练习：应用高级技巧

动手练习提供了运用少量样本提示、角色提示、结构化输出请求和思维链的机会。这些技术能更有效地引导大型语言模型（LLM）的行为。

对于这些练习，您需要访问一个LLM，可以是通过网页界面（如在线演示平台），也可以是通过API以编程方式访问。这里的重点是构建提示本身；具体的API调用细节对于本次练习不那么重要，但在第1章已有所讲解，并将在第4章中进一步说明。

练习1：使用少量样本提示改进分类

零样本提示依赖于LLM的通用知识。虽然功能强大，但对于某些特定分类任务，它有时可能存在歧义。少量样本提示在提示中提供示例以阐明您的意图。

任务： 将客户反馈分类为“积极”、“消极”或“中立”。

1. 零样本尝试：

考虑这个简单的提示：

分类以下客户反馈的情绪：

反馈: "The user interface is quite confusing."
情感:

LLM可能会正确输出Negative。然而，对于更模糊的反馈，它可能会遇到困难。

2. 少量样本提示构建：

现在，让我们提供示例（样本）来引导模型：

将客户反馈的情绪分类为积极、消极或中立。

反馈: "I love the new features, they work great!"
情感: Positive

反馈: "The documentation is okay, but could be clearer."
情感: Neutral

反馈: "The app crashes every time I try to save."
情感: Negative

反馈: "The user interface is quite confusing."
情感:

轮到您了：

• 将这个少量样本提示发送给LLM。观察输出。它是否一致地是Negative？
• 尝试使用相同的少量样本提示分类一段新的反馈，例如："Response times are acceptable."
• 尝试改变示例或样本数量（$k$）。这如何影响对“它有效。”这类模糊反馈的分类？

少量样本学习通过提供所需输入-输出模式的具体示例，显著提升了特定、定制任务的可靠性。

练习2：结合角色提示和结构化输出

有时您需要LLM扮演特定角色，并以结构化的方式（如JSON）格式化其输出，以便更方便地进行程序化使用。

任务： 生成一个历史事件的简短、事实性总结，扮演历史学家，并将其输出为JSON对象。

1. 基本提示（潜在问题）：

Summarize the moon landing.

这可能会生成一个不错的总结，但格式不可预测（纯文本、段落、项目符号列表），并且语气可能不同。

2. 角色与结构提示：

让我们指示LLM它应该扮演谁以及如何响应。

扮演一个中立的历史学家。提供阿波罗11号登月的简明总结。
将输出格式化为JSON对象，包含以下键："event_name", "date", "key_figures", "brief_summary"。

示例输出格式：
{
  "event_name": "...",
  "date": "...",
  "key_figures": ["...", "..."],
  "brief_summary": "..."
}

请提供阿波罗11号登月的总结：

轮到您了：

• 将这个详细的提示发送给LLM。
• LLM是否采用了历史学家角色（中立、事实性的语气）？
• 它是否生成了与所请求结构匹配的有效JSON？
• 尝试使用相同的提示结构请求其他事件的总结。格式如何？

这种组合对于将LLM输出集成到期望可预测数据结构的应用程序中非常有用。

练习3：使用思维链（CoT）鼓励推理

对于需要多步推理的问题，仅仅要求答案可能导致LLM猜测或进行逻辑跳跃。思维链提示鼓励模型展示其思考过程，通常能提升准确性。

任务： 解决一个简单的多步应用题。

问题： 一家杂货店最初有50个苹果。他们上午卖出15个苹果，下午又收到30个苹果。一天结束时他们有多少个苹果？

1. 直接提示：

A grocery store starts with 50 apples. They sell 15 apples in the morning and receive a shipment of 30 more apples in the afternoon. How many apples do they have at the end of the day?

对于这类简单问题，许多LLM都能正确解答。然而，对于更复杂的逻辑，它们可能会出错。

2. 思维链提示：

让我们明确要求LLM逐步进行推理。

A grocery store starts with 50 apples. They sell 15 apples in the morning and receive a shipment of 30 more apples in the afternoon. How many apples do they have at the end of the day?

让我们一步一步思考：
1. 从苹果的初始数量开始。
2. 计算卖出的苹果数量。
3. 计算收到的苹果数量。
4. 计算最终数量。

此外，您可以使用少量样本方法来演示CoT：

问: 罗杰有5个网球。他又买了2罐网球。每罐有3个网球。他现在有多少个网球？
答: 让我们一步一步思考。罗杰最初有5个球。他买了2罐，每罐有3个球，所以他买了2 * 3 = 6个球。总共，他现在有5 + 6 = 11个球。答案是11。

问: 一家杂货店最初有50个苹果。他们上午卖出15个苹果，下午又收到30个苹果。一天结束时他们有多少个苹果？
答: 让我们一步一步思考。

轮到您了：

• 将直接提示和CoT提示（任一版本）发送给您的LLM。
• 比较输出。CoT提示是否生成了清晰的推理路径？
• 两种情况下的最终答案都正确吗？（对于这个简单问题，很可能正确）。
• 尝试一个稍微复杂一点的问题。在直接提示可能失败的情况下，CoT是否有助于保持准确性？示例：“一列火车在2小时内行驶了120公里。然后它以50公里/小时的速度又行驶了150公里。整个行程总共花费了多少时间？”

CoT对于算术、常识和符号推理任务特别有效。

实验与下一步

这些练习体现了高级提示技巧的实际运用。尽管进一步尝试：

• 结合技巧：将角色提示与少量样本示例和CoT指令一起使用。
• 完善指令：让您的指令更清晰或更具体。
• 调整参数：除了这些提示结构，调整温度或其他生成参数（如第1章所述）。

掌握这些策略为您提供了强大的工具包，用于引导LLM行为，从而构建更复杂、更可靠的应用程序。下一章将考察设计、测试和完善提示的系统化过程。