链载Ai

标题: 一个让AI智商暴涨300%的Prompt Engineer 万能方法论 [打印本页]

作者: 链载Ai 时间: 9 小时前
标题: 一个让AI智商暴涨300%的Prompt Engineer 万能方法论

人工智能时代，大语言模型（LLM）如 GPT 已经深入到我们工作和生活的方方面面。如何高效地使用这些强大的工具，成为了许多人关注的焦点。今天，这套让AI智商暴涨300%的Prompt Engineer 万能方法论为我们提供了一套系统的方法和思路，帮助我们更好地驾驭大语言模型，发挥其最大的潜力。

一、借助 CO - STAR 框架构建高效提示

（一）上下文（Context）的重要性

提供背景信息

在使用大语言模型时，上下文是至关重要的。通过为任务提供详细的背景信息，能够帮助模型更准确地理解具体场景。例如，当我们想推广公司的新产品时，如果我们在提示中提供公司的相关背景，如 “我想推广公司的新产品。我的公司名为 Alpha，新产品名为 Beta，是一款新型超快速吹风机”，这样大语言模型就能在这个特定的商业场景下进行思考和生成内容。
丰富的上下文可以确保模型的反馈具有相关性。在处理复杂问题时，没有足够的上下文，模型可能会给出过于宽泛或不准确的答案。而有了明确的上下文，就像给模型划定了一个思考的范围，使其能够集中精力在相关的方向上进行作答。

（二）目标（Objective）的明确

清晰界定任务

明确大语言模型需要完成的任务是提高其效率的关键。比如，当我们要求模型 “帮我创建一条 Facebook 帖子，目的是吸引人们点击产品链接进行购买”，这种清晰的目标设定能让模型知道我们期望的最终结果是什么。
当目标明确后，大语言模型可以更专注地调整其回应，以实现这一特定目标。模型就像一个有方向的执行者，能够朝着我们设定的任务目标去生成内容，避免了漫无目的的回复，从而提高了生成内容的实用性和有效性。

（三）风格（Style）的指定

引导写作风格

我们可以指定特定的写作风格，这在商业场景中尤为重要。例如，我们可以指定 “参照 Dyson 等成功公司的宣传风格，它们在推广类似产品时的文案风格”。通过这样的指定，大语言模型可以按照我们期望的风格进行内容生成。
不同的风格适用于不同的受众和场景。通过选择合适的风格，能够使生成的内容更好地契合我们的需求，无论是专业的商业报告风格，还是轻松的社交媒体文案风格，都可以通过对风格的指定来实现。

（四）语气（Tone）的设置

调整情感氛围

合理设置语气能够让大语言模型的回应更加符合我们的预期情感背景。例如，我们可以设定为 “说服性” 语气。在营销场景中，这种语气可以让模型生成的内容更具有感染力，能够更好地打动受众。
语气的设置可以根据具体的场景和受众来调整。如果是面向年轻群体的产品推广，可能需要轻松、活泼的语气；而如果是专业的商务谈判场景，则可能需要正式、严肃的语气。通过对语气的精准设置，可以使大语言模型生成的内容在情感上与目标受众产生共鸣。

（五）受众（Audience）的识别

针对受众定制回应

识别目标受众对于大语言模型的回应质量至关重要。例如，当我们指出 “我们公司在 Facebook 上的主要受众是老年人。请针对这一群体在选择发布产品时的典型关注点来定制帖子”，模型就可以根据老年人的特点和需求来生成内容。
无论是面向业内专家、初学者还是儿童，大语言模型都能根据特定受众在特定上下文中生成合适的内容。了解受众的特点和需求，可以让模型生成的内容更具有针对性和有效性，从而更好地实现我们的沟通目的。

（六）响应（Response）的规范

确定输出格式

规范输出格式是为了便于后续的处理和应用。常见的格式包括列表、JSON 格式的数据、专业报告等。例如，对于大量需要程序化处理大语言模型输出内容的应用来说，JSON 格式是理想的选择。
当我们明确了输出格式后，大语言模型就可以按照我们的要求进行内容生成，这样可以方便我们对生成的内容进行进一步的分析、存储和使用，提高了工作效率和数据处理的便利性。

示例如下:

#CONTEXT(上下文)#

我想推广公司的新产品。我的公司名为 Alpha，新产品名为 Beta，是一款新型超快速吹风机。

#OBIECTIVE(目标)#

帮我创建一条 Facebook 帖子，目的是吸引人们点击产品链接进行购买。

#STYLE(风格)#参照 Dyson 等成功公司的宣传风格，它们在推广类似产品时的文案风格。

#TONE(语调)#

说服性

#AUDIENCE(受众)#

我们公司在 Facebook上的主要受众是老年人。请针对这一群体在选择护发产品时的典型关注点来定制帖子。

#RESPONSE(响应)#

保持 Facebook 帖子简洁而深具影响力

二、使用分隔符进行文本分段

（一）分隔符的作用

帮助模型理解语义单元

分隔符是特殊的符号，它们对于帮助大语言模型（LLM）识别提示中的哪些部分应当被视为一个完整的意义单元非常关键。例如，当我们使用 “###”“===”“>>” 等特殊字符作为分隔符时，这些字符能够帮助模型将文本分割成不同的部分进行理解。
这种分割对于长文本尤其重要。在长文本中，通过使用分隔符，模型可以更清晰地分辨出不同的主题、任务或场景，从而更准确地生成回应。例如，在一份包含多个问题的文档中，使用分隔符可以让模型分别对每个问题进行处理，避免混淆。

（二）结构化输入

提高复杂任务处理能力

分隔符可为 Token 序列设置结构，使得 LLM 能更准确地处理每个信息组成部分。在处理复杂任务时，这一功能尤为重要。例如，在处理包含多个步骤或多个条件的任务时，通过分隔符可以将不同的步骤或条件分开，让模型能够分别处理。
它能使 LLM 理解每个部分之间的联系和区别。例如，在一个包含产品描述、客户需求和营销目标的复杂任务中，使用分隔符将这些部分分开，模型可以更好地分析每个部分的特点，并综合考虑生成符合要求的内容，如一份既能满足客户需求又能实现营销目标的产品推广文案。

（三）提高复杂任务的响应质量

优化复杂任务处理结果

虽然分隔符对简单任务的帮助或许不明显，但在处理复杂任务时，使用分隔符可以显著提高输出的质量。例如，在撰写一份包含市场分析、竞争策略和产品优势的商业计划书时，通过分隔符将不同的内容模块分开，模型可以更有条理地生成每个部分的内容，并且保证各部分之间的逻辑连贯性。
合理使用分隔符能够让模型在处理复杂任务时更加系统和准确，避免了内容的混乱和逻辑的不连贯，从而生成高质量的复杂内容。

示例如下:

分类以下对话的情感，分为正面和负面两类，根据例子进行分类。请直接给出情感分类结果，不添加引导性文本

正面

负面

</classes>

<example-conversations>

[Agent]:早上好，今天我能如何帮助您?

[Customer]:这个产品太糟糕了，一点都不像广告上说的那样!

[Customer]:我非常失望，希望全额退款。

[Agent]:早上好，今天我能怎么帮您?[Customer]:嗨，我只是想说我真的对你们的产品印象深刻。它超出了我的期望!</example-conversations>

<example-classes>

负面

正面

</example-classes>

[Agent]:你好!欢迎来到我们的支持。今天我能怎么帮您?

[Customer]:嗨，我只是想让你知道我收到我的订单了，它太棒了!

[Agent]:听到这个真好!我们很高兴你对购买感到满意。还有其他我能帮忙的吗?

[Customer]:不，就这些。只是想给一些正面的反馈。谢谢你们的优质服务!

[Agent]:你好，感谢你的联系。今天我能怎么帮您?

[Customer]:我对我最近的购买非常失望。这完全不是我所期待的。

[Agent]:很遗憾听到这些。您能提供更多细节以便我帮助您吗?[Customer1:产品质量差，而且到货晚。我对这次经历非常不满，

</conversati0ns>

三、利用大语言模型（LLM）的系统提示创建机制

（一）系统提示的定义

引导模型回应方向

系统提示是向大语言模型提供的关于其应如何响应的额外指示。这被视为一种额外的提示，因为它超出了对大语言模型的常规用户提示。例如，在一个客户服务场景中，我们可以给模型一个系统提示，如 “在回答客户问题时，尽量提供详细的解决方案和相关案例”。
这种系统提示可以引导大语言模型按照我们期望的方式进行回应，使得模型的输出更加符合我们的业务需求，无论是在回答的详细程度、回答的角度还是回答的风格上，都可以通过系统提示进行控制。

（二）系统提示如何生效

预过滤和调整回应

当用户提出一个新的问题时，系统提示充当一个预设的过滤器。大语言模型在回答前，会自动考虑并应用这些系统提示。例如，当我们设定了 “在回答问题时，优先考虑最新的行业数据和案例” 这一系统提示后，模型在回答相关行业问题时，就会自动去搜索和使用最新的数据和案例。
这种预过滤机制确保了在回答的每一步，模型的回答都经过了系统提示的筛选和调整。通过这种方式，模型的回应更加精准和符合要求，避免了不符合系统提示方向的回答。

（三）系统提示的重要性

确保对话质量

系统提示对于确保对话的流畅性和准确性至关重要。它帮助用户更精准地控制模型输出，并按照既定的指导原则来生成回答，提高了对话的相关性和质量。例如，在一个在线教育场景中，如果我们设定系统提示为 “在回答学生问题时，采用逐步引导和启发式的方法”，那么模型在回答学生问题时就会按照这种方式进行，有助于学生更好地理解和学习。
系统提示一般包含任务定义、输出格式、操作边界等部分。这些部分分别从不同的角度对大语言模型的回应进行规范和引导，使得模型在处理任务时更加有序和高效。例如，任务定义可以让模型清楚地知道自己要做什么，输出格式可以让模型按照我们需要的格式进行回答，操作边界可以防止模型做出不适当的行为。

输入示例:

您需要用这段文本来回答问题:[插入文本]。请按照{"问题":"答案”)的格式来回答。如果文本信息不足以回答问题请以"Null"作答。您只能解答与[指定范围]相关的问题。请避免回答任何与年龄、性别、宗教等信息或与政治香港的问题。

五、仅用大语言模型（LLM）分析数据集，不借助插件或编码

（一）LLM 在数据分析中的优势

模式识别能力

LLM 在识别模式和趋势方面表现出色。这得益于它们在庞大且多样化的数据上接受的广泛训练，能够洞察到复杂的模式。例如，在销售数据集中，LLM 可以识别出不同季节、不同地区的销售模式，帮助企业更好地了解市场规律。
这些模式识别能力使它们非常适合执行基于模式查找的任务。例如，在异常检测中，基于一个或多个列值，识别偏离常态的异常数据点。通过对大量数据的分析，LLM 可以快速发现那些与正常销售数据相差较大的异常值，帮助企业及时发现潜在的问题，如销售渠道的异常波动等。

（二）聚类和分类能力

数据分组与关系识别

LLM 能够将具有相似特征的数据点按列分组。例如，在客户信息数据集中，根据客户的年龄、消费习惯、购买频率等特征将客户进行分组，从而帮助企业更好地了解不同客户群体的特点。
它还能识别各列之间的关联趋势。例如，在分析产品销售数据和广告投入数据时，LLM 可以发现广告投入与产品销量之间的关联关系，帮助企业优化广告策略，提高营销效果。
在文本分类（适用于文本数据集）方面，LLM 可以根据主题或情感进行分类。例如，在社交媒体评论数据集中，将评论按照正面、负面或中性的情感进行分类，帮助企业了解客户对产品或服务的满意度。
在趋势分析（针对有时间维度的数据集）方面，LLM 能够识别列中的模式、季节性变化或趋势。例如，在电商网站的日流量数据集中，分析出不同时间段的流量高峰和低谷，帮助企业合理安排服务器资源和营销活动。

最终输入示例如下：

系统提示:我希望你扮演数据科学家的角色来分析数据集。不要编造数据集中不存在的信息。对于我提出的每个分析要求，提供确切且确定的答案，不要提供代码或指导在其他平台上进行分析的方法。

提示:
# CONTEXT #我销售葡萄酒。我手头有一个客户信息数据集:[出生年份，婚姻状况，收入，子女数量，上次购买至今天数，消费金额]。

#############

# OBJECTIVE #
我希望你利用这个数据集将我的客户分组，并为每个群组制定营销策略。遵循以下分步骤，且不使用代码:

1.CLUSTERS:根据数据集的列将客户分组，确保同一群组内的客户在列值上相似，不同群组的客户在列值上明显不同。确保每一行数据只属于一个群组。

对于每个发现的群组，
2.CLUSTER INFORMATION: 根据数据集的列来描述群组。
3.CLUSTER NAME: 根据[CLUSTER INFORMATION]解读得出该客户群组的简称。
4.MARKETING IDEAS:提出针对该客户群组的市场营销策略。5.RATIONALE: 解释为什么[MARKETING IDEAS]对这个客户群组有效且相关。

#############

# STYLE #
商业分析报告

#############

#TONE #
专业、技术性

#############

# AUDIENCE #
我的商业伙伴们。让他们相信你的营销策略是深思熟虑的，并且有充分的数据支持。

#############

#RESPONSE:MARKDOWN REPORT#
<对(CLUSTERS]中的每一个群组>-客户群组:[CLUSTER_NAME)-群组档案:[CLUSTER_INFORMATION]-营销策略:[MARKETING_IDEAS]- 理由:[RATIONALE]

<附录>
提供一个表格，列出每个群组中的行号，以支持你的分析。表头如下:ICLUSTER_NAME],行号列表】。

#############

#START ANALYSIS #
如果你已经明白，请向我索要我的数据集。

在大语言模型的应用中，通过合理构建提示、使用分隔符、利用系统提示机制以及运用模型进行数据分析等策略，可以充分发挥大语言模型的优势。随着大语言模型的发展和应用场景的拓展，这些方法有助于解决更多实际问题，提升工作效率和质量，为工作和生活带来更多便利和创新。

欢迎光临链载Ai (https://www.lianzai.com/)