前言

Prompt提示语是使用大模型解决实际问题的最直接的方式，本篇介绍Prompt提示工程常用的技巧，包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。

Prompt提示工程简述

Prompt提示语，指的是设计和编写提示文本，以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西，合适的Prompt对于提示学习的效果至关重要，因此产生了提示工程专门研究如何设计Prompt，目的是找到最优的提示语，使得模型的性能和效率达到最高，以适应不同的任务和应用场景。

对各种模型设计不同的Prompt

---

Prompt的一般结构介绍

Prompt的一般结构包含4个部分，任务指令、背景信息、附加内容、输出要求

• 任务指令：明确给到大模型需要执行的任务，比如扮演角色身份，给出内容方案
• 背景信息：提供任务和上下文背景，从而生成更相关的输出
• 附加内容：额外补充信息，包括领域知识库，参考样例等等
• 输出要求：指定输出的格式，比如JSON格式，限定输出在某几个选项内，限制不允许编造成分等等

Prompt中并非要包含以上所有部分，可以根据需要自行组合搭配。举个例子，需要让大模型输出一个去苏州旅游的攻略，Prompt结构如下

Prompt结构式例

---

零样本提示Zero-Shot

零样本提示Zero-Shot，是指没有任何相关数据的参照下，直接对模型进行提问，用自然语言指令让模型输出内容完成一个任务，例如用通过对话模型生成式地完成情感分类任务

通过Zero-Shot进行情感分类

再例如完成命名实体识别的任务，提取出文本中的关键要素，从提取结果来看完全正确且没有遗漏，但是格式并没有按照要求的JSON来

Zero-Shot完成命名实体识别

Zero-Shot这种方式最为方便，但是由于没有任何相关数据给到模型参照，所以模型可能难以彻底按照任务要求和输出要求进行文本生成，尤其是对于难以用自然语言来描述清楚的任务。

---

少样本提示Few-Shot

少样本提示Few-Shot是指，在用自然语言描述的任务中加入少量相关的任务例子，使得模型更加充分地理解任务的目标和输出要求，增加任务完成的准确性，还是以情感分类为例，对模型进行Few-Shot如下

通过Few-Shot进行情感分类

同理针对命名实体识别，也可以给到一些例子，Few-Shot如下

Few-Shot完成命名实体识别提问

模型生成内容如下，模型提取得非常准确，并且模型参照了给的例子进行了JSON格式的输出，而在Zero-Shot中并虽然提示语句中要求了JSON格式，但并没有按照JSON生成，由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成

Few-Shot完成命名实体识别结果

特别的，当给到的参考例子只有一条时，此时属于One-Shot提示。

---

思维链提示CoT

思维链提示（Chain-of-Thought，CoT），常用于推理规划类问题，包括逻辑推理，数学推理，常识推理等，相比于语言语境能力，推理问题对于大语言模型而言更难，因为对于推理问题，大模型的训练是把推理结果作为下一个词直接预测，而忽略了中间的思考过程，而人类在面对推理问题时往往是逐步求解，最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程，再逐步运算生成答案。
以一个简单的数学题问大模型（Chatglm2-6B），让模型计算出最后的结果，采用直接提问的方式，问题和回答如下

直接提问推理问题

很明显，模型回答的是错误的，正确答案应该是11，我们采用思维链提示的方式再试一次，具体是给到模型一条类似的题目，并且告诉模型解题步骤，解题步骤包括中间过程和最终的结果，使得对该类问题模型采用这种逐步的思考方式进行回答，提问和回答如下

思维链的方式提问推理问题

显然模型回答正确，且逻辑清晰，中间过程和结果都回答得很好。
除了给到参考解题例子之外，研究人员提出零样本思维链提示，只需要在问题结尾加上**”让我们逐步思考“**这个魔法语句，模型就能够实现逐步推理，我们以这种方式进行提问试验一下

零样本思维链提示回答推理问题

同样得到了正确的结果，显然思维链提示CoT对于推理问题比直接提问更有效。

---

任务分解Least-to-Most

任务分解，也被叫作由少到多提示（Least-to-Most），旨在当面对复杂提问时，将其转化为多个容易解决的子问题，并逐一解决它们得到最后的结果。任务分解的方式和思维链类似，区别在于任务分解会进行多轮问答，并且之前子问题的回答会加入到下一次的提问中，相当于逐步填充问题的上下文，降低复杂多步推理问题的难度。
我们同样先做对比，对模型直接提问一个计算题，问题和回答如下

直接对模型提问复杂问题

很明显答案错误，正确答案应该是5桶。下面我们采用任务分解的形式，首先提问模型解决这个问题需要先完成哪个子问题

回答子问题是什么

模型说了一大堆，第一句话就已经回答出了子问题，即要先解决购物劵总额的问题，我们将这个问题加入到原始提问中，让模型先回答出这个子问题的答案

回答子问题的答案

子问题回答正确，购物劵总额是500元，下一步就可以直通最终问题了，我们将子问题和子问题的答案拼接到原始提问上，形成最终的Prompt

最终模型回答为5桶，回答正确，且模型回答的逻辑清晰完美，印证了任务分解这种方式能够提高对复杂问题的推理准确性，全文完毕。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​
AI大模型系列：Prompt提示工程常用技巧和实践（附教程）