《你一直以来都用错了 ChatGPT！掌握这 3 大提示技巧，让你秒变 GPT 达人！》
作者：Normanrockon，MultiSig
为什么提示工程如此重要？
提示工程的目标是通过提供清晰、简洁且结构良好的输入来提高语言模型的性能，这些输入需要针对模型所用于的特定任务或应用进行定制。可以将提示工程比喻成与人交流时使用清晰明了的语言，让对方更容易理解你的意图，从而做出更满意的回应。
那么接下来，我们将依次介绍 OpenAI 提供的提示工程最佳实践，FushionAI 的自动生成功能，以及让 GPT 进行自我反思。我们还会提供一个额外的实用小技巧，请多留心！
OpenAI 的官方最佳提示技巧
1. 使用最新的模型
为了获得最佳效果，我们建议使用最新、性能最强大的模型。截至 2022 年 11 月，文本生成方面的最佳选择是「text-davinci-003」模型，代码生成方面的最佳选择是「code-davinci-002」模型。能使用 GPT-4 当然会比 ChatGPT 要更好。
2. 将指令放在提示的开头，并用 ### 或”””将指令与文本分开
效果不佳：
将下面的文本摘要成一个关键要点的项目列表。
{输入文本}
更好的选择：
将下面的文本摘要成一个关键要点的项目列表。
文本：
“”” {输入文本} “””
3. 对所需的上下文、结果、长度、格式、风格等尽可能具体、详细和描述性
效果不佳：
写一首关于 OpenAI 的诗。
更好的选择：
写一首关于 OpenAI 的短篇励志诗，重点描述 DALL-E 产品发布（DALL-E 是一个文本到图像的机器学习模型），风格仿照 {著名诗人}。
4. 通过示例（示例 1，示例 2）明确所需输出格式
效果不佳：
从下面的文本中提取实体。提取以下 4 种实体类型：公司名称、人名、特定主题和主题。
文本：{文本}
更好的选择：
从下面的文本中提取重要实体。首先提取所有公司名称，然后提取所有人名，然后提取与内容相关的特定主题，最后提取总体主题。
期望格式：
公司名称：
人名：-||-
特定主题：-||-
总体主题：-||-
文本：{文本}
5. 从零次学习开始，然后进行少次学习，如果这些方法都不起作用，那么进行微调
零次学习
从下面的文本中提取关键词。
文本：{文本}
关键词：
少次学习 – 提供几个示例
从下面的文本中提取关键词。
文本 1：Stripe 为 Web 开发人员提供了 API，以便他们将支付处理集成到自己的网站和移动应用程序中。
关键词 1：Stripe，支付处理，API，Web 开发人员，网站，移动应用程序
文本 2：OpenAI 已经训练出了处理和生成文本方面非常优秀的语言模型。我们的 API 可以让您使用这些模型，解决几乎任何涉及处理语言的任务。
关键词 2：OpenAI，语言模型，文本处理，API。
文本 3：{文本}
关键词 3：
微调：请参阅参考文献里的微调最佳实践指南。
6. 减少模糊和不精确的描述
效果不佳：
这个产品的描述应该比较简短，只有几句话，不要太多。
更好的选择：
用 3 至 5 句话的段落来描述这个产品。
7. 不仅要说不做什么，更应该说做什么
效果不佳：
以下是代理和客户之间的对话。不要询问用户名或密码。不要重复。
客户：我无法登录我的账户。代理：
更好的选择：
以下是代理和客户之间的对话。代理将尝试诊断问题并提出解决方案，同时避免询问任何与个人身份信息（PII）有关的问题。不要询问用户名或密码，而是引导用户查阅帮助文章 www.samplewebsite.com/help/faq
客户：我无法登录我的账户。代理：
8. 代码生成 – 使用「引导词」引导模型生成特定模式
效果不佳：
编写一个简单的 Python 函数
1. 询问我一个以英里为单位的数字
2. 将英里换算成公里
在下面的代码示例中，添加「import」提示模型应该以 Python 语言开始编写。（类似地，「SELECT」是 SQL 语句开始的好提示。）
更好的选择：
编写一个简单的 Python 函数
1. 询问我一个以英里为单位的数字
2. 将英里换算成公里
import
FusionAI, 自动生成更好的提示
FusionAI 是一个可以自动生成更适合 GPT 提示并生成相应文章的 AI 软件，我会建议新手期时将它当作学习提示工程的教程来使用。
例如，当我给出提示：「I want to have a blog of prompt engineering」FusionAI 会修改此提示为
可以看出来这样生成出来的提示对照了前文提到的第 3 和第 6 条技巧，规定了输入长度，要求变得更精确了，让 AI 聚焦于提示工程的好处和挑战，并且举出相应例子。
让我们用中文输入挑战一下 FusionAI。给出提示：「给我一篇关于提示工程的博客」。FusionAI 修改提示为：
可以看出来这个提示是有严重偏差的，词不达意，无法使用。这其实给我们提了个醒，语言和指令在转译的时候是会有信息损失的，转译的次数越多信息差就越大，直到不可辨别。因此我们要尽量接触和使用一手信息，在 AI 上也适用。
我们不建议使用各种模版或者类似 FusionAI 的工具来生成内容，因为噪音太大。当然，在你还不了解提示工程的时候可以参考它们来学习，这是可以的。
GPT，你得学会自我反思
在 Eric Jang 的一篇最新的博客《Can LLMs Critique and Iterate on Their Own Outputs?》里，他提到 LLM 可以在没有任何基础反馈的情况下自我纠正，并尝试将这样的自我反思作为一种提示工程的技巧。（注意，目前只有 GPT-4 有这个功能）
你可以把这种情况想象成某人向你发送了一条短信，然后迅速「取消发送」，再发送一条新的短信。
让我们举个例子，当我们让 GPT-4 写出一首不押韵的诗：「can you write a poem that does not rhyme? think carefully about the assignment」，GPT-4 给出的回答是：
很明显，节选的小诗是押韵的，这并不符合我们的要求。那么我们给出进一步的指令让 GPT-4 进行自我反思：「did the poem meet the assignment?」，那么 GPT-4 会回答：
可以看出来，这次 GPT-4 生成的小诗确实是不押韵的，在没有给出任何额外反馈的前提下 GPT-4 完成了自我的提示工程。笔者猜想这可能跟 LLM 的无监督学习有关，但为什么 GPT-4 拥有此功能而 GPT-3.5 却没有，就不得而知了。
当然，这样的能力也是有局限的。如果你愿意，你可以要求 GPT-4 随机给出两个五位数并且求出它们的乘积。接下来你会发现，无论你让 GPT-4 怎么反思，它都无法给出正确的答案。GPT-4 只会不断客气地胡说八道而已。对于想深入研究的读者，可以从文末链接阅读 Eric 的博客和一篇最新的预印版论文《Reflection》
One more thing
有心的读者可能已经发现了，作者在使用 LLM 一般都选择英文作为提示语言。这是因为作为预训练模型，其表现的优异程序与预训练时的数据集有关系，一般来说数据越多则被训练得越好。而英语作为全球第一的使用语言，数据量是远超中文的。所以除非你需要输出与中文语境强相关的文章，否则我会建议使用英文来作为提示语言。
总结
在这篇文章里我们介绍了三种提示工程的方法。分别是 OpenAI 推荐的前置提示工程，AI 自动生成，以及以反思为主的后置提示工程。同时，我们也建议非英语母语者尝试使用英语作为与 LLM 交互的语言。
参考文献:
https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api
https://docs.google.com/document/d/1h-GTjNDDKPKU_Rsd0t1lXCAnHltaXTAzQ8K2HRhQf9U/edit#
https://fusion.tiiny.site/home.html
https://evjang.com/2023/03/26/self-reflection.html
https://arxiv.org/pdf/2303.11366.pdf
文章来源于互联网:掌握这3大提示技巧，让你秒变GPT达人！