收集整理了prompt engineering的10种实用技巧，以图解的方式解释了它们的主要原理。

本文追求以极简风格逼近这些方法的第一性原理，把黑话翻译成人话，并使用图片范例进行说明。

同时也加入了一些自己的理解，如有出入欢迎指正。

可以按照 prompt = 角色 + 任务 + 要求 + 提示  的结构设计清晰明了的提示词。

简单地说，这个结构就是要告诉chatgpt： 你是谁？你要做什么？要做成什么样？要如何做？

简单地说，就是让ChatGPT扮演一个提示词生成专家，帮助你完成/完善/改进 你的prompt。

没有范例：zero shot；给1个范例 one shot；几个范例：few shot;

如果有许许多多的范例，可以尝试finetune模型权重。

在few shot prompt的范例中给出思维链，让模型学习不仅输出结果还要给出思考过程。可以显著提升LLM的表现。

把temprature 调成大于0，如0.4. 然后让模型多回答几次，对回答结果进行投票，可以显著改善 COT。

不提供范例，只在prompt的结尾加入"Let's think step by step (让我们一步步思考)“ 能够取得接近 COT的效果。

也可以试试: Let's work this out in a step by step way to be sure we have the right answer.  让我们逐步解决这个问题，以确保我们得到正确的答案。

根据测试这个 咒语效果更好。

在prompt范例中引导LLM将一个复杂的问题拆分为简单的子问题，逐个回答，然后汇总成为答案。

和COT思维链效果有些类似，但同时要求LLM提出子问题并给出答案，对生成内容的约束更大，有时候效果更好。

按照 think(思考)->act(行动)->observation(观察)->think→act→observation...的模式来解决问题。

ReACT是以强化学习这种范式实现的，需要定义一个可以交互的环境env。

智能体agent就是LLM。act就是和环境交互(如查询互联网，调用工具，执行代码等)。

AutoGPT也是这种强化学习范式prompt的产物，AutoGPT设计的主要prompt模式如下：

Thoughts(当前的思考)->Reasoning(推理过程->Plan(后续计划)->Criticism(自我批判审视)->Next action(下一步行动)

按照 任务->尝试->评估->如果失败则反思(Reflection)失败原因->再次尝试→...的模式来解决问题。

加了Reflection步骤可以明显提升成功率。作者认为反思步骤可以帮助LLM建立长期记忆或者经验。

Reflection也是以强化学习范式实现的，需要定义一个可以交互的环境env，和ReACT出自同一批作者。

将本地文档做成知识库，根据Query问题按照文本emedding向量相似度查询到最相关的知识内容，按照模版拼接到Prompt中。

核心技术是Embedding算法，以及向量数据库查询。

公众号算法美食屋后台回复关键词：chatgpt，获取本文notebook源码以及吃货更多chatgpt相关prompt技巧分享~