

我們可以在通用的Prompt框架的基礎(chǔ)上，增加一個(gè)結(jié)構(gòu)塊：## Examples:，在該結(jié)構(gòu)塊舉1-3個(gè)示例，從而進(jìn)一步提升Prompt帶來的輸出結(jié)果提升。例如，我們想要寫一個(gè)Prompt，讓GPT可以將漢字翻譯成英文和日語，并提供日語假名。我們可以參考以下的Prompt：

圖片

通過提供兩個(gè)示例，我們可以讓GPT更好地理解我們的目標(biāo)和格式，從而提高翻譯的準(zhǔn)確性和一致性。當(dāng)然，示例的數(shù)量和質(zhì)量也會(huì)影響GPT的輸出，所以我們需要選擇有代表性和多樣性的示例，避免過于簡單或復(fù)雜的示例。我們也可以根據(jù)GPT的輸出來調(diào)整示例，以達(dá)到最佳的效果。