提示词的构成要素

提示词工程在与大型语言模型交互中具有主要作用。分析常见提示词的结构有助于理解其基本要素。虽然提示词的复杂程度差异很大，但它们通常包含几个不同的要素，共同作用以指导LLM。了解这些构成要素有助于更系统地构建提示词，并在模型行为不如预期时进行问题排查。

不要将提示词仅仅看作一个问题，而应将其视为你希望LLM执行任务的小型规范。主要构成要素通常包含：

1. 指令： 指定LLM应执行的任务。
2. 上下文： 提供LLM应考虑的背景资料或限制。
3. 输入数据： LLM需要处理的特定信息。
4. 输出指示： 定义回复所需的格式或结构。

值得注意的是，并非每个提示词都需要所有这些构成要素。简单的提示词可能只包含指令和输入数据。然而，对于更复杂的任务，明确定义每个相关的构成要素可以提高清晰度并更好地控制LLM的输出。

指令

指令是提示词中的“动作动词”。它告诉LLM你希望它做什么。清晰、直接的指令通常比模糊的更有效。

• 示例（简单）： “总结以下文本：”
• 示例（更具体）： “将以下英文句子翻译成法文：”
• 示例（任务导向）： “编写Python代码以读取CSV文件并打印前5行。”

指令为LLM的生成过程设定了主要目标。

上下文

上下文提供LLM在执行指令时应使用的背景、限制或补充信息。这可以包含：

• LLM可能不自带的信息（例如，特定项目的细节、不在其训练数据中的近期事件）。

• 对输出的限制（例如，“假设你是一名乐于助人的助教”，“总结应不超过两句话”）。

• 相关领域知识。

• 示例：

  背景信息：用户正在询问我们上周发布的新产品“量子小部件”。它具有自对准机制，并有三种颜色：红色、蓝色和绿色。
  
  指令：起草一封简短友好的电子邮件回复，回答用户关于颜色选项的问题。
  
  输入数据：用户问题：“量子小部件有黑色吗？”
  

  在这里，上下文提供了LLM需要用来形成准确回复的产品细节。

输入数据

这是你希望LLM基于指令和上下文进行处理或转换的特定信息。它可以是文本、代码、问题或任何与任务相关的数据。

• 示例（总结）： 输入数据将是你希望总结的长篇文章。
• 示例（翻译）： 输入数据是源语言中的句子。
• 示例（代码生成）： 输入数据可能是对所需功能或逻辑的描述。

在提示词结构中清晰地分离输入数据通常有助于模型专注于正确的信息。

输出指示

输出指示表明输出应如何格式化或结构化。这有助于确保LLM的回复可以直接用于你的应用程序。它可以是简单的提示，也可以是明确的格式描述。

• 示例（简单提示）： 以“总结：”或“法文翻译：”结束提示词，可以促使模型以适当的方式开始回复。
• 示例（格式规范）： “以JSON格式提供答案，键为'original_sentence'和'translated_sentence'。”
• 示例（代码结构）： “将结果输出为Python字符串列表。”

在将LLM回复以编程方式集成到其他系统时，指定输出格式变得尤为重要。像请求JSON或Markdown这样的技术将在第2章中更详细地介绍。

构成要素的组合

这些构成要素共同作用以形成一个完整的提示词。它们的顺序和措辞可以显著影响结果。请看这个针对分类任务组合所有要素的例子：

指令：根据以下客户评论的情绪进行分类。
上下文：情绪类别为：积极、消极、中立。仅回复类别名称。
输入数据：评论：“设置很容易，但电池续航时间相当短。”
输出指示：情绪：

这个结构化提示词清晰地定义了任务（分类情绪），提供了必要的上下文（类别），确定了要处理的数据（评论），并指示了所需输出的开始。

常见的提示词结构将指令、上下文、输入数据和输出指示组合起来，以指导LLM。

尝试如何措辞和组合这些构成要素是提示词工程的核心。在您完成本章的动手练习并学习更高级的技术时，请留意调整每个构成要素如何影响LLM的回复。