第15章 提示工程
本章主要内容：
1.提示工程概述
2.提示词格式
3.提示工程技术
提示提示工程（工程（Prompt EngineeringPrompt Engineering，，PEPE）是一门融合了艺术和科学的学科，）是一门融合了艺术和科学的学科，
而且还是有关提问的艺术。提示工程是思维能力的综合表现，这门学科而且还是有关提问的艺术。提示工程是思维能力的综合表现，这门学科
不仅需要理解技术，还需要一定的创造力和战略思维。不仅需要理解技术，还需要一定的创造力和战略思维。
概述
提示词与提示工程
提示词是指用户向大模型提供的输入信息，这些输入信息通常包含关键词、问题或指令，提示词是指用户向大模型提供的输入信息，这些输入信息通常包含关键词、问题或指令，
其目的是引导大模型生成用户期望相符的回应。大模型能够模拟人类交流的方式与用户其目的是引导大模型生成用户期望相符的回应。大模型能够模拟人类交流的方式与用户
进行互动，而且在互动过程中，它努力理解用户的要求，并给出相应的回答。它的输入进行互动，而且在互动过程中，它努力理解用户的要求，并给出相应的回答。它的输入
的信息就是的信息就是 “ “提示词提示词””。在用户与大模型互动的过程中，提示词宛如一条纽带连接用户。在用户与大模型互动的过程中，提示词宛如一条纽带连接用户
与大模型，所以一个精心设计的提示词能够让大模型更准确地捕捉到用户的需求，从而与大模型，所以一个精心设计的提示词能够让大模型更准确地捕捉到用户的需求，从而
为用户提供更有价值的回答，也就是说，用户准确提示词可以充分发挥大模型的潜力为用户提供更有价值的回答，也就是说，用户准确提示词可以充分发挥大模型的潜力
例例15-115-1，简单提示词。，简单提示词。
提示词：您好！提示词：您好！
大模型：有什么可以帮助您的吗？如果有任何问题或需要信息，请随时告诉我大模型：有什么可以帮助您的吗？如果有任何问题或需要信息，请随时告诉我
提示词：什么是大模型的提示词？提示词：什么是大模型的提示词？
大模型：大模型的提示词是指输入到大型语言模型中的一段文本，它用于指导大模型：大模型的提示词是指输入到大型语言模型中的一段文本，它用于指导
模型生成特定的输出。提示词是用户与模型互动的一种方式，它可以是一个问题、一个模型生成特定的输出。提示词是用户与模型互动的一种方式，它可以是一个问题、一个
句子、一个指令或者任何形式的前缀文本，用来激发模型生成相关的回答或文本。句子、一个指令或者任何形式的前缀文本，用来激发模型生成相关的回答或文本。
..文本生成。文本生成。
.文本分类。文本分类。
.信息提取。信息提取。
.文本蕴涵。文本蕴涵。
.问答系统。问答系统。
.自然语言推理。自然语言推理。
.文本到文本的转换。文本到文本的转换。
.多语言处理。多语言处理。
.适应性学习。适应性学习。
.上下文理解。上下文理解。
上述功能是上述功能是T5T5模型在实际应用中能够执行的具体操作，而其特点（如统一框架、模型在实际应用中能够执行的具体操作，而其特点（如统一框架、
预训练任务、模型架构等）则是支持这些功能实现的背后技术和设计选择。预训练任务、模型架构等）则是支持这些功能实现的背后技术和设计选择。
以下是一些关于大模型提示词的要点：以下是一些关于大模型提示词的要点：
（（11）引导生成：提示词可以帮助模型理解用户想要生成的文本类型或内容。例）引导生成：提示词可以帮助模型理解用户想要生成的文本类型或内容。例
如，如果用户想要生成一首诗，他们可能会提供一个与诗歌相关的提示词。如，如果用户想要生成一首诗，他们可能会提供一个与诗歌相关的提示词。
（（22）上下文提供：提示词为模型提供了必要的上下文信息，使得模型能够更准）上下文提供：提示词为模型提供了必要的上下文信息，使得模型能够更准
确地理解用户的意图，并据此生成更加相关和准确的文本。确地理解用户的意图，并据此生成更加相关和准确的文本。
.（（33）格式和风格：提示词可以指定文本的格式、风格或语气。例如，用户可以）格式和风格：提示词可以指定文本的格式、风格或语气。例如，用户可以
通过提示词要求模型以正式或非正式的语气来回答问题。通过提示词要求模型以正式或非正式的语气来回答问题。
（（44）任务指定：在执行特定任务时，提示词可以明确告诉模型需要完成的任务）任务指定：在执行特定任务时，提示词可以明确告诉模型需要完成的任务
类型，如翻译、摘要、问答等。类型，如翻译、摘要、问答等。
（（55）示例提供：有时，用户会提供一些示例作为提示词的一部分，帮助模型更）示例提供：有时，用户会提供一些示例作为提示词的一部分，帮助模型更
好地理解期望的输出结构或内容。好地理解期望的输出结构或内容。
（（66）优化输出：通过精心设计的提示词，用户可以引导模型生成更加精确和高）优化输出：通过精心设计的提示词，用户可以引导模型生成更加精确和高
质量的输出。质量的输出。
2. 2. 提示工程提示工程
（（11）提示工程的定义）提示工程的定义
提示工程是指设计和优化用于与大型语言模型互动的提示词的过程。它是确保大提示工程是指设计和优化用于与大型语言模型互动的提示词的过程。它是确保大
模型能够以期望的方式响应和生成高质量输出的关键步骤。提示工程主要包括下模型能够以期望的方式响应和生成高质量输出的关键步骤。提示工程主要包括下
述几方面：述几方面：
①①提示词设计：创造能够清晰传达用户意图的提示词，包括提供足够的提示词设计：创造能够清晰传达用户意图的提示词，包括提供足够的
背景信息、指定任务类型和期望的输出格式。背景信息、指定任务类型和期望的输出格式。
②②上下文构建：在提示词中嵌入必要的上下文信息，帮助模型更好地理上下文构建：在提示词中嵌入必要的上下文信息，帮助模型更好地理
解任务的具体要求。解任务的具体要求。
。
③③示例利用：在提示词中使用示例，指导模型理解用户想要的输出结构和示例利用：在提示词中使用示例，指导模型理解用户想要的输出结构和风格风格
④④迭代优化：根据模型的输出反馈，不断调整和改进提示词，以提高输出文本迭代优化：根据模型的输出反馈，不断调整和改进提示词，以提高输出文本
的相关性和质量。的相关性和质量。
⑤⑤格式调整：调整提示词的格式，比如使用特定的标记或关键词，来指导模型格式调整：调整提示词的格式，比如使用特定的标记或关键词，来指导模型
遵循特定的响应模式。遵循特定的响应模式。
⑥⑥性能测试：测试不同的提示词对模型输出的影响，以找到最佳的提示词组合。性能测试：测试不同的提示词对模型输出的影响，以找到最佳的提示词组合。
通过提示工程，用户可以更有效地利用大型语言模型的能力，实现更精确、更符合需求通过提示工程，用户可以更有效地利用大型语言模型的能力，实现更精确、更符合需求
的文本生成和任务执行。的文本生成和任务执行。
提示工程是提供精心设计、优化提示信息，来引导大模型生成高质量、准确、提示工程是提供精心设计、优化提示信息，来引导大模型生成高质量、准确、
有针对性的回应，其目的是优化用户与大模型的互动过程。在自然语言处理中，提示工有针对性的回应，其目的是优化用户与大模型的互动过程。在自然语言处理中，提示工
程通常指的是为语言模型设计输入提示，以便获得相关、准确和多样化的输出。例如，程通常指的是为语言模型设计输入提示，以便获得相关、准确和多样化的输出。例如，
当我门与同事交谈时，语言和表达方式将直接影响对方的理解和回应。当我门与同事交谈时，语言和表达方式将直接影响对方的理解和回应。
（（22）提示工程的进一步解释）提示工程的进一步解释
提示工程是一门高度依赖经验的过程科学，涉及对问题表述和关键词的选择、
上下文设置及限制条件等方面的细致调整，以提高大模型回应的有效性、可用性和满足
用户需求的程度。
①提示工程涉及到如何设计有效的提示来引导大模型更好地完成特定的任务。
在提示工程中，不是通过大量的数据来训练模型，而是通过调整模型输入的提示词来使
任务更靠近模型，而不需要调整模型参数来使模型更靠近需要完成任务。
.②提示工程依赖于高质量的提示词设计，而对于复杂的任务，这些提示
词可能难以创建。此外，提示学习可能不会对所有类型的任务都有效，特别是那
些需要模型深刻理解任务上下文的任务。
③提示工程不是替代传统的模型训练方法，通常被视为一种补充方法。
而一个好的提示应该能够：清晰地传达任务的要求，激发模型的相关知识，引导
模型生成准确和有的回应。
④提示工程与提示微调含义相同，都是激发语言模型的补全能力。例如
根据上半句生成下半句，或是完形填空等。
（3）提示工程应用
在大模型中，提示工程有如下应用：
①文本生成：使用提示来指导模型生成特定主题或风格的文本。
②问答系统：利用提示帮助模型理解问题的背景和所需的回答格式。
③代码补全：提供编程语言的提示模板，帮助模型生成合适的代码片段
（4）提示工程的关键要素
①目标明确：清晰地定义你希望模型生成的输出类型。
②上下文提供：给出足够的背景信息，使模型能够理解任务的上下文。
③示例指导：提供示例或模板，引导模型生成期望格式的输出。
④迭代优化：根据模型的输出调整提示，以获得更优的结果。
⑤避免歧义：确保提示清晰、具体，避免可能导致误解的多义性。
LLM文本生成的解码策略
大模型文本生成的解码策略是指大模型的设置。在自然语言任务中，通常使用一大模型文本生成的解码策略是指大模型的设置。在自然语言任务中，通常使用一
个预训练的大模型（比如个预训练的大模型（比如GPTGPT）来根据给定的输入文本（比如一个开头或一个问）来根据给定的输入文本（比如一个开头或一个问
题）生成输出文本（比如一个答案或一个结尾）。为了生成输出文本，需要让模题）生成输出文本（比如一个答案或一个结尾）。为了生成输出文本，需要让模
型逐个预测每个型逐个预测每个 token token ，直到达到一个终止条件（如一个标点符号或一个最大长，直到达到一个终止条件（如一个标点符号或一个最大长
度）。在每一步，模型会给出一个概率分布，表示它对下一个单词的预测。度）。在每一步，模型会给出一个概率分布，表示它对下一个单词的预测。
在大模型中，温度、在大模型中，温度、top-ktop-k采样和采样和top-ptop-p采样等为设置参数，通过优化设采样等为设置参数，通过优化设
置，可以进一步优化生成文本的质量和多样性，这就是大模型文本生成的解码策置，可以进一步优化生成文本的质量和多样性，这就是大模型文本生成的解码策
略。略。
1. 1. 选择下一个单词的基本方法选择下一个单词的基本方法
从一个概率分布中选择下一个单词的基本方法如下。从一个概率分布中选择下一个单词的基本方法如下。
（（11）贪心解码：直接选择概率最高的单词。这种方法简单高效，但是）贪心解码：直接选择概率最高的单词。这种方法简单高效，但是
可能会导致生成的文本过于单调和重复。可能会导致生成的文本过于单调和重复。
（（22）随机采样：按照概率分布随机选择一个单词。这种方法可以增加）随机采样：按照概率分布随机选择一个单词。这种方法可以增加
生成的多样性，但是可能会导致生成的文本不连贯和无意义。生成的多样性，但是可能会导致生成的文本不连贯和无意义。
（（33）束搜索：是一种启发式图搜索算法，常用于自然语言处理中的机）束搜索：是一种启发式图搜索算法，常用于自然语言处理中的机
器翻译和文本生成任务。它通过维护一个候选解的列表（即器翻译和文本生成任务。它通过维护一个候选解的列表（即““束束””），在每一步），在每一步
选择最有可能的候选解进行扩展。这种方法在保持解空间多样性的同时，减少了选择最有可能的候选解进行扩展。这种方法在保持解空间多样性的同时，减少了
搜索空间的大小，从而提高了搜索的效率。束搜索的基本步骤如下：搜索空间的大小，从而提高了搜索的效率。束搜索的基本步骤如下：
.
①①初始化：选择初始状态作为当前状态，并计算其可能的后续状态（如翻译中的第一初始化：选择初始状态作为当前状态，并计算其可能的后续状态（如翻译中的第一
个词的所有可能翻译）。个词的所有可能翻译）。
②②选择：从当前状态的所有可能后续状态中，选择最有可能的前选择：从当前状态的所有可能后续状态中，选择最有可能的前kk个状态（个状态（kk
为为beam sizebeam size），作为新的当前状态集。），作为新的当前状态集。
③③扩展：对于每一个新的当前状态，计算其所有可能的后续状态。扩展：对于每一个新的当前状态，计算其所有可能的后续状态。
④④重复：重复步骤重复：重复步骤22和步骤和步骤33，直到达到终止状态（如生成句子的结束符）。，直到达到终止状态（如生成句子的结束符）。
⑤⑤输出：从终止状态中，选择最有可能的状态作为输出结果。输出：从终止状态中，选择最有可能的状态作为输出结果。
束搜索的一个关键参数是束搜索的一个关键参数是beam sizebeam size（（kk），它决定了算法在每一步考虑的候选），它决定了算法在每一步考虑的候选
解的数量。较大的解的数量。较大的beam sizebeam size可以增加找到最优解的机会，但同时也会增加计算成本。可以增加找到最优解的机会，但同时也会增加计算成本。
因此，在实际应用中，需要根据具体任务和计算资源来选择合适的因此，在实际应用中，需要根据具体任务和计算资源来选择合适的beam sizebeam size。。
需要注意的是，束搜索并不保证找到最优解，但它通常能够找到足够好的解，需要注意的是，束搜索并不保证找到最优解，但它通常能够找到足够好的解，
并在效率和效果之间取得平衡。并在效率和效果之间取得平衡。
.
2. Top-k2. Top-k采样采样
Top-k Top-k 采样是对前面贪心策略的优化，它从排名前采样是对前面贪心策略的优化，它从排名前kk的的tokentoken中进行抽样，允许其中进行抽样，允许其
他分数或概率较高的他分数或概率较高的token token 也有机会被选中。在很多情况下，这种抽样带来的随机性有助也有机会被选中。在很多情况下，这种抽样带来的随机性有助
于提高生成质量。于提高生成质量。
Top-kTop-k采样是一种在自然语言处理中用于文本生成的采样技术。采样是一种在自然语言处理中用于文本生成的采样技术。top-ktop-k采样的思路采样的思路
是，在每一步，只从概率最高的是，在每一步，只从概率最高的kk个单词中进行随机采样。只考虑概率最高的个单词中进行随机采样。只考虑概率最高的kk个词，而不个词，而不
考虑其他低概率的词，然后从这考虑其他低概率的词，然后从这kk个词汇中随机选择下一个词。这种方法既可以减少低概个词汇中随机选择下一个词。这种方法既可以减少低概
率词的干扰，同时保持一定程度的随机性，使得生成的文本既有一定的多样性，又不会过率词的干扰，同时保持一定程度的随机性，使得生成的文本既有一定的多样性，又不会过
于偏离模型的预测。于偏离模型的预测。
（（11））Top-kTop-k采样的步骤采样的步骤
①①计算词的概率分布：对于给定的输入，模型计算输出词汇的概率分布。计算词的概率分布：对于给定的输入，模型计算输出词汇的概率分布。
②②选择概率最高的选择概率最高的kk个词：即从概率分布中选出概率最高的个词：即从概率分布中选出概率最高的kk个词。个词。
③③对这对这kk个词进行归一化：将这个词进行归一化：将这kk个词的概率进行归一化，使得它们的总和为个词的概率进行归一化，使得它们的总和为11。。
④④从这从这kk个词中随机采样：根据归一化后的概率分布，从这个词中随机采样：根据归一化后的概率分布，从这kk个词中随机选择下一个词中随机选择下一
个词作为输出。个词作为输出。
Top-kTop-k采样的优点是简单易实现，并且可以有效地控制生成文本的多样性。与贪采样的优点是简单易实现，并且可以有效地控制生成文本的多样性。与贪
婪解码（总是选择概率最高的词汇）相比，婪解码（总是选择概率最高的词汇）相比，Top-kTop-k采样能够避免模型重复使用相同的词，采样能够避免模型重复使用相同的词，
从而生成更加丰富的文本。从而生成更加丰富的文本。
在实际应用中，在实际应用中，kk的值可以根据需要生成的文本的多样性和质量来进行调整。通的值可以根据需要生成的文本的多样性和质量来进行调整。通
常，常，kk的值设置在的值设置在11到到100100之间。如果需要生成更加多样化和创意的文本，可以提高之间。如果需要生成更加多样化和创意的文本，可以提高kk的值；的值；
如果需要生成更加准确和保守的文本，可以降低如果需要生成更加准确和保守的文本，可以降低kk的值。需要注意的是，的值。需要注意的是，kk的值设置得过低的值设置得过低
可能会导致生成的文本缺乏多样性，而设置得过高可能会导致生成一些不太可能的词。因可能会导致生成的文本缺乏多样性，而设置得过高可能会导致生成一些不太可能的词。因
此，选择合适的此，选择合适的kk值是很重要的。值是很重要的。
.
（（22））top-k top-k 采样优点采样优点
①①它可以根据不同的输入文本动态调整候选单词的数量，而不是固定为它可以根据不同的输入文本动态调整候选单词的数量，而不是固定为 k k 个。这个。这
是因为不同的输入文本可能会导致不同的概率分布，有些分布可能比较平坦，有些分布可是因为不同的输入文本可能会导致不同的概率分布，有些分布可能比较平坦，有些分布可
能比较尖锐。如果分布比较平坦，那么前能比较尖锐。如果分布比较平坦，那么前 k k 个单词可能都有相近的概率，那么就可以从中个单词可能都有相近的概率，那么就可以从中
进行随机采样；如果分布比较尖锐，那么前进行随机采样；如果分布比较尖锐，那么前 k k 个单词可能会占据绝大部分概率，那么就可个单词可能会占据绝大部分概率，那么就可
以近似地进行贪心解码。以近似地进行贪心解码。
②②可以通过调整可以通过调整 k k 的大小来控制生成的多样性和质量。一般来说，的大小来控制生成的多样性和质量。一般来说，k k 越大，生成越大，生成
的多样性越高，但是生成的质量越低；的多样性越高，但是生成的质量越低；k k 越小，生成的质量越高，但是生成的多样性越低。越小，生成的质量越高，但是生成的多样性越低。
因此，可以根据不同的任务和场景来选择合适的因此，可以根据不同的任务和场景来选择合适的k k 值。值。
③③它限制了低概率词的选取，从而减少了生成不相关或不合逻辑文本的风险。同它限制了低概率词的选取，从而减少了生成不相关或不合逻辑文本的风险。同
时，由于它考虑了多个高概率词，因此比时，由于它考虑了多个高概率词，因此比Top-1Top-1采样具有更高的多样性。然而，采样具有更高的多样性。然而，Top-kTop-k采样采样
会忽略一些概率虽然较低但有潜在重要性的词，因此会忽略一些概率虽然较低但有潜在重要性的词，因此kk值需要根据具体任务进行调整。值需要根据具体任务进行调整。
④④可以与其他解码策略结合使用，例如温度调节、重复惩罚、长度惩罚等，来进可以与其他解码策略结合使用，例如温度调节、重复惩罚、长度惩罚等，来进
一步优化生成的效果。一步优化生成的效果。
（（33））top-k top-k 的缺点的缺点
①①可能会导致生成的文本不符合常识或逻辑。这是因为可能会导致生成的文本不符合常识或逻辑。这是因为 top-k top-k 采样只考虑了单词采样只考虑了单词
的概率，而没有考虑单词之间的语义和语法关系。例如，如果输入文本是的概率，而没有考虑单词之间的语义和语法关系。例如，如果输入文本是““我喜欢吃我喜欢吃””，，
那么即使饺子的概率最高，也不一定是最合适的选择，因为可能用户更喜欢吃其他食物。那么即使饺子的概率最高，也不一定是最合适的选择，因为可能用户更喜欢吃其他食物。
②②可能会导致生成的文本过于简单或无聊。这是因为可能会导致生成的文本过于简单或无聊。这是因为 top-k top-k 采样只考虑了概率最采样只考虑了概率最
高的高的 k k 个单词，而没有考虑其他低概率但有意义或有创意的单词。例如，如果输入文本是个单词，而没有考虑其他低概率但有意义或有创意的单词。例如，如果输入文本是
““我喜欢吃我喜欢吃””，那么即使苹果、饺子和火锅都是合理的选择，也不一定是最有趣或最惊喜，那么即使苹果、饺子和火锅都是合理的选择，也不一定是最有趣或最惊喜
的选择，因为可能用户更喜欢吃一些特别或新奇的食物。的选择，因为可能用户更喜欢吃一些特别或新奇的食物。
因此，通常会考虑因此，通常会考虑 top-k top-k 和其它策略结合，比如和其它策略结合，比如 top-ptop-p。。
.
-p采样采样
Top-pTop-p是一种在自然语言处理中用于文本生成的采样技术。它允许模型在生成是一种在自然语言处理中用于文本生成的采样技术。它允许模型在生成
文本时考虑概率最高的词汇，但同时保持一定程度的随机性。文本时考虑概率最高的词汇，但同时保持一定程度的随机性。top-p top-p 采样的思路是，在采样的思路是，在
每一步，只从累积概率超过某个阈值每一步，只从累积概率超过某个阈值 p p 的最小单词集合中进行随机采样，而不考虑其他的最小单词集合中进行随机采样，而不考虑其他
低概率的单词。这种方法也被称为核采样，因为它只关注概率分布的核心部分，而忽略低概率的单词。这种方法也被称为核采样，因为它只关注概率分布的核心部分，而忽略
了尾部部分。例如，如果了尾部部分。例如，如果 p==，那么只从累积概率达到，那么只从累积概率达到 的最小单词集合中选择一的最小单词集合中选择一
个单词，而不考虑其它累积概率小于个单词，而不考虑其它累积概率小于 的单词。这样可以避免采样到一些不合适或不的单词。这样可以避免采样到一些不合适或不
相关的单词，同时也可以保留一些有趣或有创意的单词。相关的单词，同时也可以保留一些有趣或有创意的单词。
Top-pTop-p采样的主要思想是选择一个概率阈值（采样的主要思想是选择一个概率阈值（pp），然后从概率分布中累计概率，），然后从概率分布中累计概率，
直到累计概率超过这个阈值。之后，只从这些累计概率超过阈值的词汇中随机选择下一直到累计概率超过这个阈值。之后，只从这些累计概率超过阈值的词汇中随机选择下一
个词汇。个词汇。
具体来说，具体来说，Top-pTop-p采样的步骤如下：采样的步骤如下：
①①计算词汇的概率分布：对于给定的输入，模型计算输出词汇的概率分布。计算词汇的概率分布：对于给定的输入，模型计算输出词汇的概率分布。
②②对词概率进行排序：将词汇按照其概率从高到低进行排序。对词概率进行排序：将词汇按照其概率从高到低进行排序。
③③累计概率：从概率最高的词开始，累计概率，直到累计概率超过给定的阈值累计概率：从概率最高的词开始，累计概率，直到累计概率超过给定的阈值
pp为止。为止。
④④从累计概率超过从累计概率超过pp的词中随机采样：从累计概率超过的词中随机采样：从累计概率超过pp的词中随机选择下一个的词中随机选择下一个
词作为输出。词作为输出。
.
.温度采样温度采样
温度采样（温度采样（Temperature SamplingTemperature Sampling）是一个调整模型输出概率分布的技术。这里）是一个调整模型输出概率分布的技术。这里
的的““温度温度””是一个超参数，用于控制模型输出的多样性或随机性。是一个超参数，用于控制模型输出的多样性或随机性。
（（11）温度的概念）温度的概念
··高温：当温度值较高时，模型的输出概率分布会更加平滑，这意味着模型更有可能产生高温：当温度值较高时，模型的输出概率分布会更加平滑，这意味着模型更有可能产生
多样化和随机的结果。在文本生成中，这可能导致更多的创造性文本，但也可能包含更多多样化和随机的结果。在文本生成中，这可能导致更多的创造性文本，但也可能包含更多
的错误。的错误。
··低温：当温度值较低时，模型的输出概率分布会更加尖锐，模型倾向于选择概率最高的低温：当温度值较低时，模型的输出概率分布会更加尖锐，模型倾向于选择概率最高的
输出，这会导致模型输出更加确定和保守。在文本生成中，这可能导致文本更加一致和可输出，这会导致模型输出更加确定和保守。在文本生成中，这可能导致文本更加一致和可
预测，但可能缺乏新颖性。预测，但可能缺乏新颖性。
（（22）温度采样的应用）温度采样的应用
①①文本生成：在生成文本时，温度可以用来控制生成句子的多样性和随机性。例如，在生文本生成：在生成文本时，温度可以用来控制生成句子的多样性和随机性。例如，在生
成诗歌或故事时，一个较高的温度可能会产生更加独特和有趣的文本。成诗歌或故事时，一个较高的温度可能会产生更加独特和有趣的文本。
②②分类问题：在分类问题中，特别是在模型输出不确定时，调整温度可以帮助控制模型对分类问题：在分类问题中，特别是在模型输出不确定时，调整温度可以帮助控制模型对
预测的信心。预测的信心。
（（33）如何进行温度采样）如何进行温度采样
①①计算计算LogitsLogits：首先，模型会根据输入数据计算出一个：首先，模型会根据输入数据计算出一个logitslogits向量。向量。
②②应用应用SoftmaxSoftmax函数：然后，通常会对函数：然后，通常会对logitslogits应用应用softmaxsoftmax函数来得到一个概率分布。函数来得到一个概率分布。
③③调整概率分布：在应用调整概率分布：在应用softmaxsoftmax之前，可以将之前，可以将logitslogits除以温度除以温度TT（一个正数），这样就可以（一个正数），这样就可以
控制概率分布的形状。控制概率分布的形状。
④④ 采样：最后，根据调整后的概率分布进行采样，以选择模型的输出。采样：最后，根据调整后的概率分布进行采样，以选择模型的输出。
.
.联合采样联合采样
联合采样通常是将联合采样通常是将 top-ktop-k、、top-ptop-p、、Temperature Temperature 联合起来使用。使用的先联合起来使用。使用的先
后顺序是后顺序是 ：：top-k→top-p→Temperaturetop-k→top-p→Temperature。。
例如，首先我们设置例如，首先我们设置 top-k = 3top-k = 3，表示保留概率最高的，表示保留概率最高的33个个 tokentoken。这样。这样
就会保留就会保留AA、、BB、、CC这这33个个 tokentoken，其概率是：，其概率是：
AA：：
BB：：
CC象：象：
接下来，可以使用接下来，可以使用 top-p top-p 的方法，保留概率的累计和达到的方法，保留概率的累计和达到 的单词，的单词，
也就是选取女孩和鞋子这两个也就是选取女孩和鞋子这两个 tokentoken。接着我们使用。接着我们使用 Temperature = Temperature = 进行归一进行归一
化，变成：化，变成：
AA：：
BB：：
最后，可以从上述分布中进行随机采样，选取一个单词作为最终的生成最后，可以从上述分布中进行随机采样，选取一个单词作为最终的生成
结果。结果。
提示词格式
提示词基本格式提示词基本格式
为了确保大模型能够理解任务并生成适当的响应，通常需要结构化的提示词来引为了确保大模型能够理解任务并生成适当的响应，通常需要结构化的提示词来引
导它们生成准确和相关的输出。提示词的基本格式如下：导它们生成准确和相关的输出。提示词的基本格式如下：
[[指令指令//任务任务]]：：[[具体任务描述具体任务描述] ]
[ [上下文上下文//背景信息背景信息]]：（可选）：（可选）[[提供相关的背景信息或上下文提供相关的背景信息或上下文]]
[ [输入数据输入数据//信息信息]]：（可选）：（可选）[[提供输入数据或附加信息提供输入数据或附加信息]]
[ [输出要求输出要求]]：（可选）：（可选）[[指定输出格式、长度、风格等指定输出格式、长度、风格等]]
[ [额外指令额外指令]]：（可选）：（可选）[[任何额外的指导或要求任何额外的指导或要求] ]
在提示词基本格式中，每个部分的作用如下：在提示词基本格式中，每个部分的作用如下：
··指令指令//任务：明确告诉模型需要执行的任务类型，如总结、翻译、生成文本、回答问题等任务：明确告诉模型需要执行的任务类型，如总结、翻译、生成文本、回答问题等
··上下文上下文//背景信息：提供任务的背景信息，帮助模型更好地理解任务和上下文。背景信息：提供任务的背景信息，帮助模型更好地理解任务和上下文。
··输入数据输入数据//信息：提供执行任务所需的数据或信息，如文章、数据集、问题等。信息：提供执行任务所需的数据或信息，如文章、数据集、问题等。
··输出要求：指定期望的输出特性，如文本长度、格式、风格、语言等。输出要求：指定期望的输出特性，如文本长度、格式、风格、语言等。
··额外指令：提供任何其他特定指导或要求，以确保模型的输出符合用户的期望额外指令：提供任何其他特定指导或要求，以确保模型的输出符合用户的期望
根据不同的模型和任务，这些部分的详细程度和内容可以有所不同。在某些情况下，某些根据不同的模型和任务，这些部分的详细程度和内容可以有所不同。在某些情况下，某些
部分可能是不必要的，例如，如果任务非常简单，可能不需要背景信息或额外指令。重要部分可能是不必要的，例如，如果任务非常简单，可能不需要背景信息或额外指令。重要
的是要确保提示词清晰、具体，并且适合模型的能力和任务的复杂性。的是要确保提示词清晰、具体，并且适合模型的能力和任务的复杂性。
.
例如，文本生成提示词：例如，文本生成提示词：
任务类型：撰写一篇关于人工智能未来发展的博客文章任务类型：撰写一篇关于人工智能未来发展的博客文章
上下文信息：考虑当前的技术趋势和社会影响上下文信息：考虑当前的技术趋势和社会影响
输出要求：文章长度在输出要求：文章长度在800800至至10001000字之间，采用通俗科普风格字之间，采用通俗科普风格
例如，问答提示词：例如，问答提示词：
输入数据：量子计算机是如何工作的？输入数据：量子计算机是如何工作的？
输出要求：提供一个简单易懂的解释，不超过输出要求：提供一个简单易懂的解释，不超过200200字字
例如：文本分析提示词。例如：文本分析提示词。
在基本提示词格式时，需要确保提供足够的信息和上下文，以便大模型在基本提示词格式时，需要确保提供足够的信息和上下文，以便大模型
能够理解任务的要求并生成高质量的输出。根据模型的特定能力和特点，提示词能够理解任务的要求并生成高质量的输出。根据模型的特定能力和特点，提示词
格式可以适当调整。可以将提示词格式细分为指令型、问题型和描述型三种格式。格式可以适当调整。可以将提示词格式细分为指令型、问题型和描述型三种格式。
指令型提示词格式
指令型提示词的格式通常遵循以下结构，以确保模型能够清晰地理解任务要指令型提示词的格式通常遵循以下结构，以确保模型能够清晰地理解任务要
求和执行细节：求和执行细节：
[[指令类型指令类型]: []: [具体指令具体指令] [] [参数参数//选项选项] {] {细节描述细节描述//额外要求额外要求}}
例如：例如：
··文本生成提示词：文本生成提示词：
生成文本生成文本: : 请创建一个关于未来城市的科幻故事，确保包含高科技元素请创建一个关于未来城市的科幻故事，确保包含高科技元素
和环境保护的主题。和环境保护的主题。
··图像识别提示词：图像识别提示词：
图像识别图像识别: : 识别图片中的动物种类，输出最有可能的五个分类及其概率。识别图片中的动物种类，输出最有可能的五个分类及其概率。
问题型提示词格式
问题型提示词的格式通常用于提出问题或查询，以便模型能够提供相关问题型提示词的格式通常用于提出问题或查询，以便模型能够提供相关
的答案或信息。以下是一个通用的问题型提示词格式的答案或信息。以下是一个通用的问题型提示词格式
[[问题类型问题类型]: []: [具体问题具体问题] [] [可选的上下文或细节可选的上下文或细节]]
例如：例如：
.事实性问题事实性问题
事实性查询事实性查询: : 什么是黑洞？请提供定义和基本特征。什么是黑洞？请提供定义和基本特征。
.解释性问题解释性问题
解释性查询解释性查询: : 请解释相对论的基本原理及其对现代物理学的影响。请解释相对论的基本原理及其对现代物理学的影响。
.比较性问题比较性问题
比较性查询比较性查询: : 请比较太阳能和风能作为可再生能源的优缺点。请比较太阳能和风能作为可再生能源的优缺点。
.预测性问题预测性问题
预测性查询预测性查询: : 根据当前的气候变化趋势，预测未来根据当前的气候变化趋势，预测未来3030年地球气候年地球气候
的可能变化。的可能变化。
在使用这些格式化的提示词时，确保问题清晰、具体，并且提供在使用这些格式化的提示词时，确保问题清晰、具体，并且提供
了足够的上下文，以便模型能够提供准确和有针对性的答案。了足够的上下文，以便模型能够提供准确和有针对性的答案。
描述型提示词格式
为了获得更准确、更符合需求的结果，可以遵循描述型提示词的格式：为了获得更准确、更符合需求的结果，可以遵循描述型提示词的格式：
任务指令：明确告诉模型希望它执行的任务类型，如任务指令：明确告诉模型希望它执行的任务类型，如““描述描述””、、““解释解释””、、““总结总结””、、““
翻译翻译””、、““生成生成””等。等。
主题内容：具体说明希望模型讨论或描述的主题，这可以是具体的名词、概念或者话题。主题内容：具体说明希望模型讨论或描述的主题，这可以是具体的名词、概念或者话题。
详细要求：提供更详细的信息，包括希望模型在回答时考虑的特定方面、风格、格式、长详细要求：提供更详细的信息，包括希望模型在回答时考虑的特定方面、风格、格式、长
度等。度等。
特殊指令：如果有特定的要求，比如使用某种数据、避免某些词汇、遵循特定的观点等，特殊指令：如果有特定的要求，比如使用某种数据、避免某些词汇、遵循特定的观点等，
在此处说明。在此处说明。
结束信号：有时候可以加上一个结束的标识，如结束信号：有时候可以加上一个结束的标识，如““请回答：请回答：””，以明确提示模型输出开始，以明确提示模型输出开始
的位置。的位置。
这样的格式有助于模型更准确地理解用户的需求，从而提供更恰当和有用的回答这样的格式有助于模型更准确地理解用户的需求，从而提供更恰当和有用的回答
例如，一个描述型提示词的示例格式。例如，一个描述型提示词的示例格式。
[[任务指令任务指令] ] 请解释请解释
[[主题内容主题内容] ] 大语言模型的基本内容，大语言模型的基本内容，
[[详细要求详细要求] ] 请分别对大语言模型的每个部分进行详细说明，并举例说明其应用，请分别对大语言模型的每个部分进行详细说明，并举例说明其应用，
[[特殊指令特殊指令] ] 请使用易于理解的表述，不要涉及复杂的数学公式，请使用易于理解的表述，不要涉及复杂的数学公式，
[[结束信号结束信号] ] 请回答：请回答：
这样的格式有助于模型更准确地理解用户的需求，从而提供更恰当和有用的回答。这样的格式有助于模型更准确地理解用户的需求，从而提供更恰当和有用的回答。
提示增强格式
可以通过一些策略与技巧来增强提示。可以通过一些策略与技巧来增强提示。
.清晰的说明清晰的说明
是实现该策略的主要技巧如下。是实现该策略的主要技巧如下。
（（11）使用分隔符）使用分隔符
分割符：单引号分割符：单引号,,三引号三引号*”“” “”*”“” “”"* "* ，大括号，大括号{ }{ }，，XML XML 标记，节标题等，标记，节标题等，
使用分隔符是为了让大模型更好的理解用户的命令，消除歧义。这个技巧在提示词中会大使用分隔符是为了让大模型更好的理解用户的命令，消除歧义。这个技巧在提示词中会大
量用到，很重要。量用到，很重要。
在使用大模型时，通常建议使用特定的分隔符来分隔不同的提示词，以便模型更在使用大模型时，通常建议使用特定的分隔符来分隔不同的提示词，以便模型更
好地理解和学习每个提示词的含义。在具体应用中，分隔符可以是各种符号，如逗号、分好地理解和学习每个提示词的含义。在具体应用中，分隔符可以是各种符号，如逗号、分
号和空格等。具体使用何种分隔符，取决于模型的要求和实际任务的场景。号和空格等。具体使用何种分隔符，取决于模型的要求和实际任务的场景。
如果正在构建一个涉及多个关键词的任务，可以使用逗号来分隔这些关键词。如果正在构建一个涉及多个关键词的任务，可以使用逗号来分隔这些关键词。
如果任务需要更复杂的结构化数据，可能需要使用其他分隔符，使用分号来分隔不同的字如果任务需要更复杂的结构化数据，可能需要使用其他分隔符，使用分号来分隔不同的字
段：段：
“ “字段字段11：值：值11；字段；字段22：值：值22；字段；字段33：值：值3”3”
使用大模型提示词格式的分隔符格式：使用大模型提示词格式的分隔符格式：
翻译这段文本翻译这段文本|||[|||[源语言源语言]|||[]|||[目标语言目标语言]]
翻译：人工智能是计算机科学的前沿。翻译：人工智能是计算机科学的前沿。||||||中文中文||| ||| 英语英语
生成一个产品描述生成一个产品描述|||[|||[产品名称产品名称]|||[]|||[产品功能产品功能]]
.
（（22）提供示例）提供示例
对于大模型提示，有时候用户自己表述的输出格式可能不如一个示例的对于大模型提示，有时候用户自己表述的输出格式可能不如一个示例的
效果来得更直观、清晰。这是因为示例可以提供一个具体的场景，让人们更直观效果来得更直观、清晰。这是因为示例可以提供一个具体的场景，让人们更直观
地理解大模型提示的使用方法和效果。例如：地理解大模型提示的使用方法和效果。例如：
用户提示：利用列表的格式示例描述人工智能博弈的作用。用户提示：利用列表的格式示例描述人工智能博弈的作用。
大模型输出结果：大模型输出结果： 选择哪种分隔符应根据具体需求和模型的预期使用选择哪种分隔符应根据具体需求和模型的预期使用
方式来定。在实际操作中，可能需要通过实验和调整来找到最适合任务的符号。方式来定。在实际操作中，可能需要通过实验和调整来找到最适合任务的符号。
----------------------------------------------------------
人工智能博弈的作用包括：人工智能博弈的作用包括：
.游戏策略优化：游戏策略优化：AIAI可以分析游戏数据，为玩家提供最佳策略，提高游戏胜率。可以分析游戏数据，为玩家提供最佳策略，提高游戏胜率。
.对手模拟：对手模拟：AIAI可以模拟真实对手的行为，为玩家提供练习和提高技能的机会。可以模拟真实对手的行为，为玩家提供练习和提高技能的机会。
.游戏自动化：游戏自动化：AIAI可以自动执行游戏中的某些任务，如自动移动或攻击，减轻玩可以自动执行游戏中的某些任务，如自动移动或攻击，减轻玩
家的负担。家的负担。
.游戏平衡：游戏平衡：AIAI可以帮助开发者调整游戏规则，确保游戏的公平性和挑战性。可以帮助开发者调整游戏规则，确保游戏的公平性和挑战性。
.数据分析：数据分析：AIAI可以分析玩家的行为和游戏数据，帮助开发者改进游戏设计，优可以分析玩家的行为和游戏数据，帮助开发者改进游戏设计，优
化游戏体验。化游戏体验。
--------------------------------------------------------------------------------------------------------------------------------------------------------------
.
（（33）固定长度）固定长度
提示词可以根据需要提示模型回答内容长度，如果需要模型回答内容简提示词可以根据需要提示模型回答内容长度，如果需要模型回答内容简
洁，可以固定长度短一点，例如用洁，可以固定长度短一点，例如用100100字总结这段话。如果需要模型回答内容很多，字总结这段话。如果需要模型回答内容很多，
可以固定长度长一点，例如用可以固定长度长一点，例如用10001000字写一篇文章等。字写一篇文章等。
（（44）参考文本）参考文本
可以让模型只参考用户给定的文本进行回答，不用其自身的知识。可以让模型只参考用户给定的文本进行回答，不用其自身的知识。
使用场景：客服问题，参考文章回答问题，随机抽题或者补充一些大模使用场景：客服问题，参考文章回答问题，随机抽题或者补充一些大模
型可能不知道的知识。型可能不知道的知识。
示例：扮演面试官随机抽题示例：扮演面试官随机抽题
提示词：你是一名精算的面试官，我今天参加你的面试，你准备了一些提示词：你是一名精算的面试官，我今天参加你的面试，你准备了一些
题目，请你从下面的题目中随机抽取一道给我，当我回答题目，请你从下面的题目中随机抽取一道给我，当我回答““下一个问题下一个问题””时候，时候，
你需要再抽一道题给我。你需要再抽一道题给我。 具体要求：具体要求： .你必须从下面的题目中抽取题目，不可以你必须从下面的题目中抽取题目，不可以
自己生成；自己生成；.如果题目都已经抽完了，你需要告诉我面试已结束；如果题目都已经抽完了，你需要告诉我面试已结束；.你不需要对题你不需要对题
目做任何解释，只需要给出原题就行。题目：目做任何解释，只需要给出原题就行。题目：““+30=+30=？？ +40=+40=？？ +50=+50=
？？ +60=+60=？？” ”
.大模型与用户输出结果：大模型与用户输出结果：------------------------------------------------------------------------------------------------------------------------------------------------------------
大模型：好的，大模型：好的，
用户：请回答以下题目用户：请回答以下题目
+30=+30=？？
用户：用户：5050
大模型：下一个问题：大模型：下一个问题：
+40=+40=？？
用户：用户：7070
大模型：下一个问题：大模型：下一个问题：
+50=+50=？？
用户：用户：9090
大模型：下一个问题：大模型：下一个问题：
+60=+60=？？
用户：用户：110110
大模型：面试已结束。感谢你的回答。大模型：面试已结束。感谢你的回答。
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
.
22．将复杂任务拆分为简单的子任务．将复杂任务拆分为简单的子任务
（（11）任务分类拆分）任务分类拆分
按步骤拆分上述任务是将一个复杂问题拆分成多个小问题，同时让模型一个个按步骤拆分上述任务是将一个复杂问题拆分成多个小问题，同时让模型一个个
解决，给他思考的时间，它的输出结果会更加好。例如：解决，给他思考的时间，它的输出结果会更加好。例如：
提示词：提示词：
你现在是一名时间序列数据分析师，我正在学习分析时间序列数据的趋势，你你现在是一名时间序列数据分析师，我正在学习分析时间序列数据的趋势，你
需要辅助我学习，要求如下：需要辅助我学习，要求如下：.详细介绍一个时间序列数据趋势这个概念；详细介绍一个时间序列数据趋势这个概念； .有哪些方有哪些方
法可以分析趋势；让我们一步一步思考。法可以分析趋势；让我们一步一步思考。
大模型输出：大模型输出：
.时间序列数据趋势的概念：时间序列数据趋势的概念： 时间序列数据是按照时间顺序收集的数据，可以时间序列数据是按照时间顺序收集的数据，可以
用于研究某个或某些变量随时间变化的模式。这些数据可能是在固定频率（每日、每月用于研究某个或某些变量随时间变化的模式。这些数据可能是在固定频率（每日、每月
或每年）或不规则间隔收集的。或每年）或不规则间隔收集的。 在时间序列数据中，在时间序列数据中，““趋势趋势””是一个关键概念。趋势是一个关键概念。趋势
描述的是数据随时间变化的长期运动或方向。比如，公司的年销售额可能显示出上升趋描述的是数据随时间变化的长期运动或方向。比如，公司的年销售额可能显示出上升趋
势，意味着销售额随着时间的推移在增加。或者，一种疾病的发病率可能显示出下降趋势，意味着销售额随着时间的推移在增加。或者，一种疾病的发病率可能显示出下降趋
势，表明该疾病的发病率随着时间的推移在减少。这些都是趋势的例子。势，表明该疾病的发病率随着时间的推移在减少。这些都是趋势的例子。
.分析时间序列数据趋势的方法：分析时间序列数据趋势的方法：
（（11）移动平均法（）移动平均法（Moving AveragesMoving Averages）：移动平均是一种在时间序列数据中平）：移动平均是一种在时间序列数据中平
滑数据并识别隐藏的趋势和模式的方法。滑数据并识别隐藏的趋势和模式的方法。
（（22）指数平滑法（）指数平滑法（Exponential SmoothingExponential Smoothing）：指数平滑是一种用于时间序列数）：指数平滑是一种用于时间序列数
据的平滑方法，特别适用于对未来点进行预测。据的平滑方法，特别适用于对未来点进行预测。
（（33）自回归移动平均模型（）自回归移动平均模型（ARIMAARIMA）：）：ARIMAARIMA模型是一种可以捕获一系列不模型是一种可以捕获一系列不
同时间序列数据的模式的统计模型。同时间序列数据的模式的统计模型。
.
.给大模型思考机会与时间给大模型思考机会与时间
（（11）从第一性原理出发，指示模型在匆忙得出结论之前制定自己的解决方案）从第一性原理出发，指示模型在匆忙得出结论之前制定自己的解决方案
第一性原理（第一性原理（First Principles ThinkingFirst Principles Thinking）是一种解决问题和创新的方法，它要）是一种解决问题和创新的方法，它要
求我们回到最基本的事实和不可争议的真理，然后从这些最基础的概念出发，重新构求我们回到最基本的事实和不可争议的真理，然后从这些最基础的概念出发，重新构
建复杂的思想和问题。第一性原理思维与传统的归纳或演绎思维不同，这种方法鼓励建复杂的思想和问题。第一性原理思维与传统的归纳或演绎思维不同，这种方法鼓励
我们忽略传统的假设和现有的认知，而是去寻找最根本的因果关系和逻辑。第一性原我们忽略传统的假设和现有的认知，而是去寻找最根本的因果关系和逻辑。第一性原
理思维被广泛应用于科学研究、工程设计、商业战略、教育等多个领域。它帮助人们理思维被广泛应用于科学研究、工程设计、商业战略、教育等多个领域。它帮助人们
以更加系统和科学的方式来理解和解决问题，有助于培养创新能力和批判性思维。以更加系统和科学的方式来理解和解决问题，有助于培养创新能力和批判性思维。
这种思维方式强调了以下几个步骤：这种思维方式强调了以下几个步骤：
①①定义问题：明确你要解决的问题是什么，将其分解为更小的部分。定义问题：明确你要解决的问题是什么，将其分解为更小的部分。
②②寻找基本事实：确定问题中最基础的、不可争议的事实和原理。寻找基本事实：确定问题中最基础的、不可争议的事实和原理。
③③逻辑推理：从这些基本事实出发，使用逻辑推理来构建对问题的理解。逻辑推理：从这些基本事实出发，使用逻辑推理来构建对问题的理解。
④④创新构建：鼓励创新思维，但所有创新都必须基于第一性原理。创新构建：鼓励创新思维，但所有创新都必须基于第一性原理。
⑤⑤解决方案：基于以上步骤，形成解决方案或新观点。解决方案：基于以上步骤，形成解决方案或新观点。
例如我们在修改代码时，模型会分析你的代码的错误，然后在你的代码继续例如我们在修改代码时，模型会分析你的代码的错误，然后在你的代码继续
上进行修改，但如果你的代码逻辑就不对，错误就很多，上进行修改，但如果你的代码逻辑就不对，错误就很多，GPTGPT就会一直帮你缝缝补补。就会一直帮你缝缝补补。
如果让它先自己给出解题方法，然后跟你的方法对比找出问题，可能会看到意向不到如果让它先自己给出解题方法，然后跟你的方法对比找出问题，可能会看到意向不到
的效果。的效果。
(2)(2)使用内心独白或一系列查询来隐藏模型的推理过程使用内心独白或一系列查询来隐藏模型的推理过程
内心独白是一种可以用来缓解这种情况的策略。内心独白的想法是指示模型内心独白是一种可以用来缓解这种情况的策略。内心独白的想法是指示模型
将输出中要对用户隐藏的部分放入结构化格式中，以便于解析它们。然后，在向用户将输出中要对用户隐藏的部分放入结构化格式中，以便于解析它们。然后，在向用户
呈现输出之前，将解析输出，并且仅使部分输出可见。呈现输出之前，将解析输出，并且仅使部分输出可见。
.
.分段分次输入分段分次输入
无论是无论是GPT3GPT3还是还是GPT4GPT4，每次输入的长度都有限制。，每次输入的长度都有限制。
（（11）分段输入）分段输入
如果文本过长，则无法一次性输入，需要将一个长文本分段输入。如果文本过长，则无法一次性输入，需要将一个长文本分段输入。
提示词：提示词：
你现在是我的文章助手，你具备深度概括和总结一篇长文章的能力，我你现在是我的文章助手，你具备深度概括和总结一篇长文章的能力，我
会将一篇长文章分成会将一篇长文章分成33段输入给你，你收到段落后，只需要回答已学习，当我发段输入给你，你收到段落后，只需要回答已学习，当我发
送指令送指令{{请总结请总结}}时，你再总结这篇文章，在总结前你需要深入理解这篇文章，然时，你再总结这篇文章，在总结前你需要深入理解这篇文章，然
后通俗易懂，简洁地总结文章，字数要求后通俗易懂，简洁地总结文章，字数要求200200字。如果你明白了，请复述指令。字。如果你明白了，请复述指令。
（（22）分次输入）分次输入
如果我们想要输入多个短文本给如果我们想要输入多个短文本给GPTGPT，但合起来可能就超出了输入长度，但合起来可能就超出了输入长度
限制，这就需要分次输入。限制，这就需要分次输入。
提示词：提示词：
你现在是我的文章助手，你具备深度概括和总结多篇文章的能力，我会你现在是我的文章助手，你具备深度概括和总结多篇文章的能力，我会
将将33篇文章分三次输入给你，你收到一篇文章后，只需要回答已学习，当我发送篇文章分三次输入给你，你收到一篇文章后，只需要回答已学习，当我发送
指令指令{{请总结请总结}}时，你再总结这篇文章，在总结前你需要深入理解这时，你再总结这篇文章，在总结前你需要深入理解这33篇文章，然篇文章，然
后通俗易懂，简洁地总结这后通俗易懂，简洁地总结这33篇文章，字数要求篇文章，字数要求200200字。如果你明白了，请复述指字。如果你明白了，请复述指
令。令。
通过这条提示词指令只是打破了通过这条提示词指令只是打破了GPTGPT对一条指令的输入长度的限制，但对一条指令的输入长度的限制，但
如果超过了如果超过了GPTGPT的上下文记忆长度，的上下文记忆长度，GPTGPT可能就记不得前面的内容了。这一点需可能就记不得前面的内容了。这一点需
要注意。所以这个方法还是有限制的。要注意。所以这个方法还是有限制的。
不同任务的提示词
经常使用的任务是：文本摘要、问答、文本分类、角色扮演、代码生成和推理等。经常使用的任务是：文本摘要、问答、文本分类、角色扮演、代码生成和推理等。
.文本摘要文本摘要
输入内容：文本输入内容：文本
……………………
提示词指令：用一句话解释上述内容提示词指令：用一句话解释上述内容
输出结果：输出结果：
……………………
例如：例如：
温度可以控制大模型输出内容的稳定性，因为温度可以控制大模型输出内容的稳定性，因为 LLM LLM 的输出是通过概率来的输出是通过概率来
排序。如果对同一个问题需要每次输出完全一致的内容，可以将温度直接设置为零。排序。如果对同一个问题需要每次输出完全一致的内容，可以将温度直接设置为零。
而如果需要提升而如果需要提升 LLM LLM 输出内容的创意性，可以将温度的数值增加，一般来说温度输出内容的创意性，可以将温度的数值增加，一般来说温度
在在[0-1][0-1]的范围获得的结果是可用的，大于的范围获得的结果是可用的，大于11可能结果就不可用了。最好是按不同应用可能结果就不可用了。最好是按不同应用
场景来配置温度的数值，例如写诗就需要更高的温度值。场景来配置温度的数值，例如写诗就需要更高的温度值。
用一句话解释上述内容：用一句话解释上述内容：
通过调整大模型的温度参数，可以在保证输出一致性和提升创意性之间进通过调整大模型的温度参数，可以在保证输出一致性和提升创意性之间进
行平衡，不同应用场景需要配置不同的温度值以优化输出结果。行平衡，不同应用场景需要配置不同的温度值以优化输出结果。
. .文本分类文本分类
提示词：将文本分类为中性、否定或肯定。例如：提示词：将文本分类为中性、否定或肯定。例如：
文本：我觉得食物还可以。文本：我觉得食物还可以。
情绪：肯定情绪：肯定
文本：我觉得食物一般。文本：我觉得食物一般。
情绪：中性情绪：中性
.角色扮演角色扮演
.使用角色扮演使用角色扮演
大模型提示词角色扮演是一种利用大语言模型进行文本生成的技术。通过提大模型提示词角色扮演是一种利用大语言模型进行文本生成的技术。通过提
供一些关键词和角色信息，可以让大型语言模型生成一段符合这些关键词和角色供一些关键词和角色信息，可以让大型语言模型生成一段符合这些关键词和角色
信息的文章或对话。信息的文章或对话。
下面是大模型扮演人工智能研究助手的角色。下面是大模型扮演人工智能研究助手的角色。
提示词：人工智能研究助手提示词：人工智能研究助手||||||用一句话说明用一句话说明||||||大模型大模型||||||的精髓的精髓
人工智能教授回答：大模型的精髓在于其通过海量参数和大规模数据训练获人工智能教授回答：大模型的精髓在于其通过海量参数和大规模数据训练获
得的强大学习能力，这使得它们能够泛化并适应多种复杂任务得的强大学习能力，这使得它们能够泛化并适应多种复杂任务
优质提示词
1. 1. 优质提示词特点优质提示词特点
从实践应用来看，优质提示词应该具备下述基本特点。从实践应用来看，优质提示词应该具备下述基本特点。
（（11）清晰明确，适度简洁）清晰明确，适度简洁..
（（22）通用性强）通用性强
（（33）生成结果稳定）生成结果稳定
.优质提示词内容的组合优质提示词内容的组合
优质提示词是下述优质提示词是下述55种内容的组合：种内容的组合：
{{明确任务或需求，限定范围或主题，指定格式或结构，确定语气或风明确任务或需求，限定范围或主题，指定格式或结构，确定语气或风
格，指定关键信息或要素格，指定关键信息或要素}}
.优质提示词的作用优质提示词的作用
提示工程技术
少样本提示少样本提示
虽然大模型已经展示了出色的零样本提示能力，但在面对更复杂的任务时，零样虽然大模型已经展示了出色的零样本提示能力，但在面对更复杂的任务时，零样
本提示方式上仍然存在不足。为了改善这种情况，可以使用少样本提示来启用上本提示方式上仍然存在不足。为了改善这种情况，可以使用少样本提示来启用上
下文学习，少样本提示是采用了少量样本的提示，在少样本提示中提供演示以引下文学习，少样本提示是采用了少量样本的提示，在少样本提示中提供演示以引
导模型实现更好的性能。也就是说，模型通过提供少量示例学会了如何执行任务。导模型实现更好的性能。也就是说，模型通过提供少量示例学会了如何执行任务。
对于更困难的任务，可以增多提示示例，例如对于更困难的任务，可以增多提示示例，例如33样本、样本、55样本、样本、1010样本等。样本等。
思维链提示思维链提示
思维链（思维链（Chain-of-ThoughtChain-of-Thought，，CoTCoT）可用于帮助语言模型进行复杂的推理和思考，）可用于帮助语言模型进行复杂的推理和思考，
进而引导模型逐步解决问题，以一系列连贯的步骤展示推理的思路和逻辑关系。进而引导模型逐步解决问题，以一系列连贯的步骤展示推理的思路和逻辑关系。
自洽提示自洽提示
大模型自洽提示是指在使用大模型自洽提示是指在使用大语言模型大语言模型时，为了确保模型生成的文本内容逻辑一时，为了确保模型生成的文本内容逻辑一
致、无矛盾，需要给出的一些具体、明确致、无矛盾，需要给出的一些具体、明确的提示的提示。。
提示模板设计提示模板设计
提示模板设计是提示工程中的一个核心概念，它涉及到如何构建和优化提示，提示模板设计是提示工程中的一个核心概念，它涉及到如何构建和优化提示，
以便从机器学习模型中获得高质量、有用的输出。以便从机器学习模型中获得高质量、有用的输出。
本章小结
提示学习充分利用了预训练语言模型强大的泛化能力，极大的减少了对下游任务提示学习充分利用了预训练语言模型强大的泛化能力，极大的减少了对下游任务
有监督数据的依赖，能实现少样本甚至零样本，对于当下数量众多的有监督数据的依赖，能实现少样本甚至零样本，对于当下数量众多的NLPNLP下游任下游任
务，有很大的应用前景。但是关于如何构建务，有很大的应用前景。但是关于如何构建promptprompt，如何选择语言模型，构建候，如何选择语言模型，构建候
选答案空间，构建答案到最终输出的映射，如何选择训练策略，如何寻找一个最选答案空间，构建答案到最终输出的映射，如何选择训练策略，如何寻找一个最
佳配置使得下游任务效果达到最优，依旧是个需要持续探索的事情。佳配置使得下游任务效果达到最优，依旧是个需要持续探索的事情。
