趋近智
趋近智
编写提示是我们向大型语言模型表达意图的方式，但这并非总是一帆风顺。你可能写出看似非常清晰的指令，却只收到意想不到、错误或无用的回复。知晓可能遇到的常见障碍，有助于你更有效地使用提示。下面我们来看一些常见问题。
"大型语言模型对清晰、明确的指令响应最佳。如果你的提示过于模糊或容易被误解，模型可能会猜测你的意图，其猜测可能是错误的。它缺少人类用来弥补空白的上下文和常识性推理。"
考虑以下提示：
告诉我关于狗的信息。
这范围很广。大型语言模型可能会回复：
如果你特别想要关于常见品种的信息，更有效的提示会是：
列出美国5种受欢迎的狗品种，并提供每种的简要描述（1-2句话）。
这个修改后的提示明确指定了所需内容（流行品种）、数量（5种）、地区（美国）和格式（1-2句话的简要描述）。请记住“提供清晰指令”部分中的原则：你越具体，大型语言模型就越有可能生成你真正想要的输出。
你可能观察到的一种特殊行为是，大型语言模型生成的文本听起来合理且自信，但实际上是错误的或完全捏造的。这常被称为“幻觉”。发生这种情况是因为大型语言模型本质上是预测机器。它们根据从大量训练数据中学习到的模式生成文本，目标是统计上的可能性，而非事实准确性。如果生成一个编造的“事实”比表达不确定性或检索正确信息更符合模式，模型就可能这样做。
例如，你可能会问：
是谁发明了毛绒订书机？
大型语言模型可能会自信地回复：
毛绒订书机是由埃莉诺·皮弗尔博士于1983年发明的。
如果皮弗尔博士和毛绒订书机不存在，这就是幻觉。模型构建了一个基于它所见的类似句子结构、看起来像事实答案的回复。
如何应对：
有时，大型语言模型的输出会感觉平淡、通用或重复，特别是对于创意任务或提示简单时。模型可能会回归到训练数据中最常见的模式，导致缺乏新意的文本。
提示：
写一首关于猫的诗。
回复（可能）：
一只蓬松的猫，如此光滑整洁， 带着无声的爪子和轻柔的脚。 它整天在阳光下打盹， 梦想着它尚未捕获的老鼠。
虽然技术上正确，但相当通用。为了得到更有趣的回复，你可以尝试：
写一首关于一只笨拙的猫试图捕捉激光笔的短篇幽默诗，以苏斯博士的风格创作。你是一个脾气暴躁的老海盗。写一首关于你那烦人但深爱的船上猫的海上号子。以一只猫的视角写一首诗，这只猫偷偷地认为自己是房子的主人，观察着它的人类臣民。大型语言模型可以处理多部分指令，但其能力有局限。如果一个提示包含过多步骤、限制或条件逻辑，模型可能会遗漏部分、感到困惑或执行错误。
考虑一个复杂提示：
将提供的文章精确概括为5个要点。然后，判定主要情绪（积极、消极或中性）。最后，提取所有提及的公司名称并按字母顺序排列，忽略仅在参考文献部分提及的公司。
大型语言模型可能会提供一个好的概括，但未能正确提取公司名称或错误判断情绪。
策略：
你可能会发现，略微不同的提问方式会产生显著不同的结果。确切的词语、标点符号和句子结构会影响模型的理解和后续输出。
示例：
简单说明光合作用。向一个五岁孩子描述光合作用如何运作。提示B很可能生成一个使用类比的简单得多的解释，而提示A可能会生成一个技术上准确但更复杂的描述。这种敏感性意味着，为了达到预期效果，通常需要尝试不同的措辞。如果你没有得到想要的结果，尝试重新措辞你的请求。
大型语言模型从人类生成的大量文本数据中学习。不幸的是，这些数据包含各种社会偏见（与性别、种族、年龄等相关）。因此，大型语言模型有时会在其回复中反映甚至放大这些偏见，即使提示无意引出它们。
例如，一个要求某个职业典型特征的提示，如果这些刻板印象在训练数据中普遍存在，可能会生成刻板印象的描述。
需要了解：
遇到这些挑战是学习使用大型语言模型的正常组成部分。不要气馁！将每一次意想不到的输出都视为学习的机会。通过识别这些常见问题，尝试你的提示，并迭代你的指令，你将能更好地引导大型语言模型生成有用且准确的回复。
这部分内容有帮助吗？
© 2026 ApX Machine Learning用心打造