明确给出指示

将大型语言模型（LLM）想象成知识非常渊博且非常直白的助手。它们完全根据您提供的信息进行处理。与您的同事可能会根据模糊的表达猜测您的潜在意图不同，LLM完全依赖于您给出的提示。因此，提供清晰、明确的指示对于获得有用和准确的回答非常重要。模糊的指示通常会导致模糊、泛泛或完全偏离目标的结果。

我们来看看如何让您的指示更精准。

明确任务

避免提出宽泛的请求。不要让LLM“写一篇关于技术的内容”，而是要准确说明您希望它做什么以及您感兴趣的主题。

• 模糊： 告诉我关于Python的事。
• 更清晰： 解释Python编程语言的主要用途。
• 更清晰具体： 列出与JavaScript相比，使用Python进行网页开发的三个优点。

更清晰的指示将LLM引向特定类型的信息（优点），在特定方面（网页开发）中，甚至提供了一个比较点（JavaScript）。这种明确性大大增加了获得相关回答的机会。

使用明确的动作动词

以明确您希望LLM执行的动作的动词开始您的提示。这减少了理解上的歧义。

考虑使用以下动词：

• 概括： “概括以下文章…”
• 翻译： “将此句子翻译成法语…”
• 解释： “解释机器学习的原理…”
• 列出： “列出我们太阳系中的行星…”
• 比较： “比较…的成本和效益…”
• 生成： “生成用于…的Python代码…”
• 分类： “将以下客户反馈分为正面、负面或中性…”
• 改写： “以更正式的语气改写此段落…”

使用精准的动作动词有助于模型理解您期望的输出类型。

定义期望的输出格式

如果您需要特定结构的回复，请在提示中明确说明。LLM很擅长遵循格式指示。

• 不太清晰： 远程工作的优点和缺点是什么？
• 更清晰： 将远程工作的优点和缺点列为两个单独的项目符号列表，一个标题为“优点”，另一个标题为“缺点”。

您可以要求：

• 项目符号列表
• 编号列表
• 段落
• 表格（尽管复杂的表格可能比较有挑战性）
• 代码块
• 特定句式结构

明确说明格式有助于LLM按照您需要的方式组织信息。

提供必要的背景信息

有时，LLM需要背景信息才能准确地完成您的请求。不要假设模型知道您所想的背景。

• 缺少背景信息： 解释这个bug。（如果您没有提供代码或错误消息）
• 提供背景信息： 解释以下Python代码片段中TypeError的可能原因：[your code snippet here]。

提供相关的代码、前文或背景情况有助于LLM理解您查询的具体内容。

拆解复杂任务

如果您有一个多步骤或复杂的请求，通常最好将其拆解成更小、更简单的提示。一次性要求过多可能会使模型混淆或导致不完整的回答。

• 复杂提示： 解释光合作用，讨论它对地球生命的重要性，列出化学方程式，并建议一个孩子可以做的简单实验来观察它。
• 更简单的提示（按顺序）：
  1. “用简单的话解释光合作用的过程。”
  2. “为什么光合作用对地球生命很重要？”
  3. “光合作用的化学方程式是什么？”
  4. “建议一个适合10岁孩子演示光合作用原理的简单实验。”

尽管现代LLM比旧模型能更好地处理复杂指示，但拆解任务仍然是一种可靠的策略，尤其对于初学者。

通过侧重于明确性、使用清晰的动作动词、定义输出格式、提供背景信息以及拆解复杂性，您可以大大提高与LLM有效沟通的能力。请记住，目标是尽可能减少歧义，直接引导模型获取您需要的信息或输出。这为更高级的技术（例如提供示例）做好了准备，我们将在接下来介绍这些技术。