提示的基础

提示一个大型语言模型

使用简单提示可以实现很多功能，但结果的质量取决于您提供的信息量以及提示的精心设计程度。提示可以包含您传递给模型的指令或问题等信息，并包括其他细节，如上下文、输入或示例。您可以使用这些元素更有效地指导模型，以提高结果的质量。

让我们从一个简单提示的基本示例开始：

提示

天空是

输出:

蓝色。

如果您正在使用 OpenAI Playground 或任何其他 LLM Playground，您可以像以下截图中所示提示模型：

需要注意的是，当使用 OpenAI 聊天模型，如 gpt-3.5-turbo 或 gpt-4 时，您可以使用三种不同的角色来构建提示：system、user 和 assistant。系统消息不是必需的，但有助于设置助手的整体行为。上面的示例仅包含用户消息，您可以直接使用它来提示模型。为简单起见，除非明确提到，所有示例都将仅使用 user 消息来提示 gpt-3.5-turbo 模型。上面示例中的 assistant 消息对应模型的响应。您还可以定义一个助手消息，以传递您想要的行为示例。您可以在这里了解更多关于使用聊天模型的信息 here。

从上面的提示示例中，您可以看到语言模型根据上下文 "天空是" 响应一系列有意义的标记。输出可能出乎意料，或者与您想要完成的任务相去甚远。事实上，这个基本示例突显了提供更多上下文或指示的必要性，以明确指导系统实现特定目标。这就是提示工程的意义所在。

让我们尝试稍作改进：

提示:

完成句子：

天空是

输出:

白天是蓝色的，夜晚是黑色的。

这样好些了吗？通过上面的提示，您指示模型完成句子，因此结果看起来更好，因为它完全按照您告诉它要做的事情（"完成句子"）进行。这种设计有效提示以指导模型执行所需任务的方法，在本指南中被称为提示工程。

上面的示例是今天大型语言模型所能实现的基本示例。当今的大型语言模型能够执行各种高级任务，从文本摘要到数学推理再到代码生成。

提示格式化

您已经尝试了一个非常简单的提示。标准提示的格式如下：

<问题>?

或

<指令>

您可以将其格式化为问答（QA）格式，这在许多 QA 数据集中很常见，如下所示：

Q: <问题>?
A: 

像上面这样提示时，也被称为零-shot提示，即，您直接提示模型进行响应，而没有关于您希望它完成的任务的任何示例或演示。一些大型语言模型有能力执行零-shot提示，但这取决于手头任务的复杂性和知识，以及模型在哪些任务上训练得很好。

一个具体的提示示例如下：

提示

Q: 什么是提示工程？

对于一些较新的模型，您可以跳过 "Q:" 部分，因为模型会根据序列的构成方式理解为一个问答任务。换句话说，提示可以简化如下：

提示

什么是提示工程？

根据上述标准格式，一种流行且有效的提示技术被称为少-shot提示，其中您提供示例（即演示）。您可以将少-shot提示格式化如下：

<问题>?
<答案>

<问题>?
<答案>

<问题>?
<答案>

<问题>?

问答格式版本如下：

Q: <问题>?
A: <答案>

Q: <问题>?
A: <答案>

Q: <问题>?
A: <答案>

Q: <问题>?
A:

请记住，不一定要使用问答格式。提示格式取决于手头的任务。例如，您可以执行一个简单的分类任务，并提供演示示例，如下所示：

提示:

这太棒了！ // 积极
这太糟糕了！ // 消极
哇，那部电影太棒了！ // 积极
多么可怕的节目！ //

输出:

负面

少样本提示使得模型能够进行上下文学习，即语言模型在仅有少量示范的情况下学习任务的能力。我们将在接下来的章节中更详细地讨论零样本提示和少样本提示。