|
前段时间学习了智谱AI对外分享的prompt最佳实践，感触良多，顺便记录一下自己的学习总结。 本系列将分为三部分：prompt框架、prompt迭代优化和prompt评测与产品构建。 本篇是第二篇，主要介绍prompt迭代优化。 Prompt engineering, or "提示词工程"，是一个在人工智能领域，尤其是在自然语言处理（NLP）中使用生成模型时，优化输入指令以获得最佳输出结果的过程。 获得一个优越的提示词，要包括如下步骤： 迭代：没有人直接写出100分的指令 评测：像训练算法模型一样优化指令
角色迭代：尝试不同的角色，让大模型提供最佳的上下文语境。
大模型在任务执行过程中会具有保险业务专家的语境。 任务迭代：对于指令的关键动作，尝试不同的近义词或其他相近的描述来提升准确性。【动词和名词、业务场景的名词】 
执行步骤迭代--正向引导：避免负指令，谈股票更换概念等方式，尽量告诉模型应该输出什么。
执行步骤迭代--逻辑完备：将完备的思考逻辑给大模型，避免在“无”的时候，大模型自由发挥，乱造信息。
执行步骤迭代--避免规则：指令的作用在于引导大模型输出正确的答案，硬规则更加适合于靠规则程序来完成。
Few shot迭代：要么每个类别都均匀添加做示例，要么都不加；样例较多时，引入向量数据库做动态few shot。【好的训练集、评测集】
分隔符作用：避免模型指令收到其他内容的干扰； 将文本上下文、不同的知识模块做分隔； 避免用户注入无关指令。
分条目作用：
顺序作用：先输出的内容会影响后输出的内容，可以尝试不同的顺序，避免提取项的干扰，找到最佳的提取效果。
嵌套：平铺直叙，避免多层的逻辑嵌套。
位置：指令的首部和尾部指令遵循效果较好，根据不同的输入文档长度和指令难度尝试不同的段落组织方式。
| 
