摘要

本文围绕 Prompt 写作展开，介绍了 Prompt 的定义、运行过程，阐述了好 Prompt 的主观与客观标准，重点解析了精准打造 Prompt 的四大基本要素，还提及了 8 个指标优化 Prompt 以及其他注意事项，如语言和文化敏感性、数据隐私和安全性等。

一、Prompt 的基础概念

• Prompt 是大规模语言模型中的一种结构化输入序列。
• 例如在给模型输入“写一篇关于气候变化的文章，包括其原因、影响和解决方案。”这就是一个 Prompt。

二、Prompt 的运行过程

• 接收输入：用户或系统向语言模型提供包含任务指令等内容的 Prompt。
• 文本处理与编码：模型对 Prompt 进行预处理，包括分词和编码，将文本转化为词汇 ID 传递到 Embedding 层。
• 模型计算：编码后的文本输入到基于 Transformer 架构的神经网络，其中自注意力机制层计算词汇关系，前馈神经网络层进行非线性变换，还会添加位置编码。
• 生成输出：模型从概率分布中采样下一个词汇，迭代生成后续词汇，这个过程称为解码，可以使用多种采样方法。
• 格式调整与后处理：对生成的输出文本进行格式调整和后处理，如删除冗余内容、调整空格等。

三、好 Prompt 的标准

• 主观标准：好的 PROMPT 像与朋友聊天，清晰、相关、简单直白，要让 AI 能顺畅朗读。
• 客观标准：体现在下文提到的精准打造 Prompt 的要素等方面。

四、精准打造 Prompt 的四大基本要素

• 明确的目标和任务
  • 设计 Prompt 要明确预期结果和要求，如明确是生成文本、回答问题还是其他任务。
  • 避免模糊，使用具体词语和句子，如描述气候变化影响的例子，明确的表述能提高 Prompt 效果。
• 上下文和背景信息
  • 包含角色和身份、任务具体目标、相关历史和现状、特定要求和条件、读者或受众等方面。
  • 例如城市规划师设计公共交通系统的例子，提供这些信息可让模型生成更符合实际需求的内容。
• 详细的衡量标准或考评维度
  • 明确提供与目标任务相关的衡量标准，标准要全面、有对应的衡量标准且定义清晰明确。
  • 通过学生综合评估和生成面试总结的正反例，体现出具备这些要点的重要性。
• 明确的输入和输出格式
  • 输入格式指模型接收数据的结构和形式，输出格式指模型生成结果的结构和形式。
  • 例如 JSON 格式输出的例子，明确了输出的结构形式。

五、8 个指标优化 Prompt

• 样本和示例
  • 样本是输入输出配对，有 One - shot 和 Few - shot 示例，能增强模型理解、提高性能、适应多样场景。
  • 不同任务（如文本分类、情感分析等）中，样本与衡量标准有关系，通过具体任务的例子展示了样本的作用。
• 简洁和直接
  • Prompt 应避免不必要信息和复杂措辞，如总结《 1984 》核心观点的例子，简洁直接的指令更易执行。
• 避免歧义
  • 要避免多义词、模糊短语、指代不清等问题，通过具体优化描述的例子展示如何避免歧义。
• 分步骤和层次化的指导
  • 分步骤是将复杂任务分解，层次化是分级和组织信息，如撰写人工智能伦理问题研究报告的例子，两者结合能确保任务执行和理解。
• 考虑多种可能性和边界条件
  • 设计 Prompt 时要考虑各种输入情况和极端条件，如查询天气情况的例子，设置了不同情况的输出。
  • 还包括纠错机制，在不同场景（如电子邮件自动回复等）中有重要作用。
• 语言和文化敏感性
  • 要具备多语言支持、文化适应性、使用中性语言，同时要遵循伦理规范，通过具体 Prompt 例子展示了需要改进的地方。
• 数据隐私和安全性
  • 数据隐私要避免敏感信息，进行脱敏处理，遵循隐私条例和数据最小化原则，通过分析客户反馈的正反例进行说明。
• 约束
  • 包括内容、格式、风格、长度、技术、时间、目标受众、语境等约束类型，通过不同任务的例子展示了约束的作用。

六、结语

• Prompt 在大规模语言模型中很重要，掌握 Prompt 写作技巧可解锁 AI 潜力、减少 AI“幻觉”问题。
• 回顾了 Prompt 写作中可能遇到的问题以及对应的解决方法。