深度学习AI指南:优化提示工程的指南
目录
引言
在本视频中,使用者将会给出一些关于如何写出有效指引的指导方针,以帮助您获得所需的结果。具体地,本视频将会涵盖如何有效地进行请求工程和使用Jupyter Notebook实例进行操作。我鼓励您在观看视频时随时暂停,亲自运行代码并查看输出结果,并尝试改变具体的请求以便对交互和结果更有了解。现在,我将为您概述一些关键原则和战术,在本课程的整个过程中都将运用他们。
原则一:清晰、具体的指令
要明确表达所需的模型任务,请提供尽可能清晰、具体的指令。这将引导模型产生期望的输出结果,并减少获取无关或错误回答的几率。不要将撰写清晰的提示与撰写简短的提示混淆,因为在许多情况下,较长的提示实际上可以为模型提供更多的清晰和背景信息,从而导致更详细和相关的输出。
截断分隔符
使用分隔符明确指示输入的不同部分,以清晰地标识出文本的特定部分,并与其他提示内容分隔开来。这些分隔符可以是任何明确将特定文本部分与提示其他部分分隔开的标点符号,如三个反引号、引号、XML标签、节标题等。分隔符有助于避免提示注入,即用户在提示中添加一些输入,可能会给模型提供与所需操作相冲突的指令。
结构化输出
为了使使用模型输出更方便,请要求提供结构化输出,例如HTML或JSON。这样的格式更容易通过编程读取到字典或列表中,并使结果更易于管理和处理。
条件检查
如果任务中存在可能不满足的假设,请告知模型首先检查这些假设,并在不满足时指示模型中止任务。在考虑如何处理可能的边界案例时,避免意外的错误或结果,为模型说明应如何处理这些情况。
少样本提示
在要求模型执行实际任务之前,先向模型提供成功执行所需任务的示例,用以让模型了解如何一致地添加输出。这样的样本示例可以减少与模型执行特定任务相关的问题。
原则二:给模型充足的思考时间
如果模型在短时间内或限定的字数内无法完成任务,可能会导致错误的结论。为了避免这种情况,可以通过重新构思查询来要求模型在提供最终答案之前进行一系列相关推理。在这种情况下,让模型在问题之前先进行一段算数,以便提供更准确的答案。
指明任务步骤
明确指定完成任务所需的步骤。通过提供清晰的指引,告诉模型如何执行任务的每个步骤。
模型自行解答
有时,在让模型进行最终的答案之前,明确要求模型自行解答问题,可以获得更准确的结果。这在很多情况下都是有效的,因为这可以让模型有更充足的时间思考和计算,就像人类在解决复杂的问题时也需要时间思考和计算一样。
模型限制
需要注意的是,尽管语言模型在训练过程中接触到大量的知识,但它并没有完全记住所见到的所有信息,因此并不能非常准确地知道其知识的界限。这意味着,它可能尝试回答关于冷门主题的问题,并捏造听起来合理但实际上不正确的答案。这种情况被称为"幻觉"。因此,在构建应用程序时,务必使用本文提到的一些技巧来避免这种情况的发生。
总结
在本视频中,我向您介绍了一些提示和技巧,以帮助您在使用大型语言模型时获得更好的结果。遵循这些原则和战术,您可以撰写清晰、明确的指令,让模型有充足的思考时间,并避免幻觉等问题。在您的应用程序中应用这些技巧时,请记住模型的局限性,并避免可能的紧急情况。继续下一个视频,我们将讨论迭代的提示开发过程。
资源链接