微软：9个提示词技巧，让AI大模型高质量回答你的问题！

来源：learn.microsoft.com

编译：活水智能

提示工程（Prompt engineering）可以提升大模型输出质量。

然而，这也具有一定挑战性，因为它需要理解模型的能力和局限性，以及所涉及的领域和任务。

以下是微软官网给出的9个撰写提示词的建议。

更多内容可在文末点击阅读原文查看。

**
**

1. 提供明确的指示

确保提示词具体说明你希望模型生成的内容，包括预期的格式、长度和语气。

例如，如果你希望模型生成新闻文章的摘要，可以指定句子的数量、需要涵盖的主要观点以及写作风格。

2. 使用关键词、符号或标签

这有助于大模型更清晰地识别有意义的信息，并消除歧义。

你可以在单个提示词中使用多种策略，例如用“Summary:”和“<

end

>”等短语标明完成的开始和结束。

你还可以指示大模型查找特定格式提供的上下文，这有助于将更复杂的提示词模板化。

例如：“总结用三重引号分隔的文本。使用少于25个单词。’’‘<待总结文本>'''”。

3. 提供上下文

提供一些关于应用、领域和用户意图的背景信息。这些上下文有助于模型生成更相关和连贯的输出。

例如，如果你希望模型生成代码，可以包括一些导入语句以使模型专注于相关的库和模块。

你还可以提供一些注释或描述来解释代码的目的和逻辑。对于对话任务，可以提供一些关于用户、话题和对话目标的背景信息。

4. 从零样本学习开始，然后进行少样本学习

当你没有或只有有限的数据用于任务时，零样本（zero-shot）学习可能很有用，或者当你想测试模型的创造力和多样性时，零样本学习也很有用。

少样本（few- shot）学习在你有一些任务数据，或者当你想引导模型的行为，输出示范的文本时很有用。你可以根据需要尝试不同数量的示例，并根据输入或反馈动态选择这些示例。

例如，如果你希望模型生成产品评论，可以从零样本学习开始，看看模型生成什么内容。然后提供一些正面或负面的评论示例来引导模型的情感和风格。

5. 尝试重新排列你的提示词

提示词中元素的顺序会影响模型的注意力和影响力。提示词底部的少样本示例或其他信息，比顶部的更能影响完成结果。

你可以尝试不同的提示词排列方式，看看模型如何响应以及哪种方式最适合你的任务。

例如，如果你希望模型生成新闻文章的标题，可以尝试将文章放在提示词的顶部或底部，看看模型如何捕捉文章的主要思想和语气。

6. 调整历史消息长度

在多轮对话应用中，如聊天机器人，提示中包含的历史对话消息长度可以为模型提供足够的上下文，以生成自然和一致的响应。

然而，你也需要监控模型的行为，发现以下问题时，清除或限制历史消息条数。

• 偏离对话的话题或目标
• 自我重复
• 自相矛盾

你可以通过以下方法识别：

• 根据对话的复杂性和连贯性调整历史长度
• 查看是否和主题相关
• 情感分析
• 检测重复性

7. 优化少样本例子

你提供给模型的少样本（few-shot）示例，会显著影响模型的性能和泛化能力。你可以在你的数据上训练或微调语义相似性模型，以选择更相关的少样本示例。

语义相似性模型可以根据文本的意义和内容，而不是表面形式或句法，衡量两个文本之间的相似性。

你可以使用语义相似性模型对数据进行排序和过滤，并选择与输入或任务最相似的示例。

例如，如果你希望模型生成食谱，可以使用语义相似性模型选择一些具有类似成分、菜系或步骤的食谱示例。

8. 指导模型如何推理

你可以通过思维链（CoT）和自问自答等技术提高大模型的一些推理能力。

例如，思维链（CoT）使大模型能够将多步骤问题分解为中间步骤，从而解决标准提示方法无法解决的复杂推理问题。

9. 帮助大模型处理模糊上下文

通过指导其重新表述问题，使其更容易清晰回答。

论文 Rephrase and Respond 提供了起始提示和有用指导，说明这种技术如何让大模型重新构建人类提出的问题，使其更容易推理，并向用户提供重新表述查询的方法建议。

这种技术可以与其他推理方法如思维链结合使用，以提高推理性能并提供更具对话性和用户友好的聊天体验。

如果本文对你有帮助，请点赞、在看，分享给更多朋友🤗

推荐阅读