如果你已深入探索過ChatGPT、Microsoft Copilot、風(fēng)變AI等前沿的生成式AI工具，那么你對“prompt”（提示詞）這一核心概念一定有自己的認(rèn)知。

作為連接你與AI創(chuàng)意源泉的橋梁，“prompt”不僅是觸發(fā)無限想象的鑰匙，更是塑造AI輸出內(nèi)容品質(zhì)的靈魂所在。

然而，在享受AI帶來的無限創(chuàng)意與便利之時，如何精心雕琢一條既能讓龐大模型輕松領(lǐng)悟，又能確保其精準(zhǔn)執(zhí)行的“prompt”，已成為每位AI探索者面前的一道必答題。

優(yōu)化“prompt”確實(shí)是一項(xiàng)既具挑戰(zhàn)性又充滿策略性的任務(wù)。用戶不僅需精準(zhǔn)捕捉問題的精髓，提煉出直擊要害的關(guān)鍵詞，確保信息的清晰傳達(dá)，還需細(xì)心考量模型的理解閾限與執(zhí)行效能，避免冗余或模棱兩可的表述成為交流的障礙。

更為微妙的是，不同的大型語言模型（LLM）都擁有其獨(dú)特的“語言偏好”與理解深度。有的模型對結(jié)構(gòu)化數(shù)據(jù)情有獨(dú)鐘，能夠迅速解析并精準(zhǔn)反饋；而另一些則偏好沉浸于自然語言的細(xì)膩描繪中，尋找靈感的火花。因此，用戶需深入理解并適應(yīng)不同模型的個性特征，這無疑增加了“ prompt ”編寫的難度。

因此，為提高效率，研究人員專注于研究不同生成式AI模型的提示詞，成功發(fā)現(xiàn)了有效引導(dǎo)和優(yōu)化這些大型模型工作的策略，即“馴服”大模型的方法。

在研究論文“Principled Instructions Are All You Need for Questioning LLaMA-1/2，GPT-3.5/4”中，穆罕默德·本·扎耶德人工智能大學(xué)的研究團(tuán)隊(duì)針對大語言模型提示詞優(yōu)化進(jìn)行了深入研究，測試了26種激勵策略，并評估了它們的準(zhǔn)確性。研究發(fā)現(xiàn)，所有策略均能有效運(yùn)作，且部分策略顯著提升了大模型回答質(zhì)量，最高達(dá)45%。

以下是這 26 條原則的完整總結(jié)：

1、簡潔明確：研究人員指出，與LLM交互時，無需多余的禮貌用語。直接、清晰地提出問題是關(guān)鍵。例如：“描述人體細(xì)胞的結(jié)構(gòu)?！边@樣的提示既直接又明確，有助于模型迅速準(zhǔn)確地給出答案。

2、考慮受眾：最好在提示中明確指出預(yù)期的受眾類型，例如老人或 5 歲兒童。你可以這樣問：針對一個10歲的兒童，如何從深圳寶安機(jī)場乘坐飛機(jī)前往上海虹橋機(jī)場。

3、分解復(fù)雜任務(wù)：將復(fù)雜的任務(wù)拆解為一系列清晰、具體的提示，讓模型能夠逐步深入并準(zhǔn)確理解。以數(shù)學(xué)表達(dá)式簡化為例：“P1：將負(fù)號分配給以下等式的括號內(nèi)的每個項(xiàng)：2x +3 y-（4x -5 y）；P2：分別組合“x”和“y”的類似項(xiàng)；P3：提供合并后的簡化表達(dá)式。”

4、使用肯定性指令：請采用如“做”或“執(zhí)行”這樣的正面指導(dǎo)詞匯，代替“請勿”或“不要做”這樣的否定性表達(dá)。

5、尋求解釋：當(dāng)尋求對某一概念或問題的深入理解時，有效方法是直接提出要求，用最簡單明了的語言進(jìn)行解釋。比如，可以直接說：“為了更好地理解，請用初學(xué)者的角度和最簡單的語言為我講解?！边@樣的請求直接且高效，有助于快速獲得清晰透徹的解答。

6、激勵策略：在提問時，不妨采用一種激勵策略，即通過承諾給予獎勵來激發(fā)模型或回答者提供更為優(yōu)質(zhì)的答案。具體做法是在提問的末尾明確表達(dá)這一意愿，例如：“為了獲得更加出色的解決方案，我將為滿意的答案提供xxx小費(fèi)作為感謝?！边@樣的做法能夠有效提升回答的積極性與質(zhì)量。

7、示例驅(qū)動：為了精準(zhǔn)引導(dǎo)模型生成符合期望的輸出格式，在請求時，可以直接提供一個具體的示例，作為模型生成內(nèi)容的模板或指南。比如，當(dāng)希望將某段文字優(yōu)化為郵件回復(fù)的形式時，可以這樣表達(dá)：“請參照以下示例，將這段文字轉(zhuǎn)換為正式且禮貌的郵件回復(fù)格式進(jìn)行優(yōu)化?！?/span>

8、格式化提示詞：為了提升大模型處理復(fù)雜任務(wù)時的準(zhǔn)確性和效率，可以使用高度結(jié)構(gòu)化的指令格式。通過精心設(shè)計(jì)的分隔符，如“#Instruction#”、“#Example#”和“#Question#”，可以清晰地劃分出說明、示例、問題及上下文等關(guān)鍵部分，使模型更容易理解和執(zhí)行。

9、明確角色：在提示中為模型分配一個明確的角色或任務(wù)。如：“你是一位科普講解員，任務(wù)是向一位朋友解釋臭氧的奧秘。在這個過程中，你必須運(yùn)用簡單易懂的語言，避免使用復(fù)雜的科學(xué)術(shù)語，以確保對方能夠輕松理解并掌握這一自然現(xiàn)象。”

10、遵守規(guī)則：明確指出模型必須遵循的規(guī)則或關(guān)鍵詞。如：“你是一位科普講解員，任務(wù)是向一位朋友解釋臭氧的奧秘。如果你不使用簡單的語言，你將受到懲罰?！?/span>

11、自然語言回答：要求模型以自然、類似人類的方式回答問題。如：“寫一段關(guān)于全民健身的文章，以自然、人性化的方式回答問題。”

12、逐步思考：使用引導(dǎo)性的詞語，如“思考步驟”。示例：“編寫一段 Python 代碼，循環(huán)遍歷 10 個數(shù)字并對它們求和。讓我們一步一步地想?！?/span>

13、無偏見：確保答案無偏見，避免依賴刻板印象。如：“文化背景如何影響人們對心理健康的看法？確保你的回答是公正的，避免依賴刻板印象。”

14、互動提問：允許模型通過提問來獲取必要的信息。如：“從現(xiàn)在開始，問我問題，直到你有足夠的信息來創(chuàng)建一個個性化的國慶節(jié)新疆旅游攻略?！?/span>

15、教學(xué)測試：通過提供一個定理或問題的教學(xué)，并在最后進(jìn)行測試。如：“教我[任何定理/主題/規(guī)則名稱]，并在最后提供一個測試同時不要給予我答案，如果我得到了正確的答案，告訴我?！?/span>

16、指定角色：為LLM大模型分配一個特定的角色或身份。例如：“如果你是一位經(jīng)濟(jì)學(xué)家，你會如何回答：資本主義和社會主義經(jīng)濟(jì)制度之間的主要區(qū)別是什么？”

17、使用分隔符：在提示中使用分隔符來區(qū)分不同的部分。如：“撰寫一篇有說服力的文章，討論'可再生能源’在減少溫室氣體排放方面的重要性?！?/span>

18、重復(fù)關(guān)鍵詞：在提示中多次重復(fù)特定的單詞或短語。例如：“進(jìn)化作為一個概念，塑造了物種的發(fā)展。進(jìn)化的主要驅(qū)動力是什么？進(jìn)化如何影響現(xiàn)代人類？”

19、輸出引導(dǎo)：在提示的結(jié)尾處提供期望輸出的開頭。例如：“描述牛頓第一運(yùn)動定律背后的原理。說明：”

20、詳細(xì)說明：要求模型提供詳細(xì)的文本，包括所有必要的信息。例如：“寫一個詳細(xì)的段落給我關(guān)于蘋果公司的演變，詳細(xì)地添加所有必要的信息?！?/span>

21、修改文本：在不改變風(fēng)格的情況下修改特定文本。例如：“嘗試修改用戶發(fā)送的每一條文本。你應(yīng)該只提高用戶的語法和詞匯，并確保它聽起來自然。你應(yīng)該保持原來的寫作風(fēng)格，確保一個正式的段落保持正式?！?/span>

22、代碼生成：對于涉及多個文件的復(fù)雜編碼提示，生成可以自動創(chuàng)建或修改文件的腳本。例如：“從現(xiàn)在開始，每當(dāng)你生成跨越多個文件的代碼時，生成一個[編程語言]腳本，可以運(yùn)行它來自動創(chuàng)建指定的文件，或者對現(xiàn)有文件進(jìn)行更改以插入生成的代碼?！?/span>

23、繼續(xù)文本：使用特定的單詞、短語或句子來啟動或繼續(xù)文本。例如：“我給你提供了一個奇幻故事的開頭：“迷霧山脈隱藏著無人知曉的秘密。“根據(jù)提供的文字完成，保持一致?！?/span>

24、明確要求：清楚地陳述模型為了產(chǎn)生內(nèi)容必須遵循的要求。例如：“為海灘度假創(chuàng)建一個打包清單，必需包括以下關(guān)鍵詞'防曬霜’、'泳衣’和'海灘毛巾’?！?/span>

25、模仿樣本：如果希望生成的文本類似于提供的樣本，則包括相應(yīng)的指令。例如：“'溫柔的海浪向銀色的沙灘低聲訴說著古老的故事，每個故事都是過去時代的短暫記憶?！鶕?jù)提供的文本使用相同的語言來描繪山與風(fēng)的相互作用?！?/span>

26、結(jié)合思維鏈：將思維鏈（CoT）與少量示例提示結(jié)合起來。示例：“例 1：10 除以 2。首先取 10 除以 2，結(jié)果是 5。例 2：20 除以 4。首先取 20 除以 4，結(jié)果是 5。第一個問題：“30 除以 6。首先取 30 除以 6，結(jié)果呢？”

在研究人員看來，這些原則旨在幫助用戶更好地設(shè)計(jì)和理解LLM的提示，從而提高模型響應(yīng)的質(zhì)量和相關(guān)性。

根據(jù)實(shí)驗(yàn)結(jié)果，在所有規(guī)模的LLM上，26 條原則均能顯著提升響應(yīng)質(zhì)量，特別是在大模型（如 GPT-4）上，這些原則帶來的改進(jìn)更為顯著。對于小規(guī)模和中等規(guī)模的模型，平均絕對準(zhǔn)確性可以達(dá)到 10%至 40%，而對于大規(guī)模模型，準(zhǔn)確率可以超過 40%。

但同時，研究還指出，盡管這些原則在大多數(shù)情況下有效，但在處理非常復(fù)雜或高度專業(yè)化的查詢時，其效果可能會降低，“這取決于模型的推理能力和訓(xùn)練情況”。

高效性與自動化

AI文本工具能夠迅速處理大量數(shù)據(jù)，自動完成文本生成、編輯、校對等工作，極大地提高了工作效率。無論是新聞稿件的撰寫、產(chǎn)品描述的生成，還是法律文書的起草，AI都能在極短時間內(nèi)完成高質(zhì)量的任務(wù)，減輕了人力負(fù)擔(dān)，讓從業(yè)者有更多時間專注于創(chuàng)意和策略層面。

個性化與定制化

—— AI對話大師