谷歌提示工程_68页_1mb

提示工程总结

核心内容

提示工程是通过设计和优化提示语来引导大型语言模型（LLM）生成高质量、准确和符合要求的输出。它涉及对提示内容、结构、语气、以及模型配置的综合考虑。LLM 的输出不仅受提示内容影响，还受到诸如温度、Top-K 和 Top-P 等配置参数的控制。

主要观点

• 提示工程是一个迭代过程：需要不断调整和优化提示语以达到最佳效果。
• 提示是输入：LLM 通过提示来理解任务，并生成相应输出。
• LLM 是预测引擎：它通过预测下一个最可能的标记来生成文本，因此提示语的设计会影响预测路径。
• 配置参数影响输出质量：温度控制输出的随机性和创造性，Top-K 和 Top-P 限制输出的多样性。

关键信息

提示类型

1. 零镜头提示：不提供示例，直接给出任务说明。适用于简单任务，但效果可能不够准确。
2. 一镜头提示：提供一个示例，帮助模型理解任务结构。
3. 几镜头提示：提供多个示例，增强模型对任务模式的理解。
4. 系统提示：定义模型的总体目标和行为规范，如返回特定格式或语气。
5. 角色提示：指定模型扮演特定角色，如旅游向导或图书编辑，以生成更符合角色特点的输出。
6. 情境提示：提供背景信息，帮助模型理解任务的上下文。
7. 后退提示：引导模型先考虑一般性问题，再解决具体任务，以提高推理能力和准确性。
8. 思维链（CoT）提示：要求模型展示推理步骤，以生成更准确的答案。
9. 自洽性提示：通过生成多个推理路径并选择最一致的答案，提高输出的一致性和正确性。
10. 思想之树（ToT）提示：允许模型探索多种推理路径，适合复杂任务。
11. ReAct（推理与行动）提示：结合推理和外部工具（如搜索、代码解释器），提高模型的实用性和准确性。

配置参数

• 温度：控制输出的随机性和创造性。较低温度（如 0.1）生成更确定性、事实性的输出；较高温度（如 0.9）生成更多样化的结果。
• Top-K：从模型的预测分布中选择前 K 个最有可能的标记。Top-K 越高，输出越有创意；越低，输出越保守。
• Top-P：选择累积概率不超过 P 的标记。Top-P 越低，模型越关注高概率的标记；越高，模型考虑更多可能性。

最佳实践

• 使用示例：提供一枪或几枪示例，帮助模型理解任务结构。
• 简洁明了：提示语应清晰、简洁，避免冗余和复杂语言。
• 具体说明产出：明确要求输出格式、内容、风格等，以提高准确性。
• 使用指令而非约束：指导模型生成所需内容，而不是限制其行为。
• 控制最大标记长度：设置合适的输出长度限制，以优化性能和成本。
• 使用变量：使提示语更具动态性和可重用性。
• 尝试不同的输入格式和写作风格：如 JSON、代码格式等，以适应不同任务。
• 记录提示尝试：便于分析和优化提示语。
• 结合自动提示工程：使用 LLM 生成和优化提示语，提高效率。

提示技巧

• 零镜头提示：适用于简单任务，但需结合其他技巧提高效果。
• 一镜头提示：通过提供一个示例，提高模型对任务的理解。
• 几镜头提示：提供多个示例，使模型更准确地遵循任务模式。
• 系统提示：用于设定模型的行为，如返回特定格式。
• 角色提示：帮助模型生成更符合角色特点的输出。
• 情境提示：提供背景信息，增强模型对任务的理解。
• 后退提示：引导模型先思考一般性问题，再解决具体任务。
• 思维链提示：通过逐步推理提高输出的准确性。
• 自洽性提示：结合多个推理路径，选择最一致的答案。
• 思想之树提示：探索多种推理路径，适用于复杂任务。
• ReAct 提示：结合推理和外部工具，提高任务处理能力。

多模式提示

多模式提示利用多种输入格式（如文本、图像、音频、代码）来引导 LLM 生成更丰富的输出。这种提示方式适用于多模态任务，如图像描述、音频分析、代码生成等。

代码提示

• 编写代码的提示：指导模型生成特定编程语言的代码，如 Bash 或 Python。
• 解释代码的提示：要求模型解释已有代码的结构和功能。
• 翻译代码的提示：将代码从一种语言翻译为另一种语言。
• 调试和审查代码的提示：帮助识别和修复代码中的错误。

最佳做法总结

结论

提示工程是一项重要的技能，可以帮助用户更好地利用 LLM 完成各种任务。通过理解提示类型、配置参数和最佳实践，用户可以设计出更有效的提示语，从而提高模型输出的准确性和相关性。无论是在日常任务还是复杂项目中，提示工程都能发挥重要作用。