提示词工程最佳实践

编写有效的提示词——这一过程被称为提示词工程（prompt engineering）——对于充分释放大语言模型的潜力至关重要。提示词工程的目标是设计出能够引导 LLM 生成期望输出的输入。提示词的质量直接影响模型回答的相关性、准确性和连贯性。本指南提供了一些提示词工程的最佳实践以及示例说明。虽然每种策略的有效性可能因所使用的 LLM 而异，但以下最佳实践考量可帮助你开始设计出有用且准确的提示词。

如果你专门在使用 AIP Assist，请查阅我们的 AIP Assist 最佳实践。

有效的提示词工程是一个动态且迭代的过程，它结合了清晰性、具体性和上下文相关性。通过遵循这些最佳实践并加入示例，用户可以最大化大语言模型的效果。随着 AI 技术的演进，持续了解新策略将进一步提升提示词质量和输出的准确性。

• 保持清晰和具体
• 要清晰： 使用直白易懂的语言来定义任务或问题。
• 示例： 不要问「你对编程了解什么？」，而应具体说明「总结我用于开发 Web 应用的框架选项。」
• 指定上下文： 提供上下文以锚定模型的回答。
• 示例：「作为一名软件工程师，解释抽象的好处。」

• 精炼并迭代
• 测试并调整： 尝试不同的提示词结构，并根据输出质量对其进行精炼。
• 示例： 先以「列出 Web 应用的优点。」开始。如果回答过于宽泛，则精炼为「与原生应用相比，列出 Web 应用在维护方面的优势。」
• 反馈循环： 利用模型反馈持续改进提示词设计。
• 示例： 如果模型误解了某个提示词，调整措辞并重新测试。

• 使用示例
• 演示期望的输出： 提供示例以设定对格式和内容的预期。
• 示例：「将下面这句话翻译成法语：'Hello, how are you?' 示例：'Hello' 译为 'Bonjour'。」
• 突出模式： 使用示例建立一致的回答模式。
• 示例：「对每种水果，列出其颜色和味道。示例：Apple - Red, Sweet。」

• 管理长度和复杂度
• 保持简洁： 提供必要的细节，但不要让模型负担过重。
• 示例： 不要用「你能讲讲机器人的历史、现状和未来吗？」，而应用「简要描述机器人的历史。」
• 避免过载： 将复杂任务拆分为更简单的部分。
• 示例：「首先，列出半导体制造流程的各个步骤。然后，详细解释每一步。」

• 加入约束条件
• 设定边界： 定义清晰的约束来引导回答的范围。
• 示例：「用不超过三句话总结这篇文章。」
• 限制不想要的输出： 使用反例或明确的指令。
• 示例：「生成一份远程办公的利弊清单，但排除个人观点。」

• 提供相关上下文
• 与模型能力相匹配： 使提示词契合模型的强项和局限。
• 示例： 对于在医疗数据上训练的模型，应问「解释糖尿病的症状」，而不是无关的话题。
• 保持相关性： 确保提示词与模型的训练数据相关。
• 示例：「讨论 AI 近期的进展」，与模型的知识库保持一致。

• 优化交互方式
• 角色扮演： 分配角色以引导模型的语气和深度。
• 示例：「作为一名机械工程师，描述在重型制造流程中最重要的传感器。」
• 顺序提示： 使用一系列提示词来获得复杂的回答。
• 示例：「首先，描述半导体制造流程。接下来，列出三类半导体以及它们的制造方式。」

如需进一步了解提示词相关内容，可参考以下来源的相关文档：

• Anthropic: 提示词工程概览 ↗
• Google: 提示词工程白皮书 ↗
• Microsoft: 提示词工程技术 ↗
• OpenAI: 使用 OpenAI API 进行提示词工程的最佳实践 ↗