Prompt,，提示词，是使用生成式AI的必备前提，好的提示词能让生成式AI给出更精准的结果，不仅能节省时间，还能节省tokens（这可是美金呀），所以在生成式AI出来后，就有Prompt Engineer提示工程师之说。于是，就有很多分享提示的文章，还有很多网站，专门收集各种场合的提示词。
OpenAI官方也给出了提示词指南，原文见https://platform.openai.com/docs/guides/prompt-engineering。我们接下来看看给出的建议。
写出清晰的提示词
GPT 模型对你写的提示词理解得越清晰，就会为你提供更准确和满意答案。
具体方法：
- 详细描述的问题：描述越清晰，你就能得到越符合预期的答案
- 让 GPT 扮演一个角色：给GPT设定一个身份，它就用该身份的思维给出结果
- 使用分隔符：为了让 GPT更方便地阅读和理解，可以用如“----”分隔符区分不同提示词，比如操作的内容（翻译的文章）和指令（要求翻译的指令）
- 给出GPT思考路径：对于有逻辑的内容生成，可以让 GPT 一步接一步（step by step）地给出结果
- 提供示例：可以举一个需要的案例，让GPT参照。特别是需要输出一些固定格式的内容时非常有用
- 提示限定：为了让输出更符合预期（节省tokens），在提示词里包含输出的限定，比如长度，和题材等
提供参考文本
语言模型可以自信地发明虚假答案（叫生成式AI的幻觉），尤其是在被问及深奥的主题、引文、 URL 时，为模型提供参考文本可以帮助以更少的捏造来回答。
具体方法：
- 指示模型使用参考文本回答
- 指示模型使用参考文本中的引文进行回答
复杂任务拆分为简单的子任务
化繁为简，把一个大而复杂的任务，分化成多个小任务，让GPT回复，如果有前后置关系，要给出明确的逻辑关系，方便GPT准确回复。
具体方法：
- 分类：利用意图分类确定与用户查询最相关的指令
- 分层：对于需要长时间对话的对话应用，总结或筛选先前的对话内容
- 递归：分步总结长文档，并递归地构建完整的总结
让模型多想一会
让模型进行一个相对得杂的数据运算，可以马上得不到正确的答案，但如果让模型逐步思考，就会得到较好的答案。
具体方法：
- 在匆忙得出结论之前，指示模型制定自己的解决方案
- 使用内心独白或一系列查询来隐藏模型的推理过程
- 询问模型在之前的传递中是否遗漏了任何内容
使用外部工具
通过向模型提供三方工具的输出，能更好地来弥补模型的弱点。比如目前通用的“文本检索系统(RAG)”，可以先从本地知识库中找到相关的内容，然后再输出给模型，让模型参考，输出更贴切的内容。
再比如数据运算，模型并不擅长，可以借助“计算器”。如果一项任务可以通过工具而不是语言模型更可靠或更高效地完成，请使用工具，这样结合两者长处，达到最佳效果。
具体方法：
- 使用基于嵌入的搜索实现高效的知识检索
- 使用代码执行来执行更准确的计算或调用外部 API
- 授予模型对特定函数的访问权限
全面系统的测试
如果能对性能进行量化，那么就能更好地提高性能（有了度量衡，就能量化了）。量化模型输出结果的质量，不断优化提示词，提高变化后的输出质量。
具体方法：
- 根据标准答案的参考评估模型输出效果
文章来源微信公众号
想要更快更方便的了解相关知识，可以关注微信公众号
