大模型提示词Prompt学习_python 大模型prompt
赞
踩
引言
关于chatGPT的Prompt Engineer，大家肯定耳朵都听起茧了。但是它的来由？，怎么能用好？很多人可能并不觉得并不是一个问题，或者说认定是一个很快会过时的概念。但其实也不能说得非常清楚（因为觉得没必要深究）。但我觉得，它毕竟存在过，火过，我们还是必须对它有更深入的理解，所以，我花时间认真了解了一下。
对于提示词的理解，我也是经历过好几个阶段。
最初，我第一次听说什么提示词工程，认为是chatGPT的缺陷所致，也就是GPT不够聪明，提示词是为了让我们迁就它，绕开它的一些不足。但仔细一看，发现不对，大多数提示词的技巧，实际上就是对人与人进行良好沟通的要求，并不过分，不能认为是GPT的缺陷。
于是，我开始关注提示词的细节和原理，但始终是记不住，感觉无非就是要学会说人话，要和人好好沟通，要能理解你想问领域的基础知识，似乎并没啥可学的，也就没关注了。
后来，Agent开始火热，开始了解Agent，才发现，原来提示词在这里有用，因为基于GPT编程，实际上很多时候是在使用提示词。那就不能象在chat里那么随意了，需要固化下来，抽象出模板，而且要关注这里提示词在不同版本的准确度。可以理解，提示词就是在编程序，只是在使用自然语言编程。
讲到这里，容我打一下岔。我们一定要来说说人与计算机如何交互的问题：
人与计算机交互的方式，也就是人给计算机派任务。经历了几个阶段，因为计算机本质是在处理0/1数据，处理计算任务。最早，我们可以认为计算机比较蠢，人自然就要多做一些事情，就像你的邻家小孩很笨沟通起来很困难，你就得牵就他。所以，人需要写晦涩的汇编指令（甚至用过打孔纸带），没办法，谁让它那么笨。但慢慢的，机器变得越来越聪明，人就开始使用C语言，C++语言，然后是 Java语言，到现在，最流行的Python，与计算机的交互变得越来越简单，我们可以理解为计算机变聪明了，对于人的要求，不断在后退，计算机理解能力提升，不断在前进。
直到今天，GPT的出现，人可能再退一步，使用自然语言来和计算机交流。这可是人类倒退的一小步，计算机进步的一大步。我们在使用Prompt的时候，发现使用自然语言就可以让计算机完成任务。所以，你不得不重视提示词，它不仅仅是用来聊天的输入，是未来与AI交流的第一语言（当然，也可能会被工程化，变成GPT的内置功能，但至少目前没有）
我不知道有没有引起大家的好奇。铺垫就说这么多了。
Prompt 的产生
对于大模型的技术，有一种四阶的说法，提示词工程应该属于最上层的，应用层技术，面向的人群是所有终端用户，门槛最低，最易于上手。
我们今天的重点是讲提示词工程，也就是Prompt。
简单来说，Prompt就是我们与大模型之间的沟通话术。
我们以前经常会接触一些职场沟通，销售话术，和大模型一起工作，就象人与人配合工作一样，需要有很好的沟通技巧。好了，言归正传，我们说说Prompt的来源。
那Promtpt是如何产生的呢？我们必须从GPT的历史说起。
我们来看看GPT的历史：
1.0 时代：在Goolge发明Transformer之后，开始大力发展BERT，OpenAI 的同学觉得Transformer挺好的，把Transformer改了改，用了解码器的生成式架构，改成了可以纯并发的架构，并且采用无监督的方法（省了标注），使用了约50G数据（7000本书），通过预训练 + 专业数据fine-tune的方式，生成一个 1 亿参数的模型，效果还行，在特定的测试集上获得一定的结果。方法嘛 ，那是相当的简单粗暴。但产生一个重要理论范式：PreTrain + Fine-tune 的模式。这个时候，并没有什么人关注GPT。那时是BERT的天下。
2.0 时代：继续扩大参数，扩到15亿（12倍相对于GPT-1），预训练使用了更多的数据。将Fine-tune的量减少，争取一次搞定预训练和微调，变成一个阶段。PreTrain做更多的事情。无监督学习，增加掩码语言模型（增强自监督）。这仍然是一个暴力美学，但效果确实得到很大增强，相应的范式发生变化，PreTrain做了更多的事情，基础模型的能力大大增强。
In-context learning的产生
到了3.0：增加更多的数据（4100亿tokens），模型参数量更大（1700亿参数，相对于GPT-2大了100倍），这时就有问题了，如果要传统的fine-tune，成本会太高。因此，这时候出现了 In-Context learning ，让模型能够在上下文中学习，其实就是把问题前移，要求提问的人把问题问得更清楚，并且给出一些解答问题的示例 。这样，可以让大模型针对上下文进行推理，做到在不改变预训练模型的情况下，通过增强输入，达到最好的结果。
这和提示词有啥关系？当然有关系，这实际上就是提示词一个原理，就是提示词的前身，这是一个很简单的道理，一点不深奥，仍然是敌退我进的方法，邻家傻儿子能力不强，咋办呢，我把问题讲清楚一点。它减少了对fine-tune的依赖，支持对上下文的推理，但要求对方把上下文给清楚，甚至给出示例 ，然后根据模型的常识能力，直接获得答案。对于in-context learning有三类：
1：Zero shot 不给示例 ，给明确的指示
2: One-shot 给一个示例
3: Few-shot 给小于10个以内的多个案例
上图可以看出，参考示例越多，效果越好。模型越大，效果越好。
再回顾一下，GPT的发展过程如下：
即然 In-Context learning的效果这么好，那我们提问者是不是可以更进一步呢？
Prompt 实际上是在In-context learning的基础上更进一步
In-Context Learing：提供参考示例的学习方式。
Prompt-Learning 是在 in-context learning的基础上更进一步，利用好上下文来影响模型的输出。
两者的区别是：Prompt Learning 是设计好的提示来引导更好的输出。而 in-context learning则关注的是如何利用输入序列的上下文信息来影响模型输出。其实，我觉得大概都是一回事。
Prompt的理论
在学习如何写好提示词之前，我们先看看理论，虽然理论实际上我觉得有点扯。
其实就是三篇论文
1：Chain-of-Throught （思维链）
论文：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
原理：作为用户，把需求描述更清楚（更适合对方的理解），具体的方法如下
* 大问题分解成小问题。职场OKR的做法。逐步思考，按问题解决的步骤。让LLM多步骤思考。会消耗额外资源，但会多次思考。
* 多步骤输出如何解决。让LLM给出中间结果。就象高中生数学考试，不给过程，要扣分滴。这样更容易发现错误（可以从错误的步聚重新开始）
* 对于数学应用题，一定要用步骤，逐步解决问题。
* 只能在大模型上，用少量样本包含思路。才有用。小模型没啥效果。原因是什么？越是复杂的问题，越有效。类似 Few-Shot
举例 ：
提问中给出推理过程，帮助大模型在上下文中学习知识。然后举一反三，答对问题：有点相当于老师把饭给你喂到嘴边，先告诉你大概的解题思路。
说实话，这个有点扯，一般我们并不会为了问第二个问题，去构造那么复杂的例子一。这实际上是有一定复杂度的。
我的理解就是为了让大模型具备某一些能力，可以找到解决该类问题的多步骤解决的方法。把它当成上下文给到模型，然后模型可以学会按上下文的解法，来分步骤解决新问题。
对于ChatGPT的高版本，可能已经内置了相应的提示词模板，会自动带上模板，提升准确率，当然，因为是分步骤执行，可能会导致消耗更多的算力。对于GPT API，你需要自行按CoT的思想去构造提示词。
除了添加按步骤示例的方法以外，还有一个小技巧：
在问题的后面追加说明：Think step-by-step （请按步骤思考和回答这个问题）
在某些情况，会获得更好的答案。
2: 自洽性（多路径推理）
论文：self-consistency improve Chain of Throught Reasoning in Language Models
原理：多路径推理，如何提升思维链的能力。三个臭皮匠顶个诸葛亮，多回答几次，投票选择最优解。
初一看到这个，觉得挺好笑，为啥这也是重要的论文之一，这顶维期刊的论文，也太显而易见了吧？
如上图所示，可以根据多个路径形成多解，然后投票获取答案。
非常可惜的是，目前大模型在计算方面的能力不强，另外，对于人脑具德的有意识的行为，大模型基本上是做不到的。我们通过CoT 其实可以看出，大模型并没有带来意识，展开来看，它仍然是一种复读机式的鹦鹉学舌式的智能。
好消息是：通过规模提升，带来智能拥现。好像有智能了。坏肖息是，看起来还是鹦鹉学䇢，还是很弱智，并非产生了意识。对于意识：是脑科学范畴，人类自已也没有弄明白，人到底是怎么回事，人类的本质是复读机吗？
今天看到腾讯小马哥提出：人工智能的技术必须是可知的，也就是可以掌握，可以解释的。其实有一定到底，否则到时可能控制不住，会出大问题。目前深度学习比较黑盒，不知是好事还是坏事。
3: 思维树（Tree of Throughts)
论文：Tree of thought：Deliberate Problem Solving with Large Language Models
原理：能不能打破从左到右的有局限性的问题解决顺序。类似BIRT的做法。
如下图，类似搜索算法，可以进行遍历解空间，找到全局最优解。
从理论上，可以看看ToT的思路，正如人是如何解决复杂问题的？
那就是不断发掘，如何做：
Step 1：利用CoT，把问按多步骤拆解，思维分解。
Step 2：思维生成器——给出K个侯选项，进行抽样，提供多样性。
Step 3：选择，进行价值评估。对每个状态进行独立评估。或者进行投票。
或者让大语言模型自已来评估。
注意：在寻找答案时，需要搜索。可以使用广度或者深度。
说实话，并没有弄明白，我们如何使用ToT？至少感觉在ChatGPT中简单利用提示词很难，如果是编程，在做AutoGPT或者Agent时，好像可以按此思路来解决问题。但这和大模型本身的关系不大，确实又是一个工程方法。
提示词如何写？
好了，我们终于写到重点了（以下都是网上截抄的，但我自已实验过）
原则，把大模型当成你的同事，一个小伙伴。
这里提供的思路，并不是实际的例子，对于不同应用的例子，可以在网上搜索，或者选择提示词工具和插件。
角色设定：减少范围，有点相当于直接选了MoE
下面的示例中，System就是系统级的设定，如果在ChatGPT中，可以先单独开一条消息，提前做一下说明，后续就不用再重复了。
指令注入：强调本次上下文一直要注意的信息
问题拆解：帮计算机拆解一下问题，不要太为难它
这个例子不太好，大概的意思就是把问题的步骤帮助做一下拆解。
分层设计：这个知道答案是分层的，那就按层来提问
编程思维：注意，大模型是可以支持自然语言编程的
问题实际上就是一段程序，可以有逻辑判断，可以有输出定义。
Few-Shot：给例子，给例子，给例子。
对于打样，给例子，上面已经给出例子。
另外，网上提供的一个比较好的例子：生成标注数据，挺好用。
这个例子也很有用，在分析BUG时可以参考。
提示词工程是啥？
随着ChatGPT的工程能力越来越强，可能写好提示词的价值会越来越小。你可能在使用chatGPT过程中会发现，之前的一些提示词黑魔法，在高版ChatGPT会变得没必要了。因为相应的提示词会在ChatGPT中自动引用。但目前而言，GPT API是没有开放相应的能力的，还需要我们通过程序来进行封装。
我们需要将手工变成自动，把手工的Prompt变成程序自动生成（实际上是抽象变量）。这样变成一个固定的做法。变成一个工程问题。可以通过抽象模板来完成。
比如：我要将{文字}翻译成{中文} 这实际上就是一个翻译工具
比如：我要创作一个{}的文案。
定义模板，抽取参数，它就变成一个自动化的工具。
将Prompt当作编程语言，把多个prompt串在一起，就可以完成复杂的任务。
作为提示词工程师，会按照一定的规则去写提示词。
使用LangChane时，可以很好的使用Prompt，因为它有一个Promt Templates：
1：PromtTemplate.from_template("")，可以添加变量，使用时传入。输出格式也可以规范。
可以检查传参。无变量也是可以的。
2：使用构造函数生成PromptTemplate。和1没啥区别。只是更严格，确定参数
这个有点怪，但你可以认为实际上就是将自然语言封装了变量。
ChatPromptTemplate 与之类似。
可以在System中添加变量。要以在user_input中定义变量。
使用fromatf进行参数传入
FewShotPromptTemplate——给参考示例。
给示例集，解包，定义字典，模板还可以嵌套。
注意：SematicSimilarityExampleSelector 可以查找相近的语义词。这个很有用噢。
如下是一个简单的示例图，只要学过一点点编程，很容易理解这个。
对于复杂的情况，我们还可以生成思维链，完成复杂的流程，也就是类似上面讲到的ToT了。我觉得ToT的落地，就在这里了。
比如：我需要提供一个工具，有大模型来生成戏剧，另外，针对生成的戏剧在理解后进行评论，使用另一个大模型。对于此类的问题，就需要比较复杂的对待了。
（如下使用的框架是开源的LangChain框架）
好了，大概写这么多，提示词大家确实没必要太关注，我也觉得它是一个过渡的技术。
它的起因是为了给基础大模型减压（模型能力问题）
它的发展是因为低版本的ChatGPT的工程能力弱（没有对提示词封装），API没有提供相应的模板支持，但是，很可能后续很快会被补上。
当然，了解一下原理，并没有什么坏处。
但没有必要满世界去学习提示词模板，在需要的时候，去搜一下就好了。
但是要注意，提示词模板并不是通用的，要看具体的大模型和大模型的版本。
