🧿
Task2：Prompt工程

8177

9294

一、LLM类型

我们要了解LLM有什么类型，以及哪种LLM可以用prompt？

预测型语言模型（如 RNN、GPT 等）：

•
工作原理是基于序列生成，通过逐步预测下一个词构建整个句子。​

•
示例：RNN 在给定一段文本的情况下，会基于历史上下文预测后续的词语。早期的 LLM 如 GPT-2 等也是基于这种方式。​

提示驱动型语言模型（如 GPT-3、ChatGPT）：

•
这类模型通过 prompts（提示）生成基于更复杂指令的内容。用户提供一个 prompt 后，模型会依据它生成相应的回答、文本或执行其他特定任务。​

•
这类模型适合广泛的场景，比如编写文章、代码生成、对话机器人等，且通过 prompt 工程可以优化输出质量。​

二、prompt概念

Prompt 是什么

在大语言模型（LLM）中，Prompt 是用户输入给模型的文本或指令，用于引导模型生成所需的输出。简单来说，prompt 是用户与模型之间的对话起点，它告诉模型该执行什么任务或生成什么类型的内容。​

举一个生动的例子：将大模型当成人，你是老板，你需要告诉你的员工（大模型）要做什么，你的命令是否表达清楚，影响着你的员工是否能完成的你要求。​

Prompt 的作用

Prompt 在模型生成过程中起着核心作用，模型根据 prompt 的内容进行推断、生成和决策。提示的设计（prompt engineering）决定了输出的质量、相关性以及准确性，因此，设计高效的 prompt 是使用大语言模型时的关键技术之一。​

prompt工程

提示工程关键原则

1. 原则1 - 编写清晰具体的指令

模型的输入需要明确且精确，以确保生成的输出符合预期。含糊或不完整的提示往往会导致不理想的结果。以下是一些策略可以帮助编写更清晰的提示。​

1.1 策略1 - 使用定界符清楚地限定输入的不同部分

为了避免混淆，将不同的输入部分用定界符如 <>、[] 或者双引号等标记出来。这样可以清楚地定义问题、上下文、任务要求等，使模型能够更好地解析输入，避免信息混杂。​

示例：

代码块

“为以下段落创建总结：<文本内容>”

1.2 策略2 - 要求结构化输出

通过要求模型以特定的结构输出结果，可以减少生成内容的模糊性和不一致性。这尤其适用于生成表格、代码块或多步骤解答时。​

示例：

代码块

“将以下问题分为三部分解答：1. 解释问题，2. 提供解决方案，3. 总结。” ​

1.3 策略3 - 要求模型检查是否满足条件

提示中可以要求模型自我检查，确认它的输出是否满足某些特定的条件。这样可以减少错误输出，并鼓励模型主动校正。​

示例：

代码块

“回答以下问题，并确保回答包含三个关键点。如果没有，请重新检查并补充。” ​

1.4 策略4 - 小批量提示

在复杂任务中，分解提示为较小的子任务并分别进行处理，可以显著提高模型的输出质量。通过逐步构建和组合答案，模型能更准确地完成整体任务。​

示例：

代码块

“首先描述这个问题的背景。接着，给出可能的解决方法。最后，总结一下你的结论。” ​

2. 原则2 - 给模型充足的思考时间

为了得到更深思熟虑和完整的回答，给模型时间去"思考"或推理是很重要的。通过引导模型逐步推导出解决方案，而非匆忙得出结论，可以获得更高质量的结果。​

2.1 策略5 - 指定完成任务的步骤

通过指定逐步完成任务的步骤，可以帮助模型更好地思考问题。每一步明确且结构化，能够引导模型做出更深入的推理和判断。​

示例：

代码块

“请分步骤描述如何解决这个问题：首先定义问题，接着列出可能的解决方案，然后分析优缺点，最后得出结论。” ​

2.2 策略6 - 指导模型(在急于得出结论之前)制定自己的解决方案​

鼓励模型在得出结论前，先生成一个完整的推理链或自己的解决思路。这样可以避免匆忙得出结论，提高回答的准确性和全面性。​

示例：

代码块

“在得出结论前，请先列出你认为合理的几个解决方法，并分别分析它们的优缺点。” ​

3. 模型的局限性