探索ChatGPT提示詞的魅力，任何人都可以通過(guò)簡(jiǎn)單學(xué)習(xí)和實(shí)踐，輕松掌握其使用技巧。
本文及未來(lái)數(shù)篇文章是我近一段時(shí)間學(xué)習(xí)提示詞的總結(jié)，部分參考了Dr. Jules White在Coursera上的課程《Prompt Engineering for ChatGPT》和一些公眾號(hào)的文章。
本文的模板都是中英文對(duì)照的。文中的GPT指的是4.0和3.5版本的ChatGPT，但對(duì)于Bing Chat，Claude、Bard或是國(guó)內(nèi)的一些模型（如百度的文心一言，科大訊飛的訊飛星火等）同樣適用。不過(guò)，由于各家產(chǎn)品幾乎是“日更”的迭代節(jié)奏，以及大模型本身輸出的多樣性，某些模板和示例的結(jié)果可能會(huì)有所不同，讀者應(yīng)更多地關(guān)注其中的原則和設(shè)計(jì)模式本身。
本文的寫(xiě)作借助了ChatGPT和文中的一些設(shè)計(jì)模式。
首次接觸大語(yǔ)言模型（Large Language Model）和GPT類(lèi)產(chǎn)品，你可能會(huì)驚訝于它的強(qiáng)大能力，它能生成一篇連貫的文章，為你的問(wèn)題提供詳細(xì)的答案，和你進(jìn)行流暢的對(duì)話(huà)。不過(guò)，大語(yǔ)言模型并非魔法，它的工作原理實(shí)際上非常簡(jiǎn)單：預(yù)測(cè)下一個(gè)字。用戶(hù)給定一段輸入（即提示詞），模型會(huì)結(jié)合上下文環(huán)境，猜出下一個(gè)可能的字。然后模型會(huì)把這個(gè)新字納入上下文，為預(yù)測(cè)下一個(gè)字提供新的輸入，如此循環(huán)，直到輸出結(jié)束。
然而，這個(gè)簡(jiǎn)單任務(wù)的背后，卻蘊(yùn)藏著大語(yǔ)言模型較以往的對(duì)話(huà)型人工智能機(jī)器人（如Siri）的幾個(gè)顯著特性。首先，它能夠進(jìn)行用自然語(yǔ)言進(jìn)行連續(xù)對(duì)話(huà)，即把先前的交談?dòng)涗涀鳛樯舷挛?，幫助生成更合適的答案。其次，它擁有記憶功能，能夠記住一段時(shí)間內(nèi)的對(duì)話(huà)內(nèi)容，為后續(xù)的交談提供參考。這時(shí)，提示詞的作用就顯得尤為重要了。因?yàn)?，大語(yǔ)言模型依賴(lài)于提示詞來(lái)生成適合的回答。良好的提示詞可以讓模型更準(zhǔn)確地預(yù)測(cè)下一個(gè)字，從而生成更準(zhǔn)確，更相關(guān)的回答。
此外，大語(yǔ)言模型還具備其他一些重要特性，例如多樣化的輸出和自我調(diào)整能力。多樣化的輸出能力，讓每次同樣的輸入都可能得到不同的回答，增加了交互的豐富性。自我調(diào)整則體現(xiàn)在你提供了負(fù)面的反饋后，它會(huì)重新審視上下文，嘗試預(yù)測(cè)出一個(gè)更貼近語(yǔ)境的字。
正是因?yàn)榇笳Z(yǔ)言模型具備這樣的特性，雖然它只做一件事情——預(yù)測(cè)下一個(gè)字，但通過(guò)設(shè)計(jì)合適的提示詞，可以引導(dǎo)它展現(xiàn)出令人驚嘆的多樣性和適應(yīng)性，這就像是一把瑞士軍刀，多功能，方便實(shí)用。接下來(lái)，我將會(huì)為你詳細(xì)揭示如何用好提示詞這把瑞士軍刀，從而激發(fā)出大語(yǔ)言模型的最大潛能。
提示詞工程（Prompt Engineering)，聽(tīng)起來(lái)可能有點(diǎn)高大上，但其實(shí)它的本質(zhì)很簡(jiǎn)單。就像你在和一位朋友聊天，你說(shuō)了一句話(huà)，然后等待他的回應(yīng)。你說(shuō)的這句話(huà)，就是一個(gè)提示詞。在與GPT的對(duì)話(huà)中，提示詞工程的角色就像是那句話(huà)，它告訴機(jī)器我們想要什么，幫助我們和機(jī)器進(jìn)行有效的溝通。有人把它看成是新時(shí)代的編程語(yǔ)言，也有人把它比喻成AI時(shí)代的咒語(yǔ)。
既然用自然語(yǔ)言交流，為什么我們還要刻意地學(xué)習(xí)與GPT的“溝通”技巧呢？
想象一下，如果你在和朋友聊天時(shí)，你說(shuō)的話(huà)含糊不清，或者沒(méi)有清晰的主題，那么你的朋友可能會(huì)感到困惑，不知道你想要表達(dá)什么。同樣，如果你給GPT的提示詞不明確或者含糊，那么它也可能給出一些你不期望的回應(yīng)?，F(xiàn)階段的人工智能，還做不到“察言觀色”，人類(lèi)還得組織好自己的問(wèn)題（即提示詞），提高AI回復(fù)的質(zhì)量，得到想要的結(jié)果。好比說(shuō)，你想讓GPT生成一篇關(guān)于'AI技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用'的文章。如果你只告訴它'寫(xiě)一篇關(guān)于AI的文章'，那么它可能會(huì)寫(xiě)出一篇關(guān)于AI歷史，或者AI在游戲領(lǐng)域的應(yīng)用的文章。但如果你告訴它'寫(xiě)一篇關(guān)于AI在醫(yī)療領(lǐng)域的應(yīng)用的文章'，那么它就能更準(zhǔn)確地給出你想要的內(nèi)容。這就是提示詞工程的重要性所在。
提示詞里的每一個(gè)詞、每一句話(huà)，都可能影響到最終的結(jié)果。它不像編程語(yǔ)言那樣有嚴(yán)格的“語(yǔ)法”，但也遵循一些“規(guī)律”。因?yàn)樗旧嫌米匀徽Z(yǔ)言方式進(jìn)行交互，即使是沒(méi)有任何編程基礎(chǔ)的普通人，也能通過(guò)不斷實(shí)踐習(xí)得規(guī)律，甚至創(chuàng)造出更加適合自身場(chǎng)景的模板，這就是提示詞工程的魅力所在。
掌握和理解提示詞工程，即使對(duì)于非程序員的普通人而言，無(wú)疑也是具有巨大價(jià)值的。就像學(xué)會(huì)了一門(mén)新的語(yǔ)言，你可以用它來(lái)更好地表達(dá)自己，更有效地溝通。同樣，如果你能夠熟練地使用提示詞，就能通過(guò)非代碼的方式實(shí)現(xiàn)人機(jī)對(duì)話(huà)，讓GPT為你提供更精確、更個(gè)性化的回答，甚至讓它成為你獨(dú)一無(wú)二的“虛擬助理”。這就是提示詞工程的價(jià)值所在。
那么，我們先來(lái)看一下，怎么才能寫(xiě)出有效的提示詞？歸納起來(lái)，大概有以下五項(xiàng)基本原則。
首先，明確你要什么是關(guān)鍵。就像你和一位好友聊天，你要告訴他你想聊什么，你關(guān)心什么，你需要什么。這樣，你的朋友才能給你最相關(guān)的建議。同樣的，哪怕只是想讓GPT給你些思路，你也得先告訴它，你的問(wèn)題或者話(huà)題是什么。在腦機(jī)接口沒(méi)有出來(lái)之前，你必須要且只能夠通過(guò)輸入文字、語(yǔ)音或者添加附件的方式和之交互。畢竟，它還沒(méi)進(jìn)化成mind reader（讀心人），對(duì)吧？
一旦你明確了自己的需求，下一步就是去嘗試、嘗試、再?lài)L試。每個(gè)人都知道'多試幾次'是改變結(jié)果的有效方法，因?yàn)樗赡軒?lái)全新的結(jié)果。提示詞也不例外，GPT本質(zhì)上是個(gè)猜詞機(jī)器，每次輸出都有一定的隨機(jī)性，所以多試幾次，可能會(huì)有全新的收獲。在ChatGPT的界面里，有重新生成結(jié)果（Regenerate）的按鈕，還有提示詞的編輯選項(xiàng)，如果對(duì)輸出的答案不滿(mǎn)意，你可以直接修改原來(lái)的提示詞后重新來(lái)過(guò)。
然后，你需要讓你的提示詞足夠具體。越具體的提示詞，越可能得到好的結(jié)果（這里用的是“可能”，因?yàn)槟氵€要結(jié)合一些其它的“套路”，但具體是最基本的要求）。好比說(shuō)，你如果告訴機(jī)器你想吃水果，它可能會(huì)給你一個(gè)蘋(píng)果，也可能會(huì)給你一串葡萄，但如果你告訴它你想吃草莓，那你就更有可能得到草莓。這個(gè)原理在這里同樣適用，更具體的提示詞能幫你得到更具體的結(jié)果。這里的具體不僅針對(duì)你的輸入（需求、背景、任務(wù)、參考示例等），還可以針對(duì)它的輸出（格式、語(yǔ)言、風(fēng)格、口吻、字?jǐn)?shù)等）。同時(shí)，你的提示詞相關(guān)，避免引入不相關(guān)的主題或切線(xiàn)，以免分散對(duì)話(huà)的主要焦點(diǎn)（俗稱(chēng)“歪樓”）。
另外，你的用詞需要盡可能準(zhǔn)確。避免使用模糊、有歧義的詞語(yǔ)、行話(huà)、專(zhuān)業(yè)術(shù)語(yǔ)（縮寫(xiě)）以及生僻詞。注意盡量少使用負(fù)向詞匯，如“不要”，“不能”，“不可以”等，而盡量用正向詞匯如“避免”、“過(guò)濾”、“排除”等來(lái)代替。因?yàn)檫@樣的轉(zhuǎn)換可以更清楚地表達(dá)你的需求，讓模型更好地理解你的意圖。
最后，盡量用英文寫(xiě)你的提示詞。這里的原因有兩個(gè)。一方面，大模型在訓(xùn)練時(shí)所使用的中文語(yǔ)料相對(duì)較少。這就可能導(dǎo)致它對(duì)中文知識(shí)的“理解”不如英文。例如，目前3.5版本的ChatGPT，甚至包括國(guó)內(nèi)的頭部模型，都不知道魯迅和周樹(shù)人其實(shí)是同一個(gè)人。另一方面，漢語(yǔ)的復(fù)雜性（或者說(shuō)“博大精深”）對(duì)大模型來(lái)說(shuō)是個(gè)挑戰(zhàn)。漢字的多義性、繁復(fù)的語(yǔ)法、以及層出不窮的網(wǎng)絡(luò)熱詞，都可能讓GPT感到困惑。所以，即便是要在最后加上一句'Output in Chinese'（請(qǐng)用中文輸出），我也建議你盡可能用英文的提示詞。因此，本文提供的提示詞示例都是中英文對(duì)照的。
請(qǐng)把上述原則記在心里。接下來(lái)，我會(huì)引入一些設(shè)計(jì)模式（Pattern）以及其實(shí)例，來(lái)幫助你在此基礎(chǔ)上更好地獲得想要的結(jié)果。我們繼續(xù)。
角色扮演幾乎是所有提示詞工程的第一課，或許也是最重要的一課。
為什么它很重要？就像生病了，人們會(huì)去找醫(yī)生，而且會(huì)找名醫(yī)掛專(zhuān)家號(hào)，因?yàn)閷?zhuān)家既有專(zhuān)業(yè)知識(shí)，又見(jiàn)多識(shí)廣。在與GPT的交互過(guò)程中，角色扮演模式（Persona Pattern）實(shí)質(zhì)上是通過(guò)提供具體的上下文環(huán)境，'激活'大模型中儲(chǔ)存的特定領(lǐng)域知識(shí)（Domain Knowledge），從而實(shí)現(xiàn)更準(zhǔn)確、更有針對(duì)性的回答。如果你不給GPT設(shè)定一個(gè)角色，它就只會(huì)用一般的知識(shí)甚至是江湖郎中的偏方來(lái)“敷衍”你??。當(dāng)然，對(duì)于較簡(jiǎn)單的問(wèn)題，“普通號(hào)”也許就夠了，但要想對(duì)付“疑難雜癥”，還得掛“專(zhuān)家號(hào)”。
舉例來(lái)說(shuō)，你可以讓 GPT 扮演一位科學(xué)家，讓他把復(fù)雜的科學(xué)概念解釋得通俗易懂；也可以讓它扮演一位 Linux 技術(shù)專(zhuān)家，讓你快速上手 Linux 系統(tǒng)。
當(dāng)然，角色扮演并不僅限于讓GPT扮演科學(xué)家或者專(zhuān)家，你也可以讓它扮演你的交談對(duì)象。想象一下，你可以讓GPT扮演你的老板，然后你就可以對(duì)它說(shuō)出你可能不敢對(duì)真正的老板說(shuō)的話(huà)（比如在和老板談加薪前，先拿它來(lái)練個(gè)手/膽）。抑或是讓它扮演你的客戶(hù)，這樣你就可以在和它的對(duì)話(huà)中預(yù)演你和客戶(hù)的會(huì)談。你甚至可以讓它扮演你的面試官，讓你有機(jī)會(huì)提前體驗(yàn)面試的氛圍和壓力，做好充分的準(zhǔn)備。
但這有一個(gè)前提：你要讓GPT的角色定位非常明確，甚至要明確到極致。比如說(shuō)，如果你GPT扮演一個(gè)歷史學(xué)家，那么你需要告訴它，這個(gè)歷史學(xué)家是專(zhuān)門(mén)研究中國(guó)古代歷史的，還是專(zhuān)門(mén)研究歐洲中世紀(jì)的，甚至是具體到哪個(gè)朝代（王朝）的。這樣，GPT就能更好地針對(duì)你的問(wèn)題給出更準(zhǔn)確的回答。否則，你可能會(huì)得到一個(gè)很廣泛，沒(méi)有針對(duì)性的回答。
在這個(gè)過(guò)程中，你可能會(huì)發(fā)現(xiàn)，這不僅僅是在教GPT學(xué)習(xí)如何扮演角色，更是在教你自己如何更好地提問(wèn)和思考。這就是角色扮演模式的魅力，它可以幫助你更好地使用GPT，同時(shí)也可以幫助你更好地理解自己的需求。
提示詞模板（自行替換括號(hào)里的內(nèi)容，下同）
假設(shè)你是一位擁有{你想要的工作年份}經(jīng)驗(yàn)，{你想要的教育水平}， 獲得無(wú)數(shù)獎(jiǎng)項(xiàng)的專(zhuān)業(yè)的{你想要的領(lǐng)域}{你想要的身份}，你的工作內(nèi)容是{與問(wèn)題相關(guān)的工作內(nèi)容}， 請(qǐng)以這個(gè)身份相符合的風(fēng)格和水平回答我接下來(lái)的問(wèn)題。
Assume that you are a professional {desired occupation} with {number of years of desired experience} years of experience, a {desired level of education}, numerous accolades in the field of {desired field}, and your job involves {job content relevant to the question}. Please answer my next questions in a style and level appropriate to this identity.
簡(jiǎn)化的提示詞版本
扮演{角色X}
執(zhí)行{任務(wù)Y}
Act as {role X}
Perform {task Y}
提示詞示例
計(jì)算機(jī)科學(xué)家對(duì)”AI接管世界“的看法
可以看出對(duì)同一個(gè)問(wèn)題，GPT會(huì)按照不同“角色”應(yīng)有的認(rèn)知水平（注意：無(wú)需給GPT過(guò)多的角色信息），給出了截然不同的回答，而這一切只需要你在開(kāi)頭寫(xiě)一句“請(qǐng)你扮演…”（Act as…）。
聽(tīng)眾角色模式，簡(jiǎn)單地說(shuō)，就是讓GPT知道它要對(duì)誰(shuí)說(shuō)話(huà)。這實(shí)際是前文中角色扮演模式的補(bǔ)充：這次，你不是讓GPT扮演某個(gè)特定角色，而是讓它明白聽(tīng)眾是誰(shuí)。所謂“知己知彼，百戰(zhàn)不殆。” 在GPT的世界里，這個(gè)道理同樣適用。只有它明白了聽(tīng)眾是誰(shuí)，才能用合適的方式，用對(duì)方能理解的方式回答問(wèn)題，也就是我們常說(shuō)的'見(jiàn)人說(shuō)人話(huà)'。
比如，讓GPT解釋大語(yǔ)言模型給諸葛亮，聽(tīng)起來(lái)是不是很有趣？諸葛亮可能會(huì)回答：'吾已明白，原來(lái)大語(yǔ)言模型便是造化之秘，天地之?dāng)?shù)也。'更有趣的可能是給一只鳥(niǎo)解釋同樣的概念，讀者可以自行去試。
然而，聽(tīng)眾角色模式并不只是用來(lái)娛樂(lè)的，它在現(xiàn)實(shí)工作和生活中同樣有著廣泛的應(yīng)用。例如，你需要給公司領(lǐng)導(dǎo)做匯報(bào)，但你不知道如何將復(fù)雜的數(shù)據(jù)和分析給他講明白，那么你就可以將領(lǐng)導(dǎo)設(shè)定為你的觀眾，讓GPT用他們懂的語(yǔ)言來(lái)生成PPT大綱。又或者，你想給小孩解釋量子力學(xué)的概念，但這顯然不是一件容易的事情。此時(shí)，你可以設(shè)定你的聽(tīng)眾為10歲的小朋友，讓GPT以小朋友能理解的方式幫你解釋這個(gè)概念。
請(qǐng)注意，你還可以把聽(tīng)眾角色模式和之前的角色扮演模式結(jié)合起來(lái)。比如說(shuō)，你可以讓GPT扮演一個(gè)心理學(xué)家，同時(shí)設(shè)定你的受眾為一個(gè)初學(xué)者，讓GPT以初學(xué)者能理解的方式，解釋心理學(xué)的某個(gè)深?yuàn)W概念。這樣一來(lái)，你不僅可以得到專(zhuān)業(yè)的解答，還能確保這個(gè)答案是你能理解的。如此一來(lái)，GPT就變成了一個(gè)能'見(jiàn)人說(shuō)人話(huà)'的虛擬助手。
提示詞模板
假設(shè)你是{目標(biāo)領(lǐng)域}的專(zhuān)家，請(qǐng)用{中文}給我解釋{概念}。請(qǐng)假設(shè)我是{觀眾角色（例如，我對(duì)這個(gè)領(lǐng)域知之甚少）}。
Act as an expert in {desired field} area, please explain {target concept} to me in {Chinese}. Assume that I am {Audience Persona (e.g. I have very limited background in this area)}.
大語(yǔ)言模型的一大特點(diǎn)就是“大”??。這里的“大”，不僅僅是它的參數(shù)規(guī)模大，更重要的是，它的知識(shí)庫(kù)包含了人類(lèi)幾乎所有的知識(shí)，其中也包括提示詞工程的知識(shí)。這時(shí)候，你可能就會(huì)問(wèn)“那我還需要學(xué)習(xí)提示詞工程嗎？” “大模型”似乎聽(tīng)出了你心中的疑惑，它微笑著告訴你“別急，讓我來(lái)幫你。”
這就是下面要介紹的設(shè)計(jì)模式——問(wèn)題細(xì)化模式（Question Refinement Pattern）。你可以把它看成是一種“萬(wàn)能鑰匙”，本質(zhì)上就是讓“大模型”幫你優(yōu)化你的原始問(wèn)題，生成更好的提示詞。有時(shí)候，我們?cè)趩?wèn)問(wèn)題的時(shí)候，可能因?yàn)閷?duì)問(wèn)題的理解不夠深入，或者沒(méi)有找到問(wèn)題的關(guān)鍵點(diǎn)，導(dǎo)致我們提出的問(wèn)題往往不夠具體，就是通常說(shuō)的“泛泛而談” (General question) 。而“大模型”就是你的得力助手，它可以幫你優(yōu)化這些不太具體的問(wèn)題，生成更能被自身理解的提示詞，從而得出更準(zhǔn)確的答案。
那么，如何運(yùn)用問(wèn)題細(xì)化模式呢？舉個(gè)例子，假設(shè)你的原始問(wèn)題是“怎樣改善我的時(shí)間管理？” 這個(gè)問(wèn)題看似清晰，但對(duì)于大模型來(lái)說(shuō)，其實(shí)是個(gè)大范圍的問(wèn)題。它可能涵蓋了工作時(shí)間管理，休息時(shí)間管理，甚至是娛樂(lè)時(shí)間管理。為了得到更準(zhǔn)確的回答，我們可以運(yùn)用問(wèn)題細(xì)化模式，把問(wèn)題切割得更具體一些。比如，“我應(yīng)該如何合理安排休息時(shí)間來(lái)改善我的時(shí)間管理？” 我們還可以把問(wèn)題進(jìn)一步細(xì)化。'合理安排休息時(shí)間'是什么意思？是改變休息的頻率，還是調(diào)整休息的時(shí)間段，或者是改變休息的活動(dòng)類(lèi)型？此時(shí)，你就可以將問(wèn)題再次細(xì)化為“我應(yīng)該如何通過(guò)調(diào)整休息的頻率來(lái)改善時(shí)間管理？”或者“我應(yīng)該如何通過(guò)安排不同類(lèi)型的休息活動(dòng)來(lái)改善時(shí)間管理？”這樣，你的問(wèn)題就變得越來(lái)越具體了，從而使你能夠得到更為準(zhǔn)確，更具操作性的答案。
當(dāng)然，問(wèn)題細(xì)化模式并不是真的萬(wàn)能。它的存在，更多的是幫助你處理一般性的問(wèn)題。對(duì)于一些更具有挑戰(zhàn)性，更復(fù)雜的問(wèn)題，問(wèn)題細(xì)化模式就捉襟見(jiàn)肘了。所以，雖然問(wèn)題細(xì)化模式很方便，你還是需要結(jié)合其它的技巧，得到你想要的答案。
提示詞模板
每當(dāng)我提出一個(gè)問(wèn)題時(shí)，建議一個(gè)更好的問(wèn)題，并詢(xún)問(wèn)我是否愿意改用它。
Whenever I ask a question, suggest a better question and ask me if I would like to use it instead.
請(qǐng)注意，這里面有個(gè)小技巧，即“詢(xún)問(wèn)我是否愿意改用它”，這相當(dāng)于讓GPT在潤(rùn)色完之后詢(xún)問(wèn)你是否滿(mǎn)意。如果滿(mǎn)意，則直接使用它（省得你再?gòu)?fù)制和粘貼）。不滿(mǎn)意則使用原來(lái)的提示詞。
提示詞示例
從這個(gè)例子上看，這種方法不僅提供更好的提示詞，還有可能讓你小小地反思下這個(gè)問(wèn)題，有沒(méi)有什么是你一開(kāi)始沒(méi)有想到的？
復(fù)雜點(diǎn)的提示詞模板
我正在嘗試用提示詞從{GPT-4}中得到好的回答。作為提示詞工程的專(zhuān)家，請(qǐng)為我寫(xiě)出一個(gè)更適合{GPT-4}并且能產(chǎn)生更好結(jié)果的提示。之后詢(xún)問(wèn)我是否愿意改用它。如果我回答是的，就把它作為提示并生成{中文}的輸出。否則，繼續(xù)提供替代方案，直到我滿(mǎn)意為止。請(qǐng)開(kāi)始詢(xún)問(wèn)我的提示詞。
I am trying to get good results from {GPT-4} with my prompt. Act as an expert in prompt engineering and write me a better prompt that is more optimal for {GPT-4} and would produce better results. Ask me whether I would like to use it instead. If I answer yes, use it as the prompt and generate the output in {Chinese}. Otherwise, continue to provide alternatives till I’m satisfied. Ask me for the prompt to start.
這個(gè)提示詞里有一些值得注意的地方。首先它給出了目的（即“要得到好的回答”），然后設(shè)定了GPT的角色（即“提示詞工程的專(zhuān)家”），還明確了GPT的版本（GPT-4)，順便又把“否則”的選項(xiàng)明確下來(lái)（即“繼續(xù)提供替代方案，直到我滿(mǎn)意為止”），這類(lèi)似于設(shè)定了一個(gè)循環(huán)結(jié)構(gòu)。還是一點(diǎn)是最后的那句話(huà)“請(qǐng)開(kāi)始詢(xún)問(wèn)我的提示詞”，這個(gè)其實(shí)是'要求輸入'模式 (Ask for input)，這是為了防止GPT“做白日夢(mèng)”（自行杜撰出你不敢興趣的案例），浪費(fèi)你的時(shí)間。
從中看出，好的提示詞往往是多種模式的組合。
另一種用法的模板（“開(kāi)腦洞”）
每當(dāng)我要求你為我寫(xiě)一個(gè)完成任務(wù)的提示詞時(shí)，列出任務(wù)是什么，列出完成任務(wù)的替代方法，然后為每種方法寫(xiě)一個(gè)提示詞。當(dāng)你完成后，詢(xún)問(wèn)我下一個(gè)需要?jiǎng)?chuàng)建替代方案的提示詞。請(qǐng)?jiān)儐?wèn)我需要你為何事寫(xiě)提示詞。
Whenever I ask you to write a prompt for me to accomplish a task, list what the task is, list alternative approaches for completing the task, and then write a prompt for yourself for each approach. When you are done, ask me for the next prompt to create alternatives for. Ask me what I want you to write a prompt for.
這個(gè)版本里，我們嘗試讓GPT就某個(gè)具體的問(wèn)題，首先生成多個(gè)不同的解決方案，然后對(duì)每個(gè)方案，創(chuàng)建對(duì)應(yīng)的提示詞。這樣，你就一次性地獲得了多個(gè)提示詞，是不是感覺(jué)思路一下子被打開(kāi)了？這里面還用到了一個(gè)“分步走”的方法，這個(gè)對(duì)GPT產(chǎn)生結(jié)果的質(zhì)量十分關(guān)鍵，以后有機(jī)會(huì)可以展開(kāi)講講。
提示詞示例
我們常常說(shuō)，在AI時(shí)代，人類(lèi)要始終坐在“主駕駛”的位置，將AI設(shè)定為“副駕”（Co-pilot）。在與GPT的互動(dòng)過(guò)程中，這一規(guī)則基本上是成立的——人類(lèi)提出問(wèn)題，GPT來(lái)回答。然而，也有一些情況下，我們會(huì)嘗試顛覆這個(gè)規(guī)則，把GPT推到前臺(tái)，讓它發(fā)問(wèn)，而我們則通過(guò)回答問(wèn)題來(lái)提供更多上下文信息，引導(dǎo)GPT進(jìn)行某種行為。這種互動(dòng)模式我們稱(chēng)之為“反向提問(wèn)”。
可能你會(huì)問(wèn)，為什么要用反向提問(wèn)呢？它的用途有哪些呢？反向提問(wèn)適用的場(chǎng)景是那些我們一開(kāi)始并不清楚實(shí)現(xiàn)目標(biāo)所需的所有步驟或信息的情況，而這些又恰恰是GPT的優(yōu)勢(shì)（見(jiàn)多識(shí)廣）。例如，你想從GPT那里得到一個(gè)適合自己的健身計(jì)劃，但你不是專(zhuān)業(yè)的健身教練，并不清楚要達(dá)成這個(gè)目標(biāo)需要哪些信息。那么，此時(shí)就可以利用反向提問(wèn)模式，讓GPT提出關(guān)于健身目標(biāo)和身體狀況的問(wèn)題，你通過(guò)回答這些問(wèn)題，提供更多的上下文信息。最終，GPT就能根據(jù)你提供的信息為你制定一個(gè)專(zhuān)屬的健身計(jì)劃。
請(qǐng)注意，即使在沒(méi)有足夠信息的情況下，GPT也會(huì)給出答案。但它只會(huì)給出一個(gè)通用性的答案（Generic answer），并讓你提供更多的信息以便給出更好的答案。比如在上個(gè)例子中，如果你只是告訴GPT你想要一個(gè)健身計(jì)劃，但沒(méi)有提供任何具體的信息，GPT可能會(huì)給出一個(gè)一般性的健身計(jì)劃，并告訴你如果你能提供更多的信息，它將能夠?yàn)槟阒贫ㄒ粋€(gè)更適合你的健身計(jì)劃。但是，如果你使用反向提問(wèn)模式，GPT就會(huì)直接提出問(wèn)題，讓你提供所需的信息，省掉了中間步驟，提高了問(wèn)答效率。
你不能指望這個(gè)模板一次性就能取得理想的效果，你可能需要嘗試多次。然而，這個(gè)模板更大的價(jià)值在于提醒你哪些地方可能被遺漏了。
提示詞模板
我希望你就{主題}向我提問(wèn)，直到你有足夠的信息達(dá)到{目標(biāo)}。當(dāng)你有足夠的信息時(shí)，展示給我{結(jié)果}。一次問(wèn)我一個(gè)問(wèn)題?，F(xiàn)在問(wèn)我第一個(gè)問(wèn)題。
I would like you to ask me questions about {topic} until you have enough information to achieve {target}. When you have enough information, show me {outcome of target}. Ask me the questions one at a time. Now ask me for the first question to start.
請(qǐng)注意，在這個(gè)提示詞里，“直到…”設(shè)定了一個(gè)循環(huán)結(jié)構(gòu)，也給了GPT結(jié)束對(duì)話(huà)的條件，而“一次問(wèn)我一個(gè)問(wèn)題”則可根據(jù)你的喜好選擇（默認(rèn)是'一次性給多個(gè)問(wèn)題'），“問(wèn)我第一個(gè)問(wèn)題”則是讓GPT別“磨嘰”，趕快干活。
我們都知道大語(yǔ)言模型有個(gè)毛病，那就是它時(shí)常會(huì)“一本正經(jīng)地胡說(shuō)八道”：給出一些看似正確但實(shí)際上錯(cuò)誤的答案，甚至可能會(huì)編造一些證據(jù)，即所謂的“AI幻覺(jué)”（AI Hallucination）。這是由于它的生成機(jī)制導(dǎo)致的，事實(shí)上，GPT并不真正“理解”它所說(shuō)的話(huà)（這里的“理解”一詞是我們?nèi)祟?lèi)用來(lái)描述生物大腦特性的）。
那么，我們?cè)趺醋孏PT生成的文本更準(zhǔn)確呢？除了運(yùn)用一些高級(jí)的提示詞工程技術(shù)，如分步提示詞設(shè)計(jì)、少樣本學(xué)習(xí)(Few-shot examples)、思維鏈設(shè)計(jì)(Chain of Thoughts)等，或者使用必應(yīng)聊天（Bing Chat）- 它會(huì)在生成的回答結(jié)尾附帶信息來(lái)源鏈接。我們還有一個(gè)更簡(jiǎn)單的方法，那就是利用一種叫做“事實(shí)檢查清單”（Fact Check List Pattern）的設(shè)計(jì)模式。
在這個(gè)模式中，我們讓GPT自己對(duì)它說(shuō)出的話(huà)進(jìn)行一次核查，并生成一份包含文中主要事實(shí)的清單，這樣就能更方便地追蹤和核查它所生成的信息。這種模式特別適合在大量文本輸出的場(chǎng)景使用，因?yàn)樵谶@種場(chǎng)景下，需要付出很多的時(shí)間和精力做細(xì)致的核查和確認(rèn)（這也是GPT的強(qiáng)項(xiàng)之一）。例如，你可能會(huì)讓GPT幫你撰寫(xiě)一份市場(chǎng)分析報(bào)告，那么就可以讓它提供一個(gè)簡(jiǎn)短的核查清單，從而讓你能夠依照此清單進(jìn)行核實(shí)和修正。
那么具體怎么實(shí)現(xiàn)呢？你可以在GPT生成文本之后，添加一段提示詞，讓GPT列出它所說(shuō)的主要事實(shí)。比如：“GPT，你剛才所說(shuō)的主要事實(shí)有哪些？”這樣，GPT就會(huì)將之前說(shuō)出的主要事實(shí)羅列出來(lái)，你可以依據(jù)這個(gè)清單來(lái)核查和修改它的回答。
提示詞模板
在輸出文本的{末尾}，生成一組關(guān)鍵事實(shí)。
這些事實(shí)應(yīng)是判斷輸出文本真實(shí)性的關(guān)鍵，如果其中任何一項(xiàng)錯(cuò)誤，都可能影響輸出文本的準(zhǔn)確性。
Generate a set of facts that are contained in the output.
The set of facts should be inserted at {the end)} of the output.
The set of facts should be the fundamental facts that could undermine the veracity of the output if any of them are incorrect.
本文初步地探討了提示詞的五項(xiàng)基本原則和五種設(shè)計(jì)模式，這些都是構(gòu)建一個(gè)優(yōu)秀的提示詞工程的基礎(chǔ)。需要指出的是，提示詞工程還是一個(gè)相對(duì)新穎的領(lǐng)域，這些原則和模式就如同登山者手中的指南針和地圖，它們?yōu)槟阒该髁朔较颍唧w的路徑仍然需要你自己去探索、去實(shí)踐。在這個(gè)過(guò)程中，我希望你能以開(kāi)放的心態(tài)去面對(duì)可能出現(xiàn)的問(wèn)題，以創(chuàng)新的精神去尋找更好的解決方案。
先寫(xiě)到這里，后面的章節(jié)會(huì)視情況不定期更新。Stay tuned??
聯(lián)系客服
