大模型系列：Prompt提示工程常用技巧和实践_大模型 prompt工程

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。

---

内容摘要

• Prompt提示工程简述
• Prompt的一般结构介绍
• 零样本提示Zero-Shot
• 少样本提示Few-Shot
• 思维链提示CoT
• 任务分解Least-to-Most

---

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 ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

本文内容由网友自发贡献，转载请注明出处：【wpsshop博客】