Prompt
🗒️探索10个AI高级提示技巧,释放AI的无限潜力!
00 分钟
2023-10-15
2023-10-15
date
password
icon
hashtag
标题
勘误
type
status
slug
summary
tags
category
URL
AI summary
AI custom autofill
贴文
类型
Status
标签
🪄
Text
Multi-select
💡
摘要
🔍 提示1:使用友好的界限来获得更有针对性的答案 💡 提示2:调整温度和 Top-K 来平衡创造性和连贯性 🔄 提示3:尝试不同的提示措辞以获得不同风格的答案 🏆 提示4:奖励模型以提高人工智能的性能 🌐 提示5:为人工智能设定正确的领域以提高准确性 🧩 提示6:使用子建模将复杂问题分解为易于管理的部分 🚫 提示7:明确指定排除和限制以集中人工智能的响应 🔄 提示8:逐步完善答案通过后续澄清问题 🔬 提示9:进行基准测试和 A/B 测试以找到最佳策略 🔣 提示10:使用空格和标点符号来帮助人工智能理解查询
这些高级提示技巧将帮助您释放人工智能的无限潜力,提供更准确、创造性和多样化的答案。
 
notion image
 
人与人工智能的交流是一种微妙的舞蹈,只有少数人能够完全解锁。参与大型语言模型 (LLM) 需要以正确的语言细微差别说话。这通常称为即时工程。
这里有 10 种鲜为人知的高级即时工程策略,可以显著增强您与大型语言模型的互动。

1. 约束注入

在提示中设置一些友好的界限,以便从人工智能中获得更有针对性的答案。
好的例子:
  1. “写一个不使用字母‘e’的短篇故事。”
  1. “仅使用简单的词语提供解释。”
  1. “生成一首遵循 ABAB 韵律方案的诗。”
不好的例子:
  1. “写一个短篇故事。”
  1. “给个解释。”
  1. “创作一首诗。”

2. 温度和 Top-K 调整

扭转这些旋钮可以让你的人工智能的反应更加可预测或更具创造性。温度控制随机性,而 Top-K 将模型的选择限制为 K 个最可能的下一个单词。调整这些参数可以平衡创造力和连贯性。这就像调整你的人工智能的个性!
好的例子:
  1. 较低的温度(例如 0.2)可实现集中、确定的响应。
  1. 更高的温度(例如 0.8)可实现创造性、多样化的反应。
  1. Top-k(例如,40)是多样性和一致性之间的最佳点。
不好的例子:
  1. 事实查询的高温。
  1. 适合创意任务的低温。
  1. 不调整top-k,导致输出过于狭窄或随机。

3.提示措辞变化

让提问方式变得有趣,以获得不同风格的答案。尝试不同的提示措辞可以引发更准确或更多样化的反应。提示措辞的微小变化可能会产生很大的不同。反复实验。
好的例子:
  1. “将以下英文文本翻译成法语:”与“你会用法语怎么说:”。
  1. “描述光合作用的过程”与“解释植物如何通过光合作用制造食物”。
  1. “计算圆的面积”与“给定半径的圆的面积是多少?”
不好的例子:
  1. 不改变句子结构、动词和语态。
  1. 始终使用“描述”,而不是使用“解释”、“告诉我”等。
  1. 不要在提示中尝试主动语态和被动语态。
  1. 重复使用“翻译此文本:”等相同的措辞。

4. 奖励模型

奖励模型向人工智能提供反馈,有助于随着时间的推移微调其性能。奖励良好的行为,纠正错误。随着时间的推移,你的人工智能将会学习。
好的例子:
  1. 提供反馈以提高事实查询的准确性。
  1. 奖励简洁明了的答案。
  1. 鼓励生成内容的创造力。
不好的例子:
  1. 对于不正确或含糊的答复没有反馈。
  1. 忽视了强化良好表现的机会。
  1. 不利用奖励信号进行模型微调。

5. 领域启动

为您的 AI 搭建合适的舞台,使其了解上下文并为您提供相关答案。通过指定知识领域来启动 AI 可提高上下文和准确性。通过预先建立正确的域来定位您的查询。
好的例子:
  1. “作为一名金融分析师,解释一下贝塔的概念。”
  1. “在医学背景下,定义什么是收缩压和舒张压。”
  1. “作为一名历史学家,描述一下滑铁卢战役的意义。”
不好的例子:
  1. “解释一下贝塔的概念。”
  1. “定义收缩压和舒张压。”
  1. “描述一下滑铁卢战役的意义。”

6. 子模型

将大而可怕的问题分成更小、易于管理的部分,以获得更好的答案。将复杂的请求分解为更小的步骤有助于避免人工智能不堪重负。不要去打本垒打。使用分而治之的方法来代替。
好的例子:
  1. 将财务分析查询分解为有关市场趋势、风险和公司业绩的子查询。
  1. 将复杂的数学问题分成更小的、可解决的步骤。
  1. 分段解析大文本以进行详细分析。
不好的例子:
  1. 尝试在一个查询中分析复杂的财务场景。
  1. 尝试一步解决复杂的问题。
  1. 使用大文本重载模型进行分析而不进行分段。

7. 显式否定

告诉你的人工智能你不想要的答案是什么,确保它保持在正轨上。明确指定排除和限制会集中人工智能的响应。
好的例子:
  1. “在不使用技术术语的情况下解释该过程。”
  1. “提供一个摘要,但不要透露结局。”
  1. “讨论该理论而不参考其他理论。”
不好的例子:
  1. “解释一下过程。”
  1. “提供一个摘要。”
  1. “讨论一下理论。”

8. 顺序提示

与人工智能反复讨论,逐步完善答案。通过后续澄清问题来完善答复。第一次尝试后不要安定下来。反复请求澄清。
好的例子:
  1. 通过针对不明确的术语提出后续问题来完善翻译。
  1. 逐步请求有关某个主题的更多详细信息。
  1. 要求对看似不正确或不完整的答案进行澄清。
不好的例子:
  1. 接受第一个翻译而不质疑歧义。
  1. 一次请求所有详细信息,会导致大量信息。
  1. 不寻求对不清楚或不正确的答案的澄清。

9. 基准测试和 A/B 测试

测试不同的策略,找到最有效的策略 - 就像为您的提示准备一个试衣间一样!比较方法并微调参数以确定最佳的提示策略。
好的例子:
  1. 寻找最佳翻译策略
A:“将这段英文文本翻译成西班牙语。”
B:“这段文字用西班牙语怎么说?”
运行两者并比较哪一个提供更准确或更适合上下文的翻译。
  1. A/B 测试各种创意写作风格:
A:使用高温(例如 0.8)可以获得更有创意、更自由的故事。
B:使用低温(例如 0.2)来实现重点突出、情节驱动的叙述。
比较结果以确定哪种温度设置最适合您的创意需求。
  1. 查询财务数据
A:“给我上个月的股票走势。”
B:“分析一下近30天的股票走势。”
运行两者并评估哪种措辞会产生更全面且易于理解的财务数据。
不好的例子:
  1. 使用相同的提示策略而不进行比较。
  1. 坚持默认温度设置而不进行测试。
  1. 没有分析领域启动对响应质量的影响。

10. 自定义标记化:

尝试如何分解文本,以帮助您的 AI 更好地理解复杂的查询。策略性的空格和标点符号指导人工智能的解析和理解。注意空格、逗号和句号。代币化很重要。
好的例子:
  1. 在关键术语周围添加空格以确保正确的标记化。科学查询
好:“告诉我 E=mc^2 的事。”
更好:“告诉我 E = mc ^ 2。”
后者确保方程被正确解析,避免误解。
2. 使用特殊字符分隔或强调提示中的元素。编程问题:
好:“如何在 Python 中编写 for 循环?”
更好:“如何在 Python 中编写 “for” 循环?”
在“for”周围使用反引号强调它是一个关键字,引导人工智能提供更针对编程的答案。
3.诗歌分析:
好:“分析一下‘To be or not to be’这句话。”
更好:“分析这句话:‘To be, or not to be’”
后者使用正确的标点符号,确保人工智能理解这是戏剧中的特定台词,可能会促使进行更细致的分析。
不好的例子:
  1. 忽视标记化问题会导致误解。
  1. 不使用特殊字符来指导标记化。
 
忽略标记化对模型理解和输出的影响。
Prompt工程一半是艺术,一半是科学。创造性地应用这些先进技术来释放您的人工智能的全部潜力!
 
 

作者:Liat Ben-Zur
 
⚠️
免责声明
本文提供的信息仅供参考和一般信息目的。我们已尽一切努力确保信息的准确性和完整性,但不做明示或暗示的任何保证或陈述。读者在使用本信息前应仔细评估和判断。如果您对本文内容有任何疑问或发现侵权行为,请与我们联系以解决。
 
📣 感谢您阅读本文!
如果您发现本文对您有所帮助,请与您的朋友和家人分享,以使更多人受益。

评论