Prompt Engineering技术大全_提示工程

Prompt Engineering技术大全

什么是提示工程？

提示工程，就是创建一堆指令，提示（询问、指导）ChatGPT 这类语言模型输出语料文本。提示工程帮助用户控制语言模型输出，生成适合的特定需求。

提示公式（prompt formular）

提示的特定格式，一般包含 3 个主要元素：

• 任务（task）：一份清晰简洁的陈述，提示要求模型生成的内容。
• 指令（instructions）：在生成文本时，模型应该遵循什么。
• 角色（role）：在生成文本时，模型应该扮演什么。

指令提示技术

指令提示技术的要点是需要向模型提供清晰简洁的模型任务（task)、模型要遵循的具体指令（instructions）。

举个例子，如果你正在生成客户服务响应，需要提供如下两项：“生成对客户查询的响应”之类的任务（task）、“回复应当专业并提供准确信息”之类的指令（instructions）。

【示例】

• 生成客户服务响应： 任务：生成对客户咨询的响应 ，指令：回答应当专业，提供信息应当准确。提示公式：“按照这些指令，对客户咨询做出专业的、准确的回复：回答应当专业，提供信息应当准确。”
• 生成法律文件： 任务：生成法律文件， 指令：文件应当符合相关法律法规。 提示公式：“按照以下指令，生成符合相关法律法规的法律文件：该文件应当符合相关法律法规。”

角色提示技术

角色提示技术（role prompting technique），通过为模型提供特定角色，指导 ChatGPT 输出。生成针对特定上下文，生成的文本量身定制，此技术相当有用。若想用好它，需要向模型提供明确、具体的角色。 例如，生成客户服务响应，要具备“客户服务代表”之类的角色。

【示例】

• 生成客户服务响应： 任务：生成对客户咨询的响应 ，角色：客户服务代表。 提示公式：“作为客户服务代表，生成对客户咨询的响应。”
• 生成法律文件： 任务：生成法律文件， 角色：律师。 提示公式：“作为律师，生成法律文件。”

使用【指令提示】、【种子词提示】的【角色提示技术】，将增强 ChatGPT 的输出。

【示例】

任务：为新智能手机生成产品描述 ，指令：描述应提供信息、具有说服力并突出智能手机的独特功能 ，角色：营销代表 ，种子词：“创新”。 提示公式：“作为营销代表，生成内容丰富、有说服力的产品描述，突出新智能手机的创新功能。智能手机具有以下功能[插入您的功能]”

标准提示技术

标准提示，可以看做是一种常用的默认值，指导 ChatGPT 通过为模型提供特定的任务输出。

【示例】

• 生成一篇新闻摘要： 任务：总结这篇新闻文章 。提示公式：“生成这篇新闻文章的摘要”
• 生成一篇产品评论： 任务：写一篇新智能手机的评论。 提示公式：“生成对这款新智能手机的评论”

零样本、单样本、小样本提示技术

零样本、单样本、小样本提示技术，在没有示例、最少示例的情况下，帮助 ChatGPT 生成文本。任务适用范畴：可用数据有限、具体任务不明确、全新且定义不明确。

要点：

• 当没有可用于任务（task）的示例时，使用零样本提示技术。 该模型提供一个通用任务，根据理解生成文本。
• 当只有一个示例可用于任务时，使用一次性提示技术。 该模型随示例一起提供，根据理解生成文本案例。
• 当任务数量有限时，使用小样本提示技术。 该模型随示例一起提供，根据理解生成文本案例。

“让我们想一下”提示技术

“让我们想一下”这个提示，生成的文本具备反思能力、深度思考，对写散文、写诗歌、创意写作的群体来说，很有帮助。

要点：只需要在“让我们想一下”之后跟一个主题、问题。

【示例】

• 写篇反思性文章： 任务：写一篇关于个人成长的反思性文章。 提示公式：“让我们想一下：个人成长”
• 写一首诗： 任务：写一首关于四季变化的诗。 提示公式：“让我们考虑一下：季节的变化”

要在 ChatGPT 中使用“让我们想一下”，需遵循以下步骤：

1. 确定讨论的主题、构思。
2. 制定的提示，需要把主题、想法阐明，并开始对话、生成文本。
3. 在提示前加上“让我们想一下”或“让我们讨论一下”，表明讨论已经发起了

【示例】

• 提示：“让我们想一下气候变化对农业的影响”
• 提示：“让我们讨论下人工智能的现状”
• 提示：“让我们谈一下远程工作的好处和坏处”

自洽提示技术

自洽提示技术，确保 ChatGPT 的输出与提供一致，在事实核查、数据验证、文本生成中，检验前后是否一致。

要点：输入文本后跟进指令“请确保以下文本是自洽的”，或者可以提示模型生成与提供的输入一致的文本。

【示例】

• 文本生成 ：任务：生成产品评论， 指令：审核应与输入中提供的产品信息一致 。提示公式：“生成与以下产品信息[插入产品信息]一致的产品评论”示例
• 文本摘要：任务：总结一篇新闻文章 ，指令：摘要应与文章提供的信息一致。 提示公式：“以与提供的信息一致的方式总结以下新闻文章[插入新闻文章]”
• 文本补全： 任务：补全一个句子， 指令：补全要与输入中提供的上下文一致。 提示公式：“以与提供的上下文一致的方式补全以下句子[插入句子]”
• 事实核查： 任务：检查给定新闻文章的一致性， 输入文本：“文章说这个城市的人口是 500万，后来又说人口是 700 万。” 提示公式：“请确保以下文字自洽：文章说这个城市的人口是500 万，但后面说人口是 700 万。”
• 数据验证： 任务：检查给定数据集中的一致性， 输入文本：“数据显示 7 月平均气温为 30 度，但最低气温记录为 20 度。” 提示公式：“请确保以下文字自洽：数据显示7月平均气温为 30度，最低气温记录为 20 度。”

种子词提示技术

种子词提示，提供特定种子词、短语，控制 ChatGPT 输出。

要点：种子词、种子词组，后面跟着指令“请根据以下种子词生成文本”。

【示例】

• 文本生成： 任务：生成一个关于龙的故事， 种子词：“龙”。 提示公式：“请根据以下种子词生成文本：龙”
• 语言翻译： 任务：将一个句子从英语翻译成西班牙语， 种子词：“你好”。 提示公式：“请根据以下种子词生成文本：你好”

种子词提示可以结合角色提示、指令提示，生成更具体、更有针对性文本。 通过提供种子词、种子短语，模型可生成的文本关联。外加有关所需输出和角色的信息，模型生成的文本、阐述，可与角色的特定风格、特定语气一致。 允许用户对生成的文本进行更多控制，且可用于广大的应用程序。

【示例】

• 文本生成：任务：生成一首诗， 指令：该诗应与种子词“爱”相关，并应以十四行诗的形式书写， 角色：诗人 。提示公式：“以诗人的身份生成与种子词‘爱’相关的十四行诗”示例 。
• 文本补全：任务：补全一个句子， 指令：补全内容应与种子词“科学”相关，书写形式应为研究论文， 角色：研究员。 提示公式：“以与种子词‘科学’相关的方式，作为研究人员论文的风格，补全以下句子：[插入句子]”示例。
• 文本摘要： 任务：总结一篇新闻文章， 指令：摘要应与种子词“政治”相关，以中立和公正的语气撰写， 角色：记者。 提示公式：“以记者的中立和公正的语气，以与种子词‘政治’相关的方式总结以下新闻文章：[插入新闻文章]”。

知识生成提示技术

知识生成提示，用于从 ChatGPT 中获取新鲜且原始的信息。

要点：“请生成关于 X 的新的和原始的信息”，这里的 X 是感兴趣的主题。

这种技术，使用模型里预先存在的知识，用来生成新信息、回答问题。

要在 ChatGPT 中使用知识生成提示，应向模型提供问题或任务作为输入，以及一组预定义选项作为潜在答案。 提示还应包括有关的输出信息，例如要生成的文本类型、任何特定要求或约束。

【示例】

• 知识生成：任务：生成有关特定主题的新信息， 指令：生成的信息应准确且与主题相关。 提示公式：“生成关于[特定主题]的新的准确信息”。
• 问答：任务：回答一个问题， 指令：答案应准确并与问题相关 。提示公式：“回答以下问题：[插入问题]”。
• 知识整合： 任务：将新信息与现有知识相结合， 指令：整合应准确并与主题相关。 提示公式：“将以下信息与关于[特定主题]的现有知识相结合：[插入新信息]”。
• 数据分析： 任务：从给定的数据集中生成有关客户行为的见解， 提示公式：“请从该数据集中生成有关客户行为的新的原始信息”。

知识整合提示技术

知识整合提示，使用模型的预先存在的知识，来集成新信息、连接不同的信息片段。

要点：输入新信息、现有知识；以及有提示，指定生成文本的任务或目标。 提示应包括有关所需输出的信息，例如要生成的文本类型、任何特定要求或约束。

【示例】

• 知识整合： 任务：将新信息与现有知识相结合， 指令：整合应准确并与主题相关 。提示公式：“将以下信息与关于[特定主题]的现有知识相结合：[插入新信息]”
• 连接信息片段： 任务：连接不同的信息片段 ，指令：连接应该是相关的和逻辑。提示公式：“连接以下信息 以一种相关且合乎逻辑的方式：[插入信息 1] [插入信息 2]”
• 更新现有知识 ：任务：用新信息更新现有知识， 指令：更新的信息应该是准确和相关的。 提示公式：“使用以下信息更新关于[特定主题]的现有知识：[插入新信息]”

多项选择提示技术

多项选择提示，提供了一个模型，包含一个问题或任务，以及一组预定义选项，作为可能的答案。

如果生成仅限于一组特定选项的文本，多项选择提示很有用，比如问答、文本完成、其他任务；也可以生成仅限于预定义选项的文本。

要在 ChatGPT 中使用多项选择提示，应向模型提供问题、任务，以及一组预定义选项作为潜在答案。 提示还应包括关联的输出信息，例如文本类型、任何特定要求或约束。

【示例】

• 问答 ：任务：回答多项选择题 ，指令：答案应该是预定义的选项之一。 提示公式：“通过选择以下选项之一回答以下问题：[插入问题] [插入选项 1] [插入选项 2] [插入选项 3]”。
• 文本补全： 任务：用预定义的选项之一补全一个句子， 指令：补全应该是预定义的选项之一。提示公式：“通过选择以下选项之一补全以下句子：[插入句子] [插入选项1] [插入选项2] [插入选项3]”
• 情感分析： 任务：将文本分类为正面、中性、负面 ，指令：分类应该是预定义的选项之一。 提示公式：“通过选择以下选项之一将以下文本分类为正面、中性或负面：[插入文本] [正面] [中性] [负面]”

可解读软提示技术

可解读软提示，在生成的文本同时，为模型提供一些灵活性。为模型提供一组受控输入、一些附加信息。用此技术，生成的文本更具可解读性、可控性。

【示例】

• 文本生成 ：任务：生成一个故事， 指令：故事应该基于一组给定的角色和特定的主题。 提示公式：“根据以下人物生成故事：[插入人物]和主题：[插入主题]”。
• 文本补全： 任务：完成一个句子， 指令： 完成应以特定作者的风格完成。 提示公式：“按照[具体作者]的风格完成下列句子：[插入句子]”。
• 语言建模： 任务：生成特定样式的文本， 指令： 文字要采用特定时期的风格。 提示公式：“生成[特定时期]风格的文字：[插入上下文]”。

受控生成提示技术

受控生成提示，生成的文本输出，具有高度控制性。输入特定内容，例如模板、特定词汇表、一组约束，这些输入可用于指导生成过程。

【示例】

• 文本生成 :任务：生成一个故事, 指令：故事应基于特定模板 。提示公式：“根据以下模板生成故事：[插入模板]”。
• 文本补全: 任务: 补全一个句子， 指令: 补全时应使用特定的词汇。 提示公式: “使用以下词汇补全以下句子：[插入词汇]：[插入句子]”。
• 语言建模 :任务：生成特定样式的文本， 指令：文本应遵循一组特定的语法规则 。提示公式：“生成遵循以下语法规则的文本：[插入规则]：[插入上下文]”。

答疑提示技术

问答提示，回答特定问题、特定任务。输入问题、任务，以及输入可能与之相关的一切其他信息。

【示例】

• 定义 ：任务：提供一个词的定义， 指令：定义要准确。 提示公式：“定义以下词：[插入词]”。
• 信息检索 ：任务：从特定来源检索信息 ，指令：检索到的信息应该是相关的。提示公式：“从以下来源检索有关[特定主题]的信息：[插入来源]”。
• 回答事实： 任务：回答一个有关事实的问题， 指令：答案应准确且相关 。提示公式：“回答以下事实问题：[插入问题]”。

摘要提示技术

摘要提示，生成给定文本的较短版本，同时保留其主要思想和信息。

【示例】

• 文章摘要: 任务：总结一篇新闻文章, 指令：摘要应该是对文章要点的简要概述。提示公式：“用一句话总结以下新闻文章：[插入文章]”。
• 会议记录: 任务：总结会议记录, 指令：摘要应突出会议的主要决定和行动 。提示公式：“通过列出主要决定和采取的行动来总结以下会议记录：[插入记录]”。
• 书籍摘要:任务：总结一本书, 指令：摘要应该是对本书要点的简要概述 。提示公式：“在一小段中总结以下书籍：[插入书名]”。

对话提示技术

对话提示，生成模拟两个、多个实体之间对话的文本。通过为模型提供上下文，提供一组角色、一组实体，以及角色、背景，并要求模型在它们之间生成对话。

需要为模型提供上下文，包含一组字符、一组实体，以及它们的角色、背景。该模型还应提供输出的信息，例如对话、对话类型，以及任何特定要求、约束。

【示例】

• 对话生成： 任务：生成两个角色之间的对话， 指令：对话应该自然并且与给定的上下文相关。提示公式：“在以下上下文[插入上下文]中生成以下字符[插入字符]之间的对话”
• 故事写作: 任务：在故事中生成对话， 指令：对话要与故事中的人物和事件保持一致。 提示公式：“在下面的故事[插入故事]中生成下列人物角色[插入角色]之间的对话”
• 聊天机器人开发: 任务：为客户服务聊天机器人生成对话 ，指令：对话要专业，提供准确信息 。提示公式：“当客户询问 [插入主题] 时，为客户服务聊天机器人生成专业且准确的对话”对话生成、故事写作、聊天机器人开发，该技术很香。

对抗性提示技术

对抗性提示，生成的文本可抵抗某些类型的攻击、偏见。该技术训练后的模型，更稳固、更顽健，且能抵抗某些类型的攻击或偏差。

应当为模型增加提示，旨在使模型难以生成与所需输出一致的文本。 也包含输出的文本类型，以及任何特定要求或约束。

【示例】

• 文本分类的对抗性提示 ：任务：生成分类为特定标签的文本， 指令：生成的文本应该很难归类为特定的标签。 提示公式：“生成难以归类为[插入标签]的文本”
• 情绪分析的对抗性提示： 任务：生成难以归类为特定情绪的文本， 指令：生成的文本应该很难归类为特定的情感 。提示公式：“生成难以归类为具有[insert sentiment]情感的文本”
• 语言翻译的对抗性提示： 任务：生成难以翻译的文本， 指令：生成的文本应该很难翻译成目标语言 。提示公式：“生成难以翻译成[插入目标语言]的文本”

聚类提示技术

聚类提示，根据某些特征、独特性，将相似数据点分组扎堆。通过为模型提供一组数据点，将其分组到集群中，参考依据是数据的某些特征、独特性。这种技术对于数据分析、机器学习、自然语言处理的任务，效果杠杠滴。

如何嫁接到 ChatGPT：该模型应当被提供一组数据点（评论、文章、论文），并要求根据某些特征（情绪、主题、研究领域）将它们分组到集群中。提示内容还应当包含所需输出的信息，例如要生成的聚类数量、任何特定要求或约束。

【示例】

• 客户评论的聚类： 任务：将相似的客户评论分组在一起， 指令：应根据情绪对评论进行分组。提示公式：“根据情绪将以下客户评论分组：[插入评论]”
• 新闻文章的聚类： 任务：将相似的新闻文章分组在一起， 指令：文章应根据主题分组。 提示公式：“将以下新闻文章根据主题分组：[插入文章]”
• 科学论文的聚类： 任务：将相似的科学论文分组在一起， 指令：论文应按研究领域分组。 提示公式：“根据研究领域将以下科学论文分组：[插入论文]”

强化学习提示技术

强化学习提示，让模型从过去的行为中学习，随着时间的推移，还能提高其性能。

要将强化学习提示与 ChatGPT 一起使用，应当为提供一组输入和奖励，并允许模型获得奖励后，调整其行为。提示应当包含所需输出，例如要完成的任务、任何特定要求或约束

做决策、玩游戏、自然语言生成，用上它很巴适。

【示例】

• 文本生成的强化学习： 任务：生成与特定样式一致的文本， 指令：根据生成与特定样式一致的文本，获得了奖励，模型应调整其行为。 提示公式：“使用强化学习生成符合以下风格的文本[插入风格]”
• 语言翻译的强化学习： 任务：将文本从一种语言翻译成另一种语言 ，指令：根据其因产生准确翻译，获得了奖励，模型应调整其行为。 提示公式：“使用强化学习将以下文本[插入文本]从[插入语言]翻译成[插入语言]”
• 用于问答的强化学习： 任务：生成问题的答案 ，指令：根据产生准确答案，获得了奖励，模型应调整其行为 。提示公式：“使用强化学习生成以下问题的答案[插入问题]”

课程学习提示技术

课程学习，让模型通过首先在较简单的任务上进行训练，并逐渐增加难度来学习复杂任务的技术。要在 ChatGPT 中使用，需提供一系列难度逐渐增加的任务。提示应当包含所需输出，例如要完成的最终任务、任何特定要求或约束。自然语言处理、图像识别、机器学习，这技术贼好用。

【示例】

• 用于文本生成的课程学习： 任务：生成与特定样式一致的文本， 指令：在转向更复杂的样式之前，应先对模型进行简单样式的训练。 提示公式：“使用课程学习按以下顺序[插入顺序]生成符合以下样式[插入样式]的文本”
• 用于语言翻译的课程学习： 任务：将文本从一种语言翻译成另一种语言， 指令：在转向更复杂的语言之前，应先对模型进行简单语言的训练。 提示公式：“使用课程学习按以下顺序[插入顺序]从以下语言[插入语言]翻译文本”
• 课程学习的问答： 任务：生成问题的答案， 指令：在转向更复杂的问题之前，应先对模型进行简单问题的训练。 提示公式：“使用课程学习按以下顺序[插入顺序]生成以下问题[插入问题]的答案”

情感分析提示技术

情感分析，让模型确定一段文本的情绪基调、情绪态度，例如它是积极的、消极的、中立的。要将情绪分析提示与 ChatGPT 一起使用，应向模型提供一段文本，根据其情绪对文本分类。提示还应包括输出信息，例如要检测的情绪类型（例如正面、负面、中性），以及任何特定要求或约束。

【示例】

• 客户评论的情感分析： 任务：确定客户评论的情绪， 指令：模型应当将评论分类为正面、负面、中性。 提示公式：“对以下客户评论 [插入评论] 进行情绪分析，并将其分类为正面、负面、中性。”
• 推文（推特文字）的情感分析： 任务：确定推文的情绪， 指令：模型应该将推文分类为正面、负面、中性 。提示公式：“对以下推文 [插入推文] 进行情绪分析，并将其分类为正面、负面、中性。”
• 产品评价的情感分析： 任务：确定产品评价的情绪， 指令：模型应当将评论分类为正面、负面、中性 。提示公式：“对以下产品评论 [插入评论] 进行情绪分析，并将其分类为正面、负面、中性。”

命名实体识别提示技术

命名实体识别 (NER) ，该技术可识别、分类文本中的命名实体（例如人员、组织、位置、日期）。要在 ChatGPT 中使用，应向模型提供一段文本，并要求模型识别、分类文本中的命名实体。提示应当关联输出，例如要识别的命名实体的类型（例如人员、组织、位置、日期）、任何特定要求或约束。

【示例】

• 新闻文章中的命名实体识别： 任务：识别和分类新闻文章中的命名实体 ，指令：该模型应当识别和分类人员、组织、地点、日期 。提示公式：“对下面的新闻文章[插入文章]进行命名实体识别，并对人员、组织、地点、日期，进行识别、分类。”
• 法律文件中的命名实体识别 ：任务：识别和分类法律文件中的命名实体， 指令：该模型应当识别和分类人员、组织、地点、日期 。提示公式：“对以下法律文件[插入文件]进行命名实体识别，并对人员、组织、地点、日期，进行识别、分类。”
• 研究论文中的命名实体识别 ：任务：识别和分类研究论文中的命名实体， 指令：该模型应当识别和分类人员、组织、地点、日期。 提示公式：“对以下研究论文[插入论文]进行命名实体识别，并对人员、组织、地点、日期，进行识别、分类。”

文本分类提示技术

文本分类，允许模型将文本分类为不同层级、不同类别的技术。该技术对于自然语言处理、文本分析、情感分析，很有用。

要在 ChatGPT 中使用文本分类提示，应向模型提供一段文本，并要求其根据预定义的类别、标签对其进行分类。 提示还应包括有关所需输出的信息，例如类或类别的数量，以及任何特定要求或约束。

【示例】

• 客户评论的文本分类： 任务：将客户评论分为不同的类别，例如电子产品、服装和家具 ，提示：模型应该根据评论的内容，对评论进行分类 。提示公式：“对以下顾客评论[插入评论]进行文本分类，根据内容，将其分为电子、服装、家具的不同类别。”
• 新闻文章的文本分类： 任务：将新闻文章分类为不同的类别，例如体育、政治和娱乐， 提示：模型应该根据文章的内容对文章进行分类 。提示公式：“对以下新闻文章[插入文章]进行文本分类，根据内容，将其分为体育、政治、娱乐的不同类别。”
• 电子邮件的文本分类： 任务：将电子邮件分类为不同的类别，例如垃圾邮件、重要邮件或紧急邮件 ，提示：模型应该根据邮件的内容和发件人对邮件进行分类。 提示公式：“对以下邮件[插入邮件]进行文本分类，根据内容和发件人，将其分为垃圾邮件、重要邮件、紧急邮件的不同类别。”

文本生成提示技术

文本生成提示，与本书提到的其他几种提示技术相关，如：零样本、单样本、小样本提示，受控生成提示、翻译提示、语言建模提示、句子补全提示。

文本生成提示可用于微调预训练模型，或为特定任务训练新模型。

【示例】

• 故事写作的文本生成 ：任务：根据给定的提示生成故事 ，指令：故事应至少 1000 字，包括一组特定的角色和情节 。提示公式：“根据以下提示[插入提示]，生成一个至少1000字的故事，包括人物[插入人物]和情节[插入情节]。”
• 语言翻译的文本生成 ：指令：将给定的文本翻译成另一种语言，说明：翻译应该准确和地道。提示公式：“将以下文本 [插入文本] 翻译成 [插入目标语言] 并确保它是准确和地道的。”
• 用于文本补全的文本生成： 任务：完成给定的文本， 指令：生成的文本应与输入文本连贯一致。 提示公式：“完成以下文字[插入文字]，并确保与输入的文字连贯一致。”

标签：

ChatGPT人工智能