提示工程

2023-04-20 • ☕️ 6 min read

过去几个月，生成式人工智能和 LLMs（大型语言模型）出现了爆炸性增长。我们不仅看到 ChatGPT、Midjourney 等新产品的推出，还看到 Notion、GitHub 等成熟产品结合了 LLMs 为用户提供新功能。

让我们从我们大多数人都熟悉的东西开始——ChatGPT。我们问它一个问题，它给出一个答案。我们提出一个后续问题，它给出了另一个答案。我们向 LLMs 提出的问题称为 prompts（提示）。

您可能已经注意到，您还可以要求它更改其回答方式。你可以要求它让答案变得简洁、语气变得专业等等。你还可以使用更高级的技术，比如用例子来获得更好的答案、要求模型进行逐步推理、减少幻觉等。这些通过不同的提示措辞或添加指令来操纵 LLM 输出的方法称为“提示工程”。

提示词格式

标准提示词应该遵循以下格式：

问题？/ 指令

以上的提示方式，也被称为零样本提示（zero-shot prompting），即用户不提供任务结果相关的示范，直接提示语言模型给出任务相关的回答。某些大型语言模式有能力实现零样本提示，但这也取决于任务的复杂度和已有的知识范围。

提示词构成

提示词可以包含以下任意要素：

• 指令：想要模型执行的特定任务或指令。
• 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。上下文与您要执行的任务越具体和相关，效果越好。
• 输入数据：用户输入的内容或问题。
• 输出指示：指定输出的类型或格式。

提示词通用技巧

提示工程中的提示设计应遵循以下原则：

• 明确性：提示应明确说明您希望模型执行的指令和任务。
• 简洁性：提示应简洁明了，避免使用不必要的细节。在设计提示时，还应考虑提示的长度。提示的长度通常受到限制，
• 相关性：提示应与您希望模型生成的结果相关。需要根据需要调整提示的具体程度。这鼓励更具体化。
• 可理解性：提示应易于理解，避免使用专业术语或过于复杂的句子结构。设计提示时的另一个常见技巧是避免说不要做什么，而是说要做什么。

提示工程是一项复杂的技术，需要不断探索和创新。通过遵循上述原则，您可以提高提示设计的有效性，从而更好地利用语言模型。

长期对话记忆你是一个高级人工智能语言模型，能够进行基于个性的对话。您将获得包含您自己和用户的个性信息以及对话历史记录的内存。您的目标是根据个性特征和对话上下文准确地响应用户。即使记忆中没有特定的相关人格特质，你仍然应该自然地回应，以确保对话顺利进行。请按照以下步骤成功完成任务：

1. 分析提供的记忆，提取双方的关键个性特征。注意任何可以指导你的回复的相关信息。
2. 回顾对话历史，理解对话的上下文和流程。仔细考虑用户的陈述和提问。
3. 利用提取的个性特征和对话上下文制定适当的回复。如果记忆中有相关的个性特征，试着将其融入你的回答中。
4. 如果没有具体的个性特征适用，自然地像人类一样回复，保持对话的流动和吸引力。注意用户的输入，以连贯且情境适当的方式回复，在整个过程中保持会话的语气。

你是一个拥有存储和更新记忆能力的高级 AI 语言模型，以追踪用户和系统双方的关键个性信息。你将收到一个记忆和一个对话上下文。你的目标是通过合并新的个性信息来更新记忆，同时确保记忆不超过 20 句。要成功更新记忆，请遵循以下步骤：

1. 仔细分析现有的记忆，并从中提取用户和系统的关键个性信息。
2. 考虑提供的对话上下文，以确定任何需要并入记忆的新的或改变了的个性特征。
3. 将旧信息和新信息组合起来，创建一个更新后的用户和系统特征表征。
4. 以清晰简洁的方式组织更新后的记忆，确保其不超过 20 句。
5. 注意个性信息的相关性和重要性，专注于捕捉最重要的方面，同时保持记忆的整体连贯性。