引言

常常我们会碰到这种问题，当我们想要ai实现要求时，往往无法达到我们想要的要求，这就涉及了提示词的使用了。

简单介绍

在大型语言模型或LLM的开发中，大体上有两种类型的LLM，我将其称为Base LLM 和 Instruction Tuned LLM.下面分别进行介绍：

• Base LLM: 从互联网直接抓取了大量文本数据进行训练，可以回答一下基础的问题，可以根据已知的信息，为了回答或是续写后面的内容，例如你问“法国的首都是什么？” ，它会回答“巴黎” ，这种信息都可以从互联网中搜集得到。但其也有可能回答错误，或是不知道。
• Instruction Tuned LLM(经过指令调整后的LLM): 其根据用户输入的指令，以及回答的反馈进行优化，也就是被称为RLHF(人类反馈强化学习技术)进一步进行细化，更加符合具体的场景，还可以考虑到安全，回答的无害性，这种LLM将来更符合生产或是使用场景。

由于经过指令调整后的LLM, 其刻意被训练为有用的，无害的(无害可以理解为错误的回答以及进行不良的行为示范)模型，很多实际应用场景渐渐开始向指令调整后的LLM转移，因此，建议大多数人应该专注于经过指令调整后的LLM。

指南

原则一：编写清晰而具体的指令

应该使用尽可能清晰和具体的指令来表达希望执行的操作，这会引导模型给出正确的输出，减少你得到的无关的响应。但注意清晰不等于简短的指令，有时候更长的提示也有利于更详细和相关的输出。

• 策略一：使用分隔符不同的输入中的不同部分—目的是可以避免提示注入
• 策略二：要求结构化的输出—更好地被解析，例如HTML格式。JSON格式等
•  策略三：要求模型检查是否满足条件—模型解决的任务中假设条件不一定满足，可以让模型先检查这些假设，如果不满足假设，可以直接让其停止执行。自查方式
•  策略四：提供少量示例

原则二：给模型充足的思考时间

提供足够耐心去等待模型思考，如果中途停止，可能导致模型也带上错误理解执行下去。

策略一：指定完成任务所需的步骤-将一个任务拆分后逐步提交给模型实现

策略二：指导模型得出结论前自己制定一个解决方案-最好有个基本方案，明确指导模型在做出结论之前自行推理出解决方案，会得到更好的结果，这和之前提到的给模型时间思考问题，是一致的解决思路

策略三：模型的局限性-其实他也会骗人，因为无法分清网络的真假出现幻觉(可能会虚构听起来很有道理但实际上不正确的东西)，所以我们通常做的是误差分析，找到其中不太合理的地方。

迭代

使用ChatGPT等大模型进行提问时，一次尝试就找到了最好的答案是不太可能的。我们通常做的是误差分析，找到其中不太合理的地方，进行改进。所以说如果第一次提示得到的回复不好，应该进行迭代，改进提示，直到是自己满意的结果，即改进的过程才是最重要的。

在迭代过程中一般碰到以下两个问题：

• 问题一：上述生成的文本长度过长-我们喜欢将所有问题一次性给模型，导致模型理解错误，也就是消化不良，导致回答不如人意。实际上，大模型使用了一种分词器(tokenizer)
• 问题二：描述的角度不对-当我们描述问题时容易造成对象的错误，比如我是作者角度想它以读者回答，但是它却以编辑角度回答，这就造成理解上的错误，从而导致回答也会偏颇。

总结：使用者需要先尝试编写提示，然后通过迭代逐步完善它，直至得到需要的结果。

摘要

LLM最有效的应用之一是使用它来概括或总结文本。

• 总结的字数大小，侧重角度
• 注意 "总结"和"提取"的区别

总结需理解原文语义并重新组织语言生成浓缩内容，保留核心信息的同时可能改变表述方式。提取直接挑选原文中的关键句子或片段，不改变原始表达形式。总结更适合需要可读性输出的场景，提取更注重信息保真度。

推理

文本推理可以理解为这样的一个任务，模型接收文本作为输入并进行某种分析的任务，例如提取对应的标签，提取关键名称，理解文本的情感等等。

下面就 文本推理对应的子任务进行说明；

• 文本情感分析- 首先初步判断情感方向(正面，负面)，然后分析情感类型
• 信息抽取-在文本中抽取你想要的相关信息，一般会进行联想推理(如果进行了联网处理)
• 主题推断-给定一段长文本，需要知道该篇文章是关于什么的？有哪些主题？

转换

• 大型语言模型非常擅长将输入转换成不同的格式，例如将一段文本从一种语言输入并将其转换或翻译成另一种语言，或者帮助进行拼写和语法纠正，因此将可能不完全符合语法的文本作为输入，并帮助您稍微修正一下，甚至转换格式，例如将HTML输入并输出JSON。
• 文本翻译-不仅将从未认识的文本翻译过来，甚至可以进行多语言翻译。
• 语气或风格的调整-即使是同样的内容也会根据受众而有所调整。
• 格式转换-ChatGPT非常擅长不同格式之间的转换，例如从JSON到HTML, XML,Markdown等。
• 拼写和语法检查-拼写和语法检查是一个比较LLM中一个比较实用的功能，如果要将自己的文章正式发表到公共场合中，特别是学术论文，专业报告，报纸期刊等

扩展

文本扩展(Expanding)是将短文本例如仅仅是一组说明或主题列表，输入到LLM中，从而生成更长的文本，还可以是基于某个主题直接生成一篇文章。

• 定制回复-通过文本推理(inferrring)可以判断该评论的情感属性，是消极的。接着就根据其情感属性和内容为该客户定制邮件进行回复。
• 使用温度系数(temperture)增加随机性-temperture是模型中可指定的一个参数，其可以改变模型回复内容的多样性，也就是说该参数可以视为模型探索性或者生成随机的程度

  官方使用建议:  

 对于需要可靠性，要求回复内容在自己的预测范围内的，例如业务问题，咨询的专业问题等，可以设置temperature=0,或者尽量设置小一点的值；

对于生成的内容有多样性，创新性要求的，例如续写，诗歌创作等，可以尽量将Temperature值设置的高一些，例如大于0.5； 

聊天

ChatGPT提供的是一个Web界面，即有一个交互式的聊天界面。但是也可使用LLM构建一个自定义的聊天机器人，例如AI客户代理或AI点餐员等角色。注意的是，需要将聊天过程中的输入与响应都保存到上下文中，才能不断进行下去。

总结

 就是将以往的问ai方式进行规划，补充相关的基础知识。现在如果想去除模型的人机味，其实来一句“说人话，通俗点”都能理解了

吴恩达-提示词工程http://【【吴恩达】2025年公认最好的【提示词工程】教程！大模型入门到进阶，一套全解决！Prompt Engineering-附带课件代码】 https://www.bilibili.com/video/BV1173jzNELG/?share_source=copy_web&vd_source=71bd2963f8d8ac75ebb217d0cf923dd9