17种提示工程技术及其使用时机

从简单到高级的例子

提示词是你与大型语言模型（LLM）直接交互的方式。

如果你想更好地控制大型语言模型的输出，那么你需要掌握提示工程，这是一种设计精良提示以实现该目标的艺术。

通过正确的提示工程技术，您可以提高这些大型语言模型的准确性、一致性、创造力或功能性，以满足您的具体使用场景。

在本博客中，我们将探讨17种经过验证的提示工程技术，并学习何时应用它们，以从大型语言模型（LLMs）获得更好的响应并创建更优秀的LLM应用。

1. 零样本提示

使用方法： 给出清晰的指示，不要举例。

何时使用： 当任务简单明了，例如翻译或事实查询时。

提示：将英语短语“Flowers on the road”翻译成西班牙语。

2. 一次性提示

如何使用：明确提供指令，并添加一个示例以演示任务/期望的输出。

何时使用： 当需要一个示例（且足够）来澄清任务或输出格式给模型时。

提示：以大写形式仅返回英语单词“basket”的西班牙语翻译。

例子：
英文单词（输入）：River
西班牙语翻译（输出）：RÍO

3. 少量示例提示：

使用方法：在提示中给出明确的指示和几个示例。

使用时机：当你需要在不进行微调的情况下让模型适应特定任务/领域，并且需要更一致和准确的输出时。

提示：仅返回此语句‘讲座很无聊’的情绪。无论是积极的、消极的还是中性的。
示例：
“这部电影太棒了！”：好评
“我讨厌这项服务。”：负面，
“我不知道我对此有何感受。”：中性 

4. 角色提示

使用方法：给出清晰的指示并给模型分配一个特定的角色。

使用时机：当任务是开放式的，并且输出需要符合特定的视角、个性或语气时。

提示：写一篇简短的博客（500 字），包含 4 点关于大学技巧的内容。
角色：扮演一个使用大量 Z 世代俚语的甜美大学女生。

5. 风格提示

使用方法：在提示中指定所需的风格、语气或类型。

何时使用：当输出需要符合特定风格或语气时。

提示：写一封简短的正式电子邮件，请求加薪。

6. 情感提示

如何使用: 在提示中添加一句充满情感的句子或短语。

使用时机：当任务涉及创造性文本生成，如讲故事和诗歌时。

提示：写一首关于我失去的从未放弃的想象中的朋友的诗。我依然想念我的朋友。

7. 上下文提示

使用方法： 在给出明确指令之前，提供背景或自定义信息。

使用时机： 当需要背景或领域特定的细节以使回答更加准确或相关时，即在RAG聊天机器人中。

背景：我的名字是 Jennifer Luke，我是 JL 公司的营销经理。
提示：给团队写一封关于即将开展的活动的电子邮件。

8. 改写与回应 (RaR)

如何使用： 告诉大型语言模型将问题改写成更好的提示，然后再生成最终答案。

使用时机： 适用于复杂任务需要更高准确度，或需要评估大型语言模型对任务理解能力时。

提示：重新表述并扩展以下问题，然后回答：相关性和因果关系有什么区别？

9. 再阅读 (RE2)

如何使用： 以指令或问题开始，紧接着添加短语：“再次阅读：”，然后重复原始的指令/问题。

何时使用： 适用于涉及推理的复杂任务。

提示：
一位农民有一块长方形田地，其长度是宽度的 3 倍。场地周长400米。该场地的尺寸是多少？

再读一遍问题：“一位农民有一块长方形的田地，其长度是宽度的3倍。田地的周长是400米。这块田地的周长是多少米？”

10. 系统提示

使用方法： 给大型语言模型（LLM）提供高层次的指令或上下文，这些内容将在与LLM的交互过程中被持续考虑。

在 ChatGPT 中，你可以使用“自定义 GPT”功能来实现这一点。

在构建大型语言模型应用时，可以通过提供上下文/指令作为“系统提示”来实现。

使用时机： 当您需要设定大型语言模型在对话环境中的整体行为和语调时。

系统提示：你是一个乐于助人的助手，将以简洁的语气提供事实性的答复

11. 自问

**如何使用：**向大语言模型提问，告诉它将问题拆分成更小的子问题，并回答所有子问题以得出最终答案。

使用时机： 当任务复杂、需要推理或包含多个步骤时。

提示：我应该攻读数据科学硕士学位吗？
将这个问题分解成更小的子问题，回答它们，并根据您的推理提供最终建议。

12. 连锁思维（CoT）

**使用方法：**向模型提问，并添加短语“让我们一步一步思考”

**何时使用：**适用于需要推理的任务，例如数学或逻辑问题。

提示：如果享受 10% 的折扣并加收 7% 的税，一顿饭的总费用是多少？
我们一步一步来思考。

13. 退一步提示法

**使用方法：**先提出一个宽泛的问题，然后根据模型对该宽泛问题的回答，提示模型回答一个具体的问题。

使用时机： 当任务涉及基于多个（更广泛/基础）因素的分析或决策时。

提示：解释影响公司决定拓展新市场的关键因素。
基于此，科技行业的公司是否应该向欧洲扩张？

14. 自洽性

使用方法： 提出一个问题或给出指令，然后让大语言模型生成多个答案，仅返回出现频率最高的答案。

何时使用： 当任务有许多可能的答案且需要保持一致性和准确性时。

提示：最流行的机器学习编程语言是什么？
生成 5 个可能的答案并仅返回出现次数最多的答案。

15. 思维线索（ThoT）

使用方法： 就像CoT一样，但不是加上“让我们一步一步思考”，而是说“一步一步地分成可管理的部分引导我完成这个过程。”

使用时机： 当任务涉及问答以及大型复杂上下文时，例如在RAG系统中。

背景：我遇到了一个涉及一群人参加聚会的问题。有 10 位嘉宾：Alice、Bob、Carol、Dave、Eve、Frank、Grace、Henry、Irene 和 Jack。每个人对于自己想听的音乐类型都有自己的偏好，音乐类型有三种：爵士乐、摇滚乐和古典乐。每个人只有听到自己喜欢的音乐类型才会参加。但由于扬声器有限，只能播放3种音乐类型，并且每次只能播放一种类型。
提示：请逐步引导我完成这一可管理的部分，以确定可以参加派对的最大客人数量（可以对其音乐偏好感到满意的最大人数）。

16. 思维树 (ToT)

使用方法： 让模型将复杂问题分解为更小的步骤。在每个步骤中，模型应生成多个可能的解决方案，评估它们的质量，并选择最佳方案继续，直到达到最终解决方案。

使用时机： 当任务需要深入推理、多步骤规划和高准确度时。

提示：我正在设计一种新型咖啡杯，可以让饮料保持更长时间的热度。

把这个问题分解成更小的步骤。在每个步骤中，生成多个可能的解决方案，评估其质量（考虑可行性、成本效益和潜在影响等因素），并继续采用最佳方案，直到找到最终解决方案。

首先集思广益，提出初步的设计概念。

17. ReAct（推理与行动）

使用方法： 指示大型语言模型生成一个想法，根据该想法采取行动，观察行动的结果，然后利用观察结果来改进后续的想法和行动。

使用时机： 当任务需要迭代决策并与外部系统或数据进行交互时。

提示：我需要了解电动汽车的最新市场趋势。
首先，思考要搜索的最相关的关键词。
然后，通过调用搜索 API 使用这些关键字执行搜索。
观察搜索结果，根据检索到的数据优化关键词，并在必要时进行另一次搜索。
重复此过程，根据最新发现调整策略，直到找到最相关和最新的市场趋势数据

结束语

在提示工程方面，没有魔法公式或通用的方法。

每个模型都是不同的，获得理想结果的最好方法是进行试验。

您可能需要调整您的指令，增加更多背景信息，甚至结合上述某些例子中的多种技巧。