提示工程：优化大型语言模型输出的策略与技巧

本指南分享了如何从大型语言模型（如 GPT-4）中获得更好结果的策略和技巧。这些方法可以单独使用，也可以组合使用以达到更好的效果。

六大策略获得更好的结果

撰写清晰的指令

解释：清晰的指令能帮助模型更准确地理解您的需求，从而提供更相关的回答。
- 包含详细信息以获得相关答案例子：不要只问“如何在 Excel 中添加数字？”，而是问“如何在 Excel 中自动将一整行美元金额相加，并将总数放在名为‘总计’的列中？”
- 要求模型采用特定角色例子：“当我请求写作帮助时，请以幽默作家的身份回复，每个段落中至少包含一个笑话或俏皮话。”
- 使用分隔符明确区分输入的不同部分例子：使用三重引号、XML 标签或章节标题来分隔不同的文本部分。
- 指定完成任务所需的步骤例子：“请遵循以下步骤回答用户输入：步骤 1 - 总结文本；步骤 2 - 将总结翻译成西班牙语。”
- 提供范例例子：给出几个问题和答案的范例，让模型理解您期望的回答风格。
- 指定所需输出的长度例子：“请用大约 50 字总结以下文本。”或“请用 3 个要点总结以下文本。”
提供参考文本

解释：提供相关的参考资料可以帮助模型生成更准确、更有根据的回答。
- 指示模型使用参考文本回答例子：“使用提供的文章（由三重引号分隔）回答问题。如果无法在文章中找到答案，请写‘我找不到答案’。”
- 指示模型引用参考文本中的内容回答例子：“回答问题时，请引用提供文件中的相关段落。使用以下格式进行引用：{‘引用’：…}”
将复杂任务分解为简单子任务

解释：将复杂任务分解可以提高准确性，并使处理过程更加清晰。
- 使用意图分类来识别用户查询最相关的指令例子：首先将客户服务查询分类（如计费、技术支持等），然后根据分类提供相应的处理指令。
- 对于需要非常长对话的应用程序，总结或过滤先前的对话例子：定期总结对话历史，将摘要作为新的上下文，以保持对话的连贯性。
- 分段总结长文件，并递归地构建完整摘要例子：将长文件分成几个部分，分别总结，然后将这些总结再次总结，直到得到整个文件的简洁摘要。
给模型思考时间

解释：允许模型进行更深入的思考可以产生更准确、更全面的回答。
- 指示模型在得出结论前先制定自己的解决方案例子：“在评估学生的解决方案之前，请先自己解决这个问题。”
- 使用内心独白或一系列查询来隐藏模型的推理过程例子：要求模型将推理过程放在特定格式中（如三重引号内），以便后续处理时可以将其过滤掉。
- 询问模型是否遗漏了先前通过的内容例子：“你是否遗漏了任何相关的摘录？请仔细检查，确保不要重复已提到的内容。”
使用外部工具

解释：结合外部工具可以弥补模型的弱点，提高回答的准确性和实用性。
- 使用基于嵌入的搜索实现高效的知识检索例子：使用文本嵌入来检索与查询最相关的文档片段，然后将这些信息提供给模型。
- 使用代码执行来执行更准确的计算或调用外部 API 例子：“你可以使用三重反引号编写和执行 Python 代码。使用这个功能来执行计算。”
- 让模型能够访问特定功能例子：提供 API 文档或代码示例，让模型学会如何使用特定的外部功能。
系统地测试变更

解释：系统性的测试可以帮助确定所做的更改是否真正改善了模型的性能。
- 参考黄金标准答案评估模型输出例子：使用包含已知正确答案的测试集，比较模型的输出与标准答案的匹配程度。