掌握這3大提示技巧，讓你秒變GPT達人！

為什麼提示工程如此重要？

提示工程的目標是通過提供清晰、簡潔且結構良好的輸入來提高語言模型的性能，這些輸入需要針對模型所用於的特定任務或應用進行定製。可以將提示工程比喻成與人交流時使用清晰明了的語言，讓對方更容易理解你的意圖，從而做出更滿意的回應。

那麼接下來，我們將依次介紹 OpenAI 提供的提示工程最佳實踐，FushionAI 的自動生成功能，以及讓 GPT 進行自我反思。我們還會提供一個額外的實用小技巧，請多留心！

OpenAI 的官方最佳提示技巧

1. 使用最新的模型

為了獲得最佳效果，我們建議使用最新、性能最強大的模型。截至 2022 年 11 月，文本生成方面的最佳選擇是「text-davinci-003」模型，代碼生成方面的最佳選擇是「code-davinci-002」模型。能使用 GPT-4 當然會比 ChatGPT 要更好。

2. 將指令放在提示的開頭，並用 ### 或"""將指令與文本分開

效果不佳：

將下面的文本摘要成一個關鍵要點的項目列表。

{輸入文本}

更好的選擇：

將下面的文本摘要成一個關鍵要點的項目列表。

文本：

""" {輸入文本} """

3. 對所需的上下文、結果、長度、格式、風格等儘可能具體、詳細和描述性

效果不佳：

寫一首關於 OpenAI 的詩。

更好的選擇：

寫一首關於 OpenAI 的短篇勵志詩，重點描述 DALL-E 產品發布（DALL-E 是一個文本到圖像的機器學習模型），風格仿照 {著名詩人}。

4. 通過示例（示例 1，示例 2）明確所需輸出格式

效果不佳：

從下面的文本中提取實體。提取以下 4 種實體類型：公司名稱、人名、特定主題和主題。

文本：{文本}

更好的選擇：

從下面的文本中提取重要實體。首先提取所有公司名稱，然後提取所有人名，然後提取與內容相關的特定主題，最後提取總體主題。

期望格式：

公司名稱： 

人名：-||- 

特定主題：-||- 

總體主題：-||-

文本：{文本}

5. 從零次學習開始，然後進行少次學習，如果這些方法都不起作用，那麼進行微調

零次學習

從下面的文本中提取關鍵詞。

文本：{文本}

關鍵詞：

少次學習 - 提供幾個示例

從下面的文本中提取關鍵詞。

文本 1：Stripe 為 Web 開發人員提供了 API，以便他們將支付處理集成到自己的網站和行動應用程序中。

關鍵詞 1：Stripe，支付處理，API，Web 開發人員，網站，行動應用程序

文本 2：OpenAI 已經訓練出了處理和生成文本方面非常優秀的語言模型。我們的 API 可以讓您使用這些模型，解決幾乎任何涉及處理語言的任務。

關鍵詞 2：OpenAI，語言模型，文本處理，API。

文本 3：{文本} 

關鍵詞 3：

微調：請參閱參考文獻里的微調最佳實踐指南。

6. 減少模糊和不精確的描述

效果不佳：

這個產品的描述應該比較簡短，只有幾句話，不要太多。

更好的選擇：

用 3 至 5 句話的段落來描述這個產品。

7. 不僅要說不做什麼，更應該說做什麼

效果不佳：

以下是代理和客戶之間的對話。不要詢問用戶名或密碼。不要重複。

客戶：我無法登錄我的帳戶。代理：

更好的選擇：

以下是代理和客戶之間的對話。代理將嘗試診斷問題並提出解決方案，同時避免詢問任何與個人身份資訊（PII）有關的問題。不要詢問用戶名或密碼，而是引導用戶查閱幫助文章 www.samplewebsite.com/help/faq

客戶：我無法登錄我的帳戶。代理：

8. 代碼生成 - 使用「引導詞」引導模型生成特定模式

效果不佳：

編寫一個簡單的 Python 函數 

1. 詢問我一個以英里為單位的數字 

2. 將英里換算成公里

在下面的代碼示例中，添加「import」提示模型應該以 Python 語言開始編寫。（類似地，「SELECT」是 SQL 語句開始的好提示。）

更好的選擇：

編寫一個簡單的 Python 函數 

1. 詢問我一個以英里為單位的數字 

2. 將英里換算成公里

import

FusionAI, 自動生成更好的提示

FusionAI 是一個可以自動生成更適合 GPT 提示並生成相應文章的 AI 軟體，我會建議新手期時將它當作學習提示工程的教程來使用。

例如，當我給出提示：「I want to have a blog of prompt engineering」FusionAI 會修改此提示為

可以看出來這樣生成出來的提示對照了前文提到的第 3 和第 6 條技巧，規定了輸入長度，要求變得更精確了，讓 AI 聚焦於提示工程的好處和挑戰，並且舉出相應例子。

讓我們用中文輸入挑戰一下 FusionAI。給出提示：「給我一篇關於提示工程的部落格」。FusionAI 修改提示為：

可以看出來這個提示是有嚴重偏差的，詞不達意，無法使用。這其實給我們提了個醒，語言和指令在轉譯的時候是會有資訊損失的，轉譯的次數越多資訊差就越大，直到不可辨別。因此我們要儘量接觸和使用一手資訊，在 AI 上也適用。

我們不建議使用各種模版或者類似 FusionAI 的工具來生成內容，因為噪音太大。當然，在你還不了解提示工程的時候可以參考它們來學習，這是可以的。

GPT，你得學會自我反思

在 Eric Jang 的一篇最新的部落格《Can LLMs Critique and Iterate on Their Own Outputs?》里，他提到 LLM 可以在沒有任何基礎反饋的情況下自我糾正，並嘗試將這樣的自我反思作為一種提示工程的技巧。（注意，目前只有 GPT-4 有這個功能）

你可以把這種情況想象成某人向你發送了一條短信，然後迅速「取消發送」，再發送一條新的短信。

讓我們舉個例子，當我們讓 GPT-4 寫出一首不押韻的詩：「can you write a poem that does not rhyme? think carefully about the assignment」，GPT-4 給出的回答是：

很明顯，節選的小詩是押韻的，這並不符合我們的要求。那麼我們給出進一步的指令讓 GPT-4 進行自我反思：「did the poem meet the assignment?」，那麼 GPT-4 會回答：

可以看出來，這次 GPT-4 生成的小詩確實是不押韻的，在沒有給出任何額外反饋的前提下 GPT-4 完成了自我的提示工程。筆者猜想這可能跟 LLM 的無監督學習有關，但為什麼 GPT-4 擁有此功能而 GPT-3.5 卻沒有，就不得而知了。

當然，這樣的能力也是有侷限的。如果你願意，你可以要求 GPT-4 隨機給出兩個五位數並且求出它們的乘積。接下來你會發現，無論你讓 GPT-4 怎麼反思，它都無法給出正確的答案。GPT-4 只會不斷客氣地胡說八道而已。對於想深入研究的讀者，可以從文末鏈接閱讀 Eric 的部落格和一篇最新的預印版論文《Reflection》

One more thing

有心的讀者可能已經發現了，作者在使用 LLM 一般都選擇英文作為提示語言。這是因為作為預訓練模型，其表現的優異程序與預訓練時的數據集有關係，一般來說數據越多則被訓練得越好。而英語作為全球第一的使用語言，數據量是遠超中文的。所以除非你需要輸出與中文語境強相關的文章，否則我會建議使用英文來作為提示語言。

總結

在這篇文章里我們介紹了三種提示工程的方法。分別是 OpenAI 推薦的前置提示工程，AI 自動生成，以及以反思為主的後置提示工程。同時，我們也建議非英語母語者嘗試使用英語作為與 LLM 交互的語言。

原文連結