【大模型基础_毛玉仁】3.4 Prompt 技巧

---

---

3.4 Prompt 技巧

基于上下文学习和思维链等Prompt工程技术，进一步提升大语言模型生成质量的Prompt技巧，包括合理归纳提问、适时运用思维链（CoT）、巧妙运用心理暗示等。应用这些技巧可引导模型生成更精准、符合预期的内容，提升其在实际应用中的表现。

.

3.4.1 规范Prompt 编写

经典的Prompt 通常由任务说明，问题，上下文，输出格式等部分中的一个或几个组成。

图3.16: 经典的Prompt示例

1）任务说明要明确

明确的任务说明是构建有效Prompt的关键要素之一。一个清晰、具体的任务说明能够确保模型准确理解任务要求，并产生符合预期的输出。

为确保任务说明的明确性，需做到以下几点：

• 使用明确的动词，如“判断”、“分类”、“生成”等，避免模糊动词；

• 使用具体的名词定义任务输出或目标，如情感分类中的“积极”和“消极”；

• 任务说明应简洁明了，避免冗长复杂；

• 结构化布局，将任务说明置于较长Prompt的开头和结尾，以突出关键信息。

2）上下文丰富且清晰

在Prompt设计中，上下文对模型回答的准确性至关重要。

• 一是上下文的丰富性，其内容的多样性和相关性能够提升模型的理解和回答准确率，可以包括与问题直接相关的背景信息、具体的演示示例，或是对话的连续性内容。

• 二是上下文的清晰性，要求上下文信息必须与问题紧密相关，避免包含冗余或不必要的信息，直接指向任务的核心，减少模型在处理信息时的混淆和误解。

3）输出格式要规范

规范的输出格式对模型输出的可用性和准确性至关重要。指定明确的输出格式可使其结构化，便于下游任务提取和使用内容。常用格式有JSON、XML、HTML、Markdown、CSV等，各具用途和优势。

为确保输出格式的规范性，有以下措施：

• 明确指定输出格式：在Prompt中指出模型应使用的格式，如“请以JSON格式返回结果”，并选择广泛接受且易于处理的格式（如JSON、CSV），便于解析和数据交换。

• 提供输出格式示例：在Prompt中给出具体示例，如在JSON中明确关键字，帮助模型理解预期的输出结构。

4）排版要清晰

清晰的排版对模型理解Prompt至关重要，能助其准确捕捉任务关键信息，提高执行准确性和效率。复杂排版易致信息模糊，影响输出质量。清晰排版需使用合适分隔符和格式化技巧，明确区分Prompt各部分。

为了确保Prompt的排版清晰，有以下措施：

• 使用一致的分隔符：选一种或几种分隔符（如“#”、“###”、“—”等）区分Prompt不同部分。

• 合理使用空白和缩进：增加空白行和适当缩进，增强可读性，帮助模型区分内容块。

• 清晰的标题和子标题：为每个部分提供清晰的标题或子标题，使模型快速识别主题。

.

3.4.2 合理归纳提问

在与大语言模型交互时，提问质量影响信息获取的效率和深度。精心设计的提问能明确需求，引导模型聚焦问题核心，获得精准且有价值的答案。

本节介绍“合理归纳提问”以提升交互质量，重点讲解“复杂问题拆解”和“追问”两个高级策略。它们能帮助理解问题本质，提高获取信息和解决问题的效率，使模型输出更准确全面，满足需求。

1）复杂问题拆解

在处理复杂问题时，我们可以将问题分解为更小、更易于理解的子问题，并逐一解决。

这一过程包括两个关键步骤：分步引导和归纳总结。

• 分步引导：把复杂问题细化为多个子问题，引导模型逐一深入分析和回答，确保每个子问题得到详尽解答，为归纳总结奠定基础。

• 归纳总结：汇总各子问题答案，综合形成全面回答，把握问题各方面，确保最终答案准确完整。

2）追问

在对话中，用户通过追问可使大语言模型输出更符合心意。这种交互能加深理解、丰富讨论，更精准地表达用户想法，指导模型输出更贴近需求。

追问依形式和目的分为三种：深入追问、扩展追问、反馈追问。

• 深入追问：用户根据模型输出继续发问，挖掘特定话题的深层信息，适用于需要详尽解释的场景，引导模型提供更细致深入的信息，加深对特定领域的理解。

• 扩展追问：在模型回答基础上，要求提供更多相关信息或例子，拓宽讨论广度，收集更多数据、例证或选项，帮助用户获得更广泛的视角，增加对话题的理解，适用于需要全面了解主题的场景。

• 反馈追问：当模型输出不符合预期或存在错误时，用户提供反馈，指出问题并请求更正或澄清，通过反馈机制提升模型准确性，确保信息正确性，提高对话质量。

.

3.4.3 适时使用CoT

1）何时使用CoT

使用CoT需综合考虑任务类别、模型规模和模型能力：

• 任务类别：CoT适用于算术、常识和符号推理等复杂推理任务，能引导模型生成中间推理步骤，提升正确率。但对于情感分类、常识问答等简单问题，标准提示方法已足够，使用CoT可能适得其反。

• 模型规模：CoT在参数量超千亿的巨型模型上效果显著，如PaLM和GPT-3。但在小模型上可能生成逻辑不连贯的思维链，甚至不如标准提示方法。

• 模型能力：未进行推理指令微调的模型（如早期GPT-3、LLaMA2-13B-Base等），CoT提示可激发其推理能力；而已微调的模型（如ChatGPT、GPT-4、LLaMA2-13B-Chat等）即使无CoT指令，也能生成清晰推理步骤，有时无CoT指令反而性能更佳，可能因已内化CoT指令。

2）灵活使用CoT

灵活使用CoT需根据任务需求和模型特性调整其使用方式，主要体现在调整详细程度和使用不同形式：

调整详细程度：

• 根据用户需求指定CoT输出的详细程度。简单计算问题可直接给出结果，复杂推理问题需通过样例引导展示完整推理步骤。

使用不同形式：

• Zero-Shot CoT和Auto CoT：在无需特定领域知识、仅需逻辑推理和逐步分析的任务中，通过“让我们一步一步思考”这种提示词引导模型以CoT形式回答。

• Self-Consistency：处理需高准确度和可靠性的任务时，要求模型生成多个回答并筛选出一致性最强的答案，如编写代码时确保逻辑一致。

• ToT和GoT：对于包含创意思维的任务，利用ToT和GoT在多个思维路径中探索和选择，如创作故事时选取最有趣或合理的情节发展方向。

.

3.4.4 善用心理暗示

在硅谷，有句创业金句“Fake it till you make it”（假装它直到你成功）。含义是先吹嘘想法吸引资本和人才，再努力实现目标。它源于积极心理暗示方法，即通过模仿自信乐观，可在生活中实现这些品质。积极心理暗示也可用于激发大语言模型潜力，可通过角色扮演和情景代入传达给模型。

角色扮演：

• 通过Prompt指导大语言模型扮演特定角色（如数据科学家、诗人、律师等），可显著改善其与角色相关的技能。在指令中包含具体属性、职责、知识和技能等信息，能引导模型输出更准确、更高质量的回答

情景代入：

• 将大语言模型置于特定的“情景”或“环境”中，可影响其生成的文本内容和风格。情景代入是将特定情境下的专业知识、历史背景等信息嵌入到模型的响应中，使其能够深入理解并反映特定情境下的文化社会背景与现实环境，从而生成更加丰富和有深度的回答。

.

---

其他参考：【大模型基础_毛玉仁】系列文章

---

声明：资源可能存在第三方来源，若有侵权请联系删除！