提示词工程（Prompt Engineering）

副标题：通过优化提示词来提升回答质量

大模型

名词解释

直接提问，也称为零样本提示（Zero-Shot Prompting）
少样本提示（Few-Shot Prompting）
思维链（Chain-of-Thought Prompting, CoT）
零样本思维链（Zero-shot CoT）
少样本思维链（Few-shot Cot）

课时内容
什么是提示词
提示词工作流
提示词的构成
提示词使用技巧
提示词框架
推理模型vs基础模型

什么是提示词工程

让大语言模型实现各种符合用户预期的任务的过程。

目的

提供明确的用户需求，大语言模型的输出质量更好，更符合用户预期

提示词工程关键步骤

理解任务需求
构建有效提示词
评估提示词效果
持续迭代改进

提示词技巧

1.直接提问-不提供案例

适用于目标明确问题简单 答案确定且唯一等场景
遵循的原则

• 简洁：尽量用最简短的方式表达问题
• 具体 避免抽象，不含糊
• 详细上下文：如果问题涉及特定上下文或背景信息，要提供足够的详情以帮助模型理解。
• 避免歧义：如果一个词有多重含义要么明确其含义要么重新表述以消除歧义
• 逻辑清晰：问题应逻辑连贯，避免自相矛盾

当需要较深入的背景知识或分析时，可能无法准确了解用户的真正意图。我们可以尝试在提示词中增加示例样本、分配角色、提示写作风格/输出格式或构建思维链和思维树拆解复杂任务等方式解决。

2.增加示例-少样本提示Few-shot Prompting

3.分配角色

不同角色回答方式内容不同。分配角色适用以下场景：
● 需要专业知识或特定视角的问题解答。例如，模拟老师、医生、律师等回答相关领域的问题。
● 模拟特定人物或角色的语言风格。例如，模仿某个著名人物（如历史人物或文学角色）语言风格的文本时。
● 进行角色扮演游戏或创作。在创意写作或角色扮演游戏中扮演指定的角色，与使用者进行互动。
● 在特定行业内进行决策模拟。例如，模拟一个管理咨询师来分析商业案例或提供商业建议。

4.限定输出风格 格式

5.拆解复杂任务

思维链（Chain-of-Thought Prompting, CoT）提示

让大模型分步思考问题。
要求模型解释其得出答案的步骤

提示词框架

提示词的构成
1. 指令 必须 instruction 做什么
2. 背景信息 可有可无 context
3.参考样本 可有可无 zero / few shot
4.- 输入数据 必须
5. 输出指示 可有可无

那么提示词框架有以下集中类型

• 纯指令型
• 背景+指令
• 指令/背景+输出指示
• 综合型提示

常见框架以及场景

CRISPE

Capabilities
Roles
Insignts
Statement
Personality
Experiment

ROSES

Role
Objective
Setting
Expected Solution
Steps

trace

task
request
action
context
examples

如何有效使用推理模型

• 直接提问
• 避免思维链 ，推理模型本身会深度思考 ，与基础模型的区别
• 根据模型响应调整提示词
  
  • 有明确输入信息和输出要求时，可增加示例
  • 增加分隔符区分信息模块