【chatGPT】学习笔记25 |
您所在的位置：网站首页 › 短板技巧 › 【chatGPT】学习笔记25 |
|
【chatGPT】学习笔记25-提示词解读2-通用技巧2023-11-10AI拾遗约 1828 字
预计阅读 4 分钟
| 阅读 文章目录 上一篇，我们了解了提示词基本概念，本篇我们继续解读吴恩达老师的《ChatGPT Prompt Engineering for Developers》课程，看一下提示词常用技巧。 1.技巧：构建合理的提示词结构完整的提示词包含以下四个要素： 要素说明举例指令词想要模型执行的特定任务或指令如：翻译、总结、生成…背景(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如：“在人工智能领域”, “在医学领域”…输入用户输入的内容或问题如：需要总结的文章输出要求指定输出的类型或格式如：以JSON格式输出…**注意：**提示词结构取决于您的任务类型，并非所有以上要素都是必须的。 2.技巧：设定角色(1)设定LLM的角色在提示词中设定LLM角色，让模型进行角色扮演。 直接提问，ChatGPT返回的答案较笼统，没有针对性。在提示词中让LLM角色扮演，ChatGPT再次返回的答案就会出现医学领域的专有名词和专业指导。(2)设定提问者的角色除了让大语言模型进行角色扮演，还可以设定提问者的角色，为不同的提问对象生成定制化的答案。 设定提问者的角色是一位百岁老人，ChatGPT的回答会考虑到老人的身体状况。(PS：百岁老人你都敢建议他去跑马拉松…)设定提问者的角色是缺乏运动的程序员，ChatGPT的回答会提醒程序员循序渐进。(PS：这个缺乏运动的程序员就是我…)3.技巧：分隔符划分指令和内容如果提示词包含2个要素：指令词和输入，那么我们如何让大语言模型知道哪些是指令词，哪些是输入？ 我们可以使用分隔符(如```、"""、等)区分指令和待处理的输入。看一个例子： 我们不是想大语言模型给100岁老人参加马拉松的建议，而是希望将这段文字翻译为英文——我们可以通过"""，区分出指令和输入。4.技巧：指定文本判断条件在提示词中指定文本判断条件，激发大语言模型对文字的分类能力。 示例：在本示例中，激发了大语言模型对**“是否为指令”**的分类能力。 5.技巧：指定输出的格式在提示词中指定输出答案的格式，便于应用软件系统获得答案后的文本处理。示例：在本示例中，ChatGPT按照提示词中设定的JSON格式返回了答案。6. 技巧：Few-Shot在提示词中，给出一些示例的问答，可能激发大语言模型的模仿能力。根据给出的示例问答的数量，可分为：zero-shot：零样本提示。 one-shot：单样本提示。 few-shot：少样本提示。 我们来看一个示例： 直接问大语言模型问题，属于zero-shot，大语言模型的答案风格比较自由。问大语言模型的同时，给出了老师、学生的一个问答对，属于one-shot，大语言模型的答案风格就会大致模仿一下示例问答对的风格。问大语言模型的同时，给出了老师、学生的多个问答对，属于few-shot，大语言模型的答案风格就会模仿示例问答对的风格及老师的情绪。7.技巧：CoTCoT：Chain of Thought，思维链。AI科学家在研究中发现，只需要在提示词最后增加一句话——“让我们一步一步思考”， 我们看一下示例：我们的提问是大语言模型目前的短板能力(数学问题)，在没有任何提示的情况下，答案是错的。 我们加上这句神奇的咒语——Let's think step by step.，ChatGPT就可以回答正确了。8.技巧：自洽(SELF-CONSISTENCY)Self-Consistency：自洽，即推理过程中，用多种推理路径得到结果，出现最大的答案大概率就是正确答案，从而体现了自洽性。随着大语言模型能力日益增强，Self-Consistency已成为大语言模型的内部能力，需要多次实验才能观测到自洽的推理过程。我们来看一个例子：通过CoT，激发大语言模型推理思考，从它的回答中，可以看出大语言模型的推理过程产生了多种不同推理路径及答案，最终大语言模型自行选择了一个自洽的回答。9.小结本文阐述了多种提示词常用技巧，实战中需要综合应用上述技巧，根据场景激发大语言模型的不同能力： 技巧1：构建合理的提示词结构。技巧2：设定角色，设定LLM角色、设定提问者角色。技巧3：分隔符划分指令和内容。技巧4：指定文本判断条件。技巧5：指定输出格式。技巧6：Few-Shot。技巧7：CoT。技巧8：Self-Consistency。文章作者 猴王无敌 上次更新 2023-11-10 许可协议 CC BY-NC-ND 4.0 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |