基本提示技巧

此处介绍为常见任务组织提示词 (prompt)的一些基本方法。了解提示词的构成要素以及像 $temperature$ 这样的参数 (parameter)如何影响生成效果，是有效提示工程 (prompt engineering)的基础。这些简单方法是与大型语言模型（LLM）进行更复杂交互的起始。通常，只需清楚地说明希望模型完成什么，就能取得不错的成果。

直接指示（零样本任务执行）

最简明的方式是直接向大型语言模型发出指令。这依赖于模型预训练 (pre-training)后所具备的能力，即无需在提示词 (prompt)中提供具体示例，就能理解并执行各种任务指令。这种方式通常被称为“零样本”提示，因为您没有提供如何完成该任务的任何示例。

示例：文本摘要

提供您想生成摘要的文本，并明确要求生成摘要。

提示词:

将以下文本总结为两句话:

大型语言模型（LLM）是经过大量文本数据训练的先进人工智能系统。它们能够理解并生成类似人类的文本，用于各种应用，包括翻译、内容创作和问答。它们处理上下文和生成连贯回复的能力使其成为强大的工具，但它们也有局限性，例如可能继承自训练数据的偏见以及偶尔生成不准确信息（幻觉）。细致的提示词工程对于有效引导其行为是必需的。

摘要:

潜在LLM输出:

大型语言模型是经过大量文本数据训练的人工智能系统，能够生成类似人类的文本，用于翻译和内容创作等任务。有效使用它们需要细致的提示词编写，以管理其能力并解决潜在偏见和不准确性等局限。

示例：简单问答（基于自身知识）

您可以直接提问一般常识问题。大型语言模型会基于其训练数据中的信息给出回答。

提示词:

法国的首都是哪里？

潜在LLM输出:

法国的首都是巴黎。

示例：翻译

指示模型在不同语言之间翻译文本。

提示词:

将以下英文句子翻译成西班牙语:

"The weather is beautiful today."

潜在LLM输出:

"El tiempo está hermoso hoy."

文本生成与续写

您可以提示大型语言模型生成创意文本、续写故事、编写代码，或者仅仅是完成您开始的句子或段落。

示例：创意写作

提示词:

写一首关于城市雨天的短诗。

潜在LLM输出:

灰云低垂，泪洒窗棂，
柏油路面，霓虹映景。
伞花绽放，匆忙步履，
水洼映照，浮光掠影。
城市低语，闷声回响，
雨滴节拍，四处徜徉。

示例：文本补全

提供文本的开头，让模型续写。

提示词:

很久很久以前，在一片古树参天、溪流潺潺的森林里，住着一只名叫芬利的好奇小狐狸。一天早上，芬利发现了一条他从未见过的隐蔽小径。这条小径一直深入森林，通向

潜在LLM输出:

很久很久以前，在一片古树参流潺潺的森林里，住着一只名叫芬利的好奇小狐狸。一天早上，芬利发现了一条他从未见过的隐蔽小径。这条小径一直深入森林，通向一束闪烁的光芒，那光芒在一棵巨大的橡树盘根错节的根系间柔和地跳动着。芬利感到好奇，小心翼翼地踏上小径，爪子在长满苔藓的地面上悄无声息。

信息提取

您可以指示模型从给定文本中提取具体信息。

示例：提取细节

提示词:

从以下句子中提取提及的人名和公司名:

"演示结束后，来自Innovate Solutions的Sarah Lee留下来回答问题。"

人名:
公司:

潜在LLM输出:

人名: Sarah Lee
公司: Innovate Solutions

简单分类

要求模型基于预定义的标签对一段文本进行分类。

示例：情感分析

提示词:

将以下客户评价的情感归类为积极、消极或中立。

评价: "The product arrived on time, but it was damaged during shipping."

情感:

潜在LLM输出:

情感: 消极

这些基本方法展示了提示词 (prompt)工程的核心理念：通过精心设计的输入来指导大型语言模型的输出。尽管简单，但这些方法对许多任务都非常有效。请记住，您的指令清晰度、提供的上下文 (context)数量以及选择的生成参数 (parameter)（如 $temperature$）都将影响回复的质量和特性。正如您在上一节中看到的，较高的 $temperature$ 可能适合创意写作，而较低的 $temperature$ 通常更适合需要精确性的事实性任务，例如信息提取或摘要生成。

在下一章中，我们将介绍在这些方法上进行扩展的更进阶策略，使您能够处理更复杂的问题，并对大型语言模型的行为获得更精细的控制。