很多人将 Prompt 比喻为大模型的咒语，在引导模型生成内容方面影响很大，如何选择 Prompt 成了每个 AI 研究者关注的问题。最近微软官方出了一份教程，该教程介绍了 Prompt 设计和工程中的一些高级玩法，涵盖系统消息、少样本学习、非聊天场景等内容。
上面就是关于系统消息的介绍，不过一个重要的细节是，即使是设计良好的系统消息，模型仍有可能生成与系统消息指令相矛盾的错误回复。
让
语言模型
适应新任务的一种常见方法是使用
小样本学习
。
小样本学习
提供了一组训练样本作为 Prompt 的一部分，以便为模型提供额外的上下文信息。
用户和 Assistant 之间的一系列信息（以新的 Prompt 格式编写）可以作为
小样本学习
的示例。这些示例可用于引导模型以某种方式做出响应、模拟特定行为并为常见问题提供种子答案。
Prompt 的基本结构。
虽然当前大模型的主要应用场景是
对话生成
场景，但也可以用在非对话场景。例如，对于情感分析场景，你可能会使用以下 Prompt：
一般来讲，信息在 Prompt 中出现的顺序很重要。由于 GPT 类模型是以特定方式构建的，该构建过程定义了模型对输入的处理方式。研究表明，在 Prompt 开始时告诉模型你希望它执行的任务，然后再共享其他上下文信息或示例，可以帮助模型产生更高质量的输出。
模型容易受到最新偏差的影响，在这种情况下，末尾 Prompt 信息可能比开头 Prompt 信息对输出的影响更大。因此，在 Prompt 末尾重复指令值得一试。
这种情况是指在 Prompt 末尾包含几个单词或短语以获得符合所需形式的模型响应。例如，使用诸如「Here’s a bulleted list of key points:\n- 」之类的 Prompt 可以帮助确保输出格式为项目符号列表。
为 Prompt 添加语法，例如标点符号、标题等，这样做使输出更容易解析。
下面示例中，不同的信息源或 step 之间添加了分隔符（在本例中为 —）。这种操作允许使用 — 作为生成的停止条件。此外，部分标题或特殊变量以大写形式出现以进行区分。
如果将任务分解为更小的 step，大型
语言模型
(LLM) 通常会表现得更好。
注意，这里使用了语法来区分各个部分并对输出进行初始化。在这个简单的例子中，将任务从一个 step 分解为两个 step 结果并不很明显，但是当试图对包含许多事实声明的大块文本进行此操作时，将任务分解会产生显著的差异。
这是分解任务技术的一种变体。在这种方法中，不是将任务拆分为更小的 step，而是指示模型响应逐步进行并呈现所有涉及的 step。这样做可以减少结果不准确，并使评估模型响应更加容易。
在该方法下，本文建议提供给模型真实数据。一般来讲，原始数据越接近最终答案，模型需要做的工作就越少，这意味着模型出错的机会就越少。在下面示例中，系统消息提供了最新的文章，然后要求模型给出一些早期客户，模型准确的给出了答案。
除此以外，微软在这份指南中还介绍了关于 Prompt 其他技巧，大家可以前去原文查看，获取更多信息。
原文链接：https://learn.microsoft.com/en-us/azure/cognitive-services/openai/concepts/advanced-prompt-engineering?pivots=programming-language-chat-completions#specifying-the-output-structure
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
