随着对AI的深度使用和更多产品的体验，近期对大模型的使用心得又有了一些沉淀。下文介绍的技巧，均适用所有大模型应用（如ChatGPT、Claude、Gemini、Kimi、腾讯元宝、智谱、豆包、文心、通义、讯飞星火、海螺AI、百小应、跃问、万知等），特别是文本生成类AI。这个技巧，一定有很多人已经在用，但鲜有人知道为什么以及怎么用好。“大模型”之所以有个“大”字，就是因为它预训练的参数大（最新模型动辄万亿参数）。在大参数预训练下，出现了基于 “scaling law”（规模效应） 的智能涌现，你也可以理解为“大力出奇迹”。参数量的增加，使得大模型变得智能，有着丰富的“能力包”。让大模型扮演一个角色（role），就是在提示它 “回忆” 起自己的能力，对这个领域的模型能力进行调用，不至于跑偏或迷路。通过“角色扮演”的提示，我们不再需要对每一项能力进行详细描述，对任务进行细节分解，而是只需要简单的设定好角色，就可以调用出大模型对应的能力。那我们该如何设定角色，才是“能力包”的正确打开方式呢？现在你是一位优秀的（你想要的身份），拥有（你想要的教育水平），并且具备（你想要的工作年份及工作经历），你的工作内容是（与问题相关的工作内容），同时你具备以下能力（你需要的能力）：通常，角色的定义与任务的关联性很大，我们对角色了解越深入（懂行、懂业务），就越能够设定出符合预期的角色。工作流（workflow），是我们在与大模型对话中比较重要的输入（input）技巧。越是复杂任务，越需要拆分，也越考验我们的能力。工作流，也就是对任务的分解。如果需要大模型完成的任务比较复杂，我们需要先人工对任务进行拆分，并尽量详细地描述任务的各个部分。其中，可能会有部分任务是AI无法完成的，需要我们人工完成，来提供给AI（人机协同）。在实践中，这经常出现。毕竟目前的模型还没那么智能，AGI还未到来。比如，有用户找到我，希望帮她写一个自动抓取、总结并排版文章的提示词。按照她对工作任务的描述，我先给她制作了一个工作流程图。
然后给她介绍了使用流程，最后才是交付提示词，以及实际演示情况。
对工作流的拆分，我们可以把它当作成一次任务维度的对齐。当我们用文字描述这些任务时，隐含了大量的背景知识和预期。比如，我们想让大模型整理一份《黑神话：悟空》的游戏攻略，它需要进行游戏了解、信息收集、攻略制作、玩家常见问题整理等步骤的思考，这些都属于游戏攻略的范畴。提示词：请帮我制作一份《黑神话：悟空》的游戏攻略，以下是一些基本步骤和思考方式：1.研究和收集信息：查找关于《黑神话：悟空》的游戏信息，包括游戏机制（战斗系统、角色成长、探索要素等核心玩法）、全剧情流程（主线任务和支线任务）、boss战策略、技能与物品、隐藏线索与彩蛋等。2.整理攻略。根据你收集的信息，整理一份游戏攻略。这份攻略要充分考虑玩家是新手小白，确保你的攻略是实际和可行的。3.玩家常见问题整理：收集并整理玩家在游戏过程中可能遇到的常见问题，如操作疑惑、游戏bug、配置要求等。如果你对任务的背景知识不太了解，不会做任务拆分，也不懂如何描述任务拆分。这个问题，完全可以交给大模型，让它来帮你。（你要做的任务），需要哪些步骤，该如何思考？
大模型的推理，本质上是基于用户输入的信息进行推理。我们提供的信息越充分，大模型就能越会推理。因此，要想让大模型的效果更好，我们需要尽量提供更多的输入（input）信息，也就是最近很火的RAG技术（检索增强生成）。这与人类的大脑类似，我们并不会把所有知识都放在大脑中，而是通过检索的方式动态获取知识，然后再通过自身的智能进行推理、决策和行动。所以，人类可以后天学习，能够根据不同场景学习不同知识，拥有动态获取知识的能力。对于现阶段的大模型，我们可以通过这几种方式来做RAG，来提升知识的拓展性和时效性，以及在专业领域的应用。比如通过AI bot平台（扣子/腾讯元器），创建属于自己的Agent知识库，让模型基于知识库进行生成。让模型访问指定网站（site:域名），检索信息生成。主流大模型应用均支持十万甚至百万、千万上下文，支持各种格式。向模型提供一定的上下文，可以有效提升生成质量。提供的上下文资料需要注意，文件名、文件内容里的文件名以及与模型对话里的文件名，尽量要保持一致，不冲突。大模型擅长回答通用领域的问题，但是对于专业领域就显得没那么擅长。对于专业领域的知识调用，我们可以通过使用插件来完成，调用专业领域的知识。
前面提到，我们要对工作流进行拆分，一步一步分解任务。对于模型从input到output的过程来说，也是如此。我们可以在中间加一个思维链（Chain of Thought）的推理过程（reasoning chain ）。即：input--> Cot --> output关于Cot，常见提示词为“Let's think step by step”， 即让模型一步步思考，来提升模型的生成质量。
比如，如果我想让大模型帮我写一篇文章，于是就有了两种做法：2）输入信息-输出大纲-完善大纲-输出标题和正文-调整内容-输出文章在《Prompt Engineering Guide》一文中，做了一个简单的Cot测试，效果是如此有效。
相信你一定看过很多的提示词模板或提示词攻略，都建议你放点示例。这个出发点是好的，但是他们没有提到示例的质量。当用户提供示例后，特别是更多示例（Few-shot）后，大模型会主要参照示例来进行回答，从而在某种程度上降低了模型本身的思考能力。现实中，大部分人很难在短时间内完整、准确地表达一个意思。所以你临时编出来的示例（常存在语言不通或无逻辑等问题），完全没有必要放上去。如果一定要放示例，那这个示例尽量是“少而精”的。通过提供更具参考性的示例，来减少示例带来的负面影响。
- 自检要求（在正式输出前，请对整个回答再通读一遍，检查是否有错别字、标点误用或者语病等）
- 其他重要性强调（Improtant/Attention）
通过添加这些限制性要求，来提升AI生成结果的准确率。建议大家在编写提示词时，所有限制性要求都放在Prompt的最后，这样能够让大模型更“听话”。其背后原理是：大模型的本质是在做文本补全，生成内容的输出会更倾向于距离更近的语境，如果利用 LIME（一种解释机器学习模型预测的算法） 这样的模型解释算法分析，距离更近的文本间权重往往更大，这在Transofrmer中的Attention权重上可以清晰的看到。你好，我是一个对人工智能技术非常感兴趣的新媒体编辑，但是没有相关的技术背景。我想请你帮我深入理解一篇最新发表的大模型研究论文，以便更好地把握该领域的技术发展。请从以下7个方面对论文进行详细解读：1、论文的研究目标是什么？想要解决什么实际问题？这个问题对于人工智能行业发展有什么重要意义？2、论文提出了哪些新的思路、方法或模型？跟现有的模型相比有什么特点和优势？请尽可能参考论文中的细节进行分析。3、论文通过什么实验来验证所提出模型的有效性？实验是如何设计的？实验数据和结果如何？请引用关键数据加以说明。4、论文的研究成果将给人工智能行业带来什么影响？有哪些潜在的应用场景和商业机会？作为媒体人我应该关注哪些方面？5、未来在该研究方向上还有哪些值得进一步探索的问题和挑战？这可能催生出什么新的技术和商业机会？6、从critical thinking的视角看，这篇论文还存在哪些不足及缺失？又有哪些需要进一步验证和存疑的？7、作为非技术背景的读者，我应该从这篇论文中学到什么，有哪些启发？你认为我还需要补充了解哪些背景知识？请用1000-1500字左右的篇幅，对论文进行深入解读。在讲述过程中，请多引用论文中的细节内容、关键数据和实验结果，帮助我清楚地理解论文的创新性贡献。同时也请从技术和商业的角度，分析其给人工智能领域和产业界带来的影响。如果论文中有一些技术概念我可能不太了解，也请给出通俗的解释。1、用三级标题对应以上7个问题，清晰划分不同部分。2、使用Markdown格式，适当加入列表、加粗等排版元素。3、引用原文时请使用blockquote的引用格式。如果你不确定大模型是否真正理解了你的问题，我们可以通过提问来确认。比如，“我这样描述清楚了吗？”或者“你能明白我的意思吗？”反馈和确认，可以帮助我们检验大模型是否真正理解了自己的意图，从而减少误解，提高沟通效率。有效沟通：“我这样描述清楚了吗？如果有任何不明白的地方，请告诉我，我可以提供更多的细节。”让大模型评估自己的输出（output）质量，反思哪些地方还可以优化，然后重新输出，得到更优的回答。用户：我司计划上线一款人形机器人产品，想结合《黑神话：悟空》游戏进行宣传，帮我想一句广告词。初版：执掌神话，智领未来——[公司名称]人形机器人，与悟空共舞科技巅峰。优化版：悟空智勇，触手可及——[公司名称]人形机器人，以情感智能，引领科技新纪元。探索无限，立即启程！
在我们与大模型交互步骤比较多、提示词比较长的情况下，大模型的回答有可能是错误的。这时，一个比较好的选择是，在工作流里加入让大模型自检的环节，让大模型自己确认下回答是否正确，是否满足了我们的要求。类似的方法还有，让大模型对自己的回答进行评分，直到回答达到大模型自己满意的分数为止。
根据个人需要，可以指定模型输出（output）的字数、文风、格式、场景和用途等，以及提取特定的细节，格式化输出为HTML/MD/代码等。它通过【什么方法】，解决了【什么具体的问题】，类似【通俗易懂的比喻】。
粤ICP备17114055号
支持私有云部署
