提示工程：如何与大型语言模型高效沟通【OpenAI官网翻译】

⏰ 发表时间：2024-03-27

写在前面

•

如何和大语言模型交互，提示词是绕不开的主题，下面的内容是从 OpenAI 官网翻译过来的内容，原文地址为 https://platform.openai.com/docs/guides/prompt-engineering

下面表格中的内容原文是可以在 playground 中运行的，如图：

这份指南旨在帮助你更好地使用大型语言模型（LLM，例如 GPT-4），并获得更理想的结果。以下列出的策略和技巧可以单独使用，也可以组合使用以增强效果。我们鼓励你积极尝试，找到最适合自己的方法。​

你还可以参考一些提示示例，了解我们模型的强大能力：

•

提示示例探索提示示例，学习如何充分利用 GPT 模型。

六大策略助你获得更优结果

1. 清晰明确的指令

请记住，模型无法直接读取你的想法。如果输出结果太长，请要求简短回复；如果输出结果过于简单，请要求专家级别的写作；如果你不喜欢当前的格式，请提供你想要的格式示例。模型需要猜测的东西越少，就越有可能生成你期望的结果。​

策略：

•
在你的查询中提供更多细节，以便模型给出更相关的答案。​

•
要求模型扮演特定角色，例如“以专家口吻”或“像朋友一样”。​

•
使用分隔符清晰区分输入的不同部分，例如使用三重引号、XML 标签或章节标题。​

•
明确完成任务所需的步骤，将复杂任务分解成更小的步骤。​

•
提供示例，让模型学习你期望的输出风格或格式。​

•
指定期望的输出长度，例如字数、句子数、段落数或要点数量。​

2. 提供参考文本

语言模型有时会编造答案，尤其是在面对冷门话题或需要引用和链接时。就像学生考试时可以参考笔记一样，为模型提供参考文本可以帮助其生成更准确可靠的答案。​

策略：

•
指导模型使用参考文本回答问题，将参考文本作为回答问题的依据。​

•
指导模型使用参考文本中的引用来回答问题，并标注引用来源。​

3. 将复杂任务分解为更简单的子任务

正如软件工程中将复杂系统分解成多个模块一样，将提交给语言模型的任务分解成更小的子任务也是一种良好的实践。复杂任务通常比简单任务更容易出错，而且可以将复杂任务重新定义为一系列简单任务的工作流程，其中每个任务的输出作为下一个任务的输入。​

策略：

•
使用意图分类识别用户查询中最相关的指令，根据用户意图选择最相关的指令集。​

•
对于需要很长对话的应用，总结或过滤之前的对话内容，避免超出模型的上下文窗口大小限制。​

提示工程： 如何与大型语言模型高效沟通【OpenAI官网翻译】​