mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-18 03:25:39 +00:00
105 lines
5.3 KiB
Plaintext
105 lines
5.3 KiB
Plaintext
# 设计提示的通用技巧
|
||
|
||
以下是设计提示时需要记住的一些技巧：
|
||
|
||
### 从简单开始
|
||
在设计提示时，需要记住这是一个迭代的过程，需要大量的实验来获得最佳结果。使用像 OpenAI 或 Cohere 这样的简单平台是一个很好的起点。
|
||
|
||
您可以从简单的提示开始，随着您的目标是获得更好的结果，不断添加更多的元素和上下文。在此过程中对您的提示进行版本控制是至关重要的。当您阅读本指南时，您会看到许多例子，其中具体性、简洁性和简明性通常会给您带来更好的结果。
|
||
|
||
当您有一个涉及许多不同子任务的大任务时，您可以尝试将任务分解为更简单的子任务，并随着获得更好的结果而不断构建。这避免了在提示设计过程中一开始就添加过多的复杂性。
|
||
|
||
### 指令
|
||
您可以使用命令来指示模型执行各种简单任务，例如“写入”、“分类”、“总结”、“翻译”、“排序”等，从而为各种简单任务设计有效的提示。
|
||
|
||
请记住，您还需要进行大量的实验，以查看哪种方法最有效。尝试使用不同的关键字、上下文和数据尝试不同的指令，看看哪种方法最适合您的特定用例和任务。通常情况下，上下文与您要执行的任务越具体和相关，效果越好。我们将在即将推出的指南中介绍采样和添加更多上下文的重要性。
|
||
|
||
其他人建议将指令放在提示的开头。建议使用一些清晰的分隔符，如“###”，来分隔指令和上下文。
|
||
|
||
例如：
|
||
|
||
*提示：*
|
||
```
|
||
### 指令 ###
|
||
将以下文本翻译成西班牙语：
|
||
|
||
文本：“hello！”
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
¡Hola!
|
||
```
|
||
|
||
### 具体性
|
||
对您希望模型执行的指令和任务非常具体。提示越具体和详细，结果就越好。当您有所期望的结果或生成样式时，这一点尤为重要。没有特定的令牌或关键字会导致更好的结果。更重要的是具有良好的格式和描述性提示。实际上，在提示中提供示例非常有效，可以以特定格式获得所需的输出。
|
||
|
||
在设计提示时，您还应考虑提示的长度，因为提示的长度有限制。考虑到您应该具体和详细的程度是需要考虑的。包含太多不必要的细节并不一定是一个好方法。这些细节应该是相关的，并有助于完成手头的任务。这是您需要进行大量实验的事情。我们鼓励大量实验和迭代，以优化您的应用程序的提示。
|
||
|
||
例如，让我们尝试从一段文本中提取特定信息的简单提示。
|
||
|
||
*提示：*
|
||
```
|
||
提取以下文本中的地名。
|
||
|
||
所需格式：
|
||
地点：<逗号分隔的公司名称列表>
|
||
|
||
输入：“虽然这些发展对研究人员来说是令人鼓舞的，但仍有许多谜团。里斯本未知的香帕利莫德中心的神经免疫学家 Henrique Veiga-Fernandes 说：“我们经常在大脑和我们在周围看到的效果之间有一个黑匣子。”“如果我们想在治疗背景下使用它，我们实际上需要了解机制。””
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
地点：里斯本，香帕利莫德中心
|
||
```
|
||
|
||
输入文本来自[这篇 Nature 文章](https://www.nature.com/articles/d41586-023-00509-z)。
|
||
|
||
### 避免不精确
|
||
在上面关于详细和格式改进的提示中，很容易陷入想要过于聪明的提示陷阱，从而可能创建不精确的描述。通常最好是具体和直接。这里的类比非常类似于有效的沟通——越直接，信息传递就越有效。
|
||
|
||
例如，您可能有兴趣了解提示工程的概念。您可以尝试这样做：
|
||
|
||
```
|
||
解释提示工程的概念。保持解释简短，只有几句话，不要过于描述。
|
||
```
|
||
|
||
从上面的提示中不清楚要使用多少句话和什么样的风格。您可能仍然可以通过上面的提示获得良好的响应，但更好的提示是非常具体、简洁和直接的。例如：
|
||
|
||
```
|
||
使用 2-3 句话向高中学生解释提示工程的概念。
|
||
```
|
||
|
||
### 做还是不做？
|
||
设计提示时的另一个常见技巧是避免说不要做什么，而是说要做什么。这鼓励更具体化，并关注导致模型产生良好响应的细节。
|
||
|
||
以下是一个电影推荐聊天机器人的示例，因为我写的指令——关注于不要做什么，而失败了。
|
||
|
||
*提示：*
|
||
```
|
||
以下是向客户推荐电影的代理程序。不要询问兴趣。不要询问个人信息。
|
||
|
||
客户：请根据我的兴趣推荐电影。
|
||
代理：
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
当然，我可以根据您的兴趣推荐电影。您想看什么类型的电影？您喜欢动作片、喜剧片、爱情片还是其他类型的电影？
|
||
```
|
||
|
||
以下是更好的提示：
|
||
|
||
*提示：*
|
||
```
|
||
以下是向客户推荐电影的代理程序。代理负责从全球热门电影中推荐电影。它应该避免询问用户的偏好并避免询问个人信息。如果代理没有电影推荐，它应该回答“抱歉，今天找不到电影推荐。”。
|
||
```顾客：请根据我的兴趣推荐一部电影。
|
||
客服：
|
||
|
||
```
|
||
*输出：*
|
||
```
|
||
抱歉，我没有关于您兴趣的任何信息。不过，这是目前全球热门的电影列表：[电影列表]。希望您能找到喜欢的电影！
|
||
```
|
||
|
||
上述示例中的一些内容摘自 ["Best practices for prompt engineering with OpenAI API" article.](https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api) |