为什么提示工程如此重要？
提示工程的目标是通过提供清晰、简洁且结构良好的输入来提高语言模型的性能，这些输入需要针对模型所用于的特定任务或应用进行定制。可以将提示工程比喻成与人交流时使用清晰明了的语言，让对方更容易理解你的意图，从而做出更满意的回应。
那么接下来，我们将依次介绍OpenAI提供的提示工程最佳实践，FushionAI的自动生成功能，以及让GPT进行自我反思。我们还会提供一个额外的实用小技巧，请多留心！
OpenAI的官方最佳提示技巧
1.使用最新的模型
为了获得最佳效果，我们建议使用最新、性能最强大的模型。截至2022年11月，文本生成方面的最佳选择是“text-davinci-003”模型，代码生成方面的最佳选择是“code-davinci-002”模型。能使用GPT-4当然会比ChatGPT要更好。
2.将指令放在提示的开头，并用###或"""将指令与文本分开
效果不佳?：
将下面的文本摘要成一个关键要点的项目列表。
{输入文本}
更好的选择?：
将下面的文本摘要成一个关键要点的项目列表。
文本：
"""{输入文本}"""
3.对所需的上下文、结果、长度、格式、风格等尽可能具体、详细和描述性
效果不佳?：
写一首关于OpenAI的诗。
更好的选择?：
写一首关于OpenAI的短篇励志诗，重点描述DALL-E产品发布，风格仿照{著名诗人}。
4.通过示例明确所需输出格式
效果不佳?：
从下面的文本中提取实体。提取以下4种实体类型：公司名称、人名、特定主题和主题。
文本：{文本}
更好的选择?：
从下面的文本中提取重要实体。首先提取所有公司名称，然后提取所有人名，然后提取与内容相关的特定主题，最后提取总体主题。
期望格式：
公司名称：<逗号分隔的公司名称列表>?
人名：-||-?
特定主题：-||-?
总体主题：-||-
文本：{文本}
5.从零次学习开始，然后进行少次学习，如果这些方法都不起作用，那么进行微调
?零次学习
从下面的文本中提取关键词。
文本：{文本}
关键词：
?少次学习-提供几个示例
从下面的文本中提取关键词。
文本1：Stripe为Web开发人员提供了API，以便他们将支付处理集成到自己的网站和移动应用程序中。
关键词1：Stripe，支付处理，API，Web开发人员，网站，移动应用程序
文本2：OpenAI已经训练出了处理和生成文本方面非常优秀的语言模型。我们的API可以让您使用这些模型，解决几乎任何涉及处理语言的任务。
关键词2：OpenAI，语言模型，文本处理，API。
文本3：{文本}?
关键词3：
?微调：请参阅参考文献里的微调最佳实践指南。
6.减少模糊和不精确的描述
效果不佳?：
这个产品的描述应该比较简短，只有几句话，不要太多。
更好的选择?：
用3至5句话的段落来描述这个产品。
7.不仅要说不做什么，更应该说做什么
效果不佳?：
以下是代理和客户之间的对话。不要询问用户名或密码。不要重复。
客户：我无法登录我的账户。代理：
更好的选择?：
以下是代理和客户之间的对话。代理将尝试诊断问题并提出解决方案，同时避免询问任何与个人身份信息有关的问题。不要询问用户名或密码，而是引导用户查阅帮助文章www.samplewebsite.com/help/faq
客户：我无法登录我的账户。代理：
8.代码生成-使用“引导词”引导模型生成特定模式
效果不佳?：
编写一个简单的Python函数
1.询问我一个以英里为单位的数字
2.将英里换算成公里
在下面的代码示例中，添加“import”提示模型应该以Python语言开始编写。
更好的选择?：
编写一个简单的Python函数
1.询问我一个以英里为单位的数字
2.将英里换算成公里
import
FusionAI,自动生成更好的提示
FusionAI是一个可以自动生成更适合GPT提示并生成相应文章的AI软件，我会建议新手期时将它当作学习提示工程的教程来使用。
例如，当我给出提示：“Iwanttohaveablogofpromptengineering“FusionAI会修改此提示为
可以看出来这样生成出来的提示对照了前文提到的第3和第6条技巧，规定了输入长度，要求变得更精确了，让AI聚焦于提示工程的好处和挑战，并且举出相应例子。
让我们用中文输入挑战一下FusionAI。给出提示：“给我一篇关于提示工程的博客”。FusionAI修改提示为：
可以看出来这个提示是有严重偏差的，词不达意，无法使用。这其实给我们提了个醒，语言和指令在转译的时候是会有信息损失的，转译的次数越多信息差就越大，直到不可辨别。因此我们要尽量接触和使用一手信息，在AI上也适用。
我们不建议使用各种模版或者类似FusionAI的工具来生成内容，因为噪音太大。当然，在你还不了解提示工程的时候可以参考它们来学习，这是可以的。
GPT，你得学会自我反思
在EricJang的一篇最新的博客《CanLLMsCritiqueandIterateonTheirOwnOutputs?》里，他提到LLM可以在没有任何基础反馈的情况下自我纠正，并尝试将这样的自我反思作为一种提示工程的技巧。
你可以把这种情况想象成某人向你发送了一条短信，然后迅速“取消发送”，再发送一条新的短信。
让我们举个例子，当我们让GPT-4写出一首不押韵的诗：”canyouwriteapoemthatdoesnotrhyme?thinkcarefullyabouttheassignment“，GPT-4给出的回答是：
很明显，节选的小诗是押韵的，这并不符合我们的要求。那么我们给出进一步的指令让GPT-4进行自我反思：“didthepoemmeettheassignment?”，那么GPT-4会回答：
可以看出来，这次GPT-4生成的小诗确实是不押韵的，在没有给出任何额外反馈的前提下GPT-4完成了自我的提示工程。笔者猜想这可能跟LLM的无监督学习有关，但为什么GPT-4拥有此功能而GPT-3.5却没有，就不得而知了。
当然，这样的能力也是有局限的。如果你愿意，你可以要求GPT-4随机给出两个五位数并且求出它们的乘积。接下来你会发现，无论你让GPT-4怎么反思，它都无法给出正确的答案。GPT-4只会不断客气地胡说八道而已。对于想深入研究的读者，可以从文末链接阅读Eric的博客和一篇最新的预印版论文《Reflection》
Onemorething
有心的读者可能已经发现了，作者在使用LLM一般都选择英文作为提示语言。这是因为作为预训练模型，其表现的优异程序与预训练时的数据集有关系，一般来说数据越多则被训练得越好。而英语作为全球第一的使用语言，数据量是远超中文的。所以除非你需要输出与中文语境强相关的文章，否则我会建议使用英文来作为提示语言。
总结
在这篇文章里我们介绍了三种提示工程的方法。分别是OpenAI推荐的前置提示工程，AI自动生成，以及以反思为主的后置提示工程。同时，我们也建议非英语母语者尝试使用英语作为与LLM交互的语言。
欢迎关注Multigis掌握更多前沿区块链，人工智能，代笔经济学知识。
参考文献:
https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api
https://docs.google.com/document/d/1h-GTjNDDKPKU_Rsd0t1lXCAnHltaXTAzQ8K2HRhQf9U/edit#
https://fusion.tiiny.site/home.html
https://evjang.com/2023/03/26/self-reflection.html
https://arxiv.org/pdf/2303.11366.pdf
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。