• 客户服务：功能强大的人工智能聊天机器人可提供即时支持并回答客户询问。

  
  

• 教育：提供个性化学习体验和人工智能辅导。

  
  

• 医疗保健：分析医疗问题、加速药物研发和定制个性化治疗方案。

  
  

• 营销和内容创作：创作有吸引力的营销文案、网站内容和视频脚本。

  
  

• 软件开发：协助开发人员进行代码生成、调试。

• 效果最优化：减少迭代的次数并得到最满意的大模型输出。

  
  

• 成本最小化：尤其对于大规模的AI应用，像GPT-4这样的优质大模型的使用成本已经很高，提示词工程可以最大程度上减少不必要的查询指令以获得想要的答案。

  
  

• 提升用户体验：将大模型集成到聊天机器人或虚拟助手等应用程序中时，提示词工程可以通过提供更连贯和准确的回复来显著增强用户体验。

• 直接提示词：短的直接指令，如“将‘你好’翻译成西班牙语”。
  

  
  

• 上下文提示词：在短的直接指令中加入更多的上下文。例如，“我要写一篇关于人工智能优点的博文，请写一个醒目的标题”。

  
  

• 基于指令的提示词：详细的指令，包括做什么和不做什么的具体细节。例如，“写一个关于一只会说话的猫的小故事，这只猫应该脾气暴躁、爱挖苦人”。

  
  

• 基于例子的提示词：提示者可能会说：“这是一首俳句的范例：寂静的池塘/青蛙跳进池塘/溅起水花！又是一片寂静。现在写出你自己的俳句”。

• 迭代改进：根据人工智能的反应不断改进提示词，让它可以生成更好的结果。比如，可以从“写一首关于日落的诗”开始，根据输出结果将其细化为“写一首关于海滩日落的忧郁诗歌”。

  
  

• 思维链提示：鼓励逐步推理，有助于解决复杂问题。举例说明：不要只做复杂的提示，如“一个农民有14辆拖拉机、8头奶牛和10只鸡。如果他卖掉一半的鸡，再买3头奶牛，那么有多少头牲畜能给他产奶？”这样的复杂提示，加上“请你逐步思考”或“解释你的推理”可能会取得更好的效果，甚至能清楚地指出模型可能犯的中间错误。

  
  

• 角色扮演：在交给人工智能任务之前，先给它分配一个角色或人物。比如“想象你是一名博物馆导游，解释一下小戴维·特尼尔斯的画作《从石窟看风景》”。

  
  

• 多轮提示：这包括将复杂的任务分解成一系列提示。这种技术包括使用一系列提示来引导人工智能找到所需的答案。比如“创建一个详细的提纲”，然后是“使用提纲将每个要点扩展为一个段落”，接着是“第2段缺少.......，请重写，重点是......”，最后完成文章。

1. 清晰的输入指令：例如，“将以下评论分类为正面或负面……”
   

2. 相关性：确保提供的示样例与指令所安排的任务高度相关

3. 多样性：使用涵盖多个可能场景的示例，让模型对任务有广泛的了解

4. 清晰度：确保每个样例都清晰无歧义，以避免使大模型产生混淆

W&B对于这个提示词策略做过评估，发现通过列举范例，大模型输出的准确率可以从19%跃升到90%。测试者准备了100个工单作为测试样本，让大模型将这些工单分类。首先在不给大模型任何范例的情况下给出一个简单的直接指令：

1. 范例依赖性：模型的输出质量很大程度上会取决于范例的质量以及范例与指令的相关度。
   

   
   

2. 规模性：如果数据集很庞大或者任务复杂程度很高，列举各式各样的范例将会变得很累赘。

   
   

3. 算力消耗：范例提示词会增加模型推理所需要的算力消耗，因为模型需要考虑更多的上下文。