ChatGPT高效提问—prompt基础

ChatGPT高效提问---prompt基础

​ 设计一个好的prompt对于获取理想的生成结果至关重要。通过选择合适的关键词、提供明确的上下文、设置特定的约束条件,可以引导模型生成符合预期的回复。例如,在对话中,可以使用明确的问题或陈述引导模型生成相关、具体的回答;在摘要生成中,可以提供需要摘要的文章段落作为prompt,以确保生成的摘要准确而精炼。

1.1 prompt基本原则

  • 简明清晰

    切忌表述复杂或含有歧义,尽可能简洁地表达主题,避免不必要的描述,以便ChatGPT准确理解我们的意图。使用简单易懂的语言,避免使用复杂的术语或语法结构。如果有术语,应该定义清楚。

不合格的prompt示例:

合格prompt的示例:

  • 具体化

    提供尽可能具体和详细的信息,以便ChatGPT更好地理解我们的意图。应提供相关的关键词、时间、地点和其他必要的细节

不合格的prompt的示例:

合格的prompt的示例:

  • 聚焦

    prompt一定要一针见血、关键点明确,避免问题太宽泛或太开放。

    不合格prompt的示例:

​ 合格prompt的示例:

  • 要有上下文

    在prompt中给出上下文信息,以便ChatGPT更好地理解我们的需求。

    不合格的prompt的示例:

​ 合格prompt的示例:

  • 确定生成目标

    在prompt中明确指定生成目标。这可以帮助ChatGPT更好地理解我们的意图,生成更精确的回复。

    不合格prompt的示例:

​ 合格prompt的示例:

  • 使用正确的语法、拼写以及标点符号

​ 在编写prompt时,一定要注意语法、拼写以及标点符号的正确性,尤其是在使用英文prompt的时候,否则可能会造成ChatGPT生成的内容与你的预期相去甚远。

​ 不合格prompt的示例:

​ 合格prompt的示例:

  • 验证准确性

    编写完prompt后,须仔细检查以确保它准确表达了你的意图。尽可能想象不同的回复和场景,并确保prompt在这些情况下仍然准确和相关。

1.2 prompt组成元素

一个基础的prompt需要包含几个元素,如表所示。

基础prompt组成要素

中文名称 英文名称 是否必填 含义
指令 instruction 必填 希望模型执行的具体任务
语境 context 选填 也称上下文,可以引导模型输出更好的回复
输入数据 input data 选填 向模型提供需要处理的数据
输出指标 output indicator 选填 告知模型输出的类型或格式

按照这个格式写prompt,模型返回的结果一般不会差。当然,prompt不一定要包含所有4个元素,而可以根据自己的需求排列组合。下面就以"策划年会流程"为例,看看如何使用这4个元素,如表所示。

基础prompt组成要素示例

中文名称 prompt中的描述
指令 策划年会流程
语境 公司举办年会
输入数据 领导发言、奖品发放、才艺表演等环节
输出指标 Markdown格式

输入prompt:

ChatGPT输出:

从输出结果来看,ChatGPT按照要求策划了公司年会流程,包括必要的几个环节,并以Markdown格式输出。下面介绍稍微复杂一些的prompt组成元素,其完备性更高,比较适用于编写prompt模板,如表所示。

高级prompt组成要素

中文名称 英文名称 是否必填 含义
能力与角色 capacity and role 选填 希望模型扮演什么角色
洞察力 Insight 选填 背景信息或上下文
指令 statement 必填 希望模型做什么
个性 personality 选填 希望模型以什么风格或方式回答
尝试 experiment 选填 要求模型提供多个答案

将以上元素组合在一起,就形成了一个更详细、更明确的prompt,我们称之为高级prompt。对比基础prompt,使用高级prompt生成的结果会更加精确,相关性也更强。以"用鲁迅的风格进行创作"为例,高级prompt的组成要素如表所示。

中文名称 prompt中的描述
能力与角色 文学家鲁迅
洞察力 指定年代背景、1980年
指令 写日记
个性 文言文的形式
尝试 三篇

输入prompt:

ChatGPT输出:

从输出结果来看,ChatGPT比较成功地以鲁迅的风格撰写了三篇日记,语言生动,符合预期。因此,对于更复杂的任务,大家可以参考高级prompt组成元素进行输入。

备注:以上的案例都在小蜜蜂AI学习网站完成,网址:https://zglg.work

相关推荐
咸鱼桨13 分钟前
《庐山派从入门到...》PWM板载蜂鸣器
人工智能·windows·python·k230·庐山派
强哥之神24 分钟前
Nexa AI发布OmniAudio-2.6B:一款快速的音频语言模型,专为边缘部署设计
人工智能·深度学习·机器学习·语言模型·自然语言处理·音视频·openai
yusaisai大鱼28 分钟前
tensorflow_probability与tensorflow版本依赖关系
人工智能·python·tensorflow
18号房客28 分钟前
一个简单的深度学习模型例程,使用Keras(基于TensorFlow)构建一个卷积神经网络(CNN)来分类MNIST手写数字数据集。
人工智能·深度学习·机器学习·生成对抗网络·语言模型·自然语言处理·tensorflow
神秘的土鸡36 分钟前
神经网络图像隐写术:用AI隐藏信息的艺术
人工智能·深度学习·神经网络
数据分析能量站37 分钟前
神经网络-LeNet
人工智能·深度学习·神经网络·机器学习
Jaly_W1 小时前
用于航空发动机故障诊断的深度分层排序网络
人工智能·深度学习·故障诊断·航空发动机
小嗷犬1 小时前
【论文笔记】Cross-lingual few-shot sign language recognition
论文阅读·人工智能·多模态·少样本·手语翻译
夜幕龙1 小时前
iDP3复现代码数据预处理全流程(二)——vis_dataset.py
人工智能·python·机器人
吃个糖糖1 小时前
36 Opencv SURF 关键点检测
人工智能·opencv·计算机视觉