概念回顾
有了上一篇，我们对大模型一些相关的概念理解，大模型02-大模型的一些基本概念和知识。
我们了解到，现在的大模型，基本都是基于transformer的GPT模型，以ChatGPT为例，之前我们提到了，它是一种基于GPT模型的对话生成模型，它可以让计算机自动学习对话语料库中的模式，并生成连贯、自然的对话回复。
对于我们普通用户来说，使用ChatGPT也好，还是文心一言、通义千问，等等这些大模型，就是通过一轮一轮的对话来实现我们的诉求。
像这样：
前言
关于ChatGPT等的账号如何注册，这里不再说描述，网上教程一搜一大把。
好多人有这样一种感觉，拿到ChatGPT的账号，一顿尝试操作，当你过了新鲜的阶段，发现不好用，ChatGPT 回答的好空，没有太多参考价值；或者说，发现自己好像并没有什么好问的，不知道可以用 GPT 怎么来使用，于是过了这阵风，可能好久也想不起来再登录一次了。
然而实际情况是，不管是相关技术从业者还是其他行业的从业者，越来越多的人正把它变为自己的生产力工具。
ChatGPT（以下我们就以ChatGPT为例来介绍），基于GPT模型的对话生成模型都一样，可能跟各自的训练情况，在回答上有差异，但是逻辑都是一样的。由于目前人类的技术对自然语言（人说的话）处理的技术还不完美，所以导致目前 AI 生成内容的质量，非常依赖于--提示工程（Prompt），来引导语言模型更好地响应。
提示工程（Prompt）
所谓提示词，就是如何让ChatGPT更精准的理解你的意图，输出你想要的答案。找到与ChatGPT对话的技巧。
学会写提示词
先让大家感受下不同的发问方式，ChatGPT的回答效果：
写提示词的一些原则
-
清晰的指令：足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需求，避免模糊表达。
-
提供上下文和例子：给出较为充分的上下文信息，让模型更好地理解相关背景。如果能够提供示例，模型能表现更好（类似传统LLM中的in-context learning）。
-
善用符号和语法：使用清晰的标点符号，标题，标记有助于转达意图，并使输出更加容易被解析
-
让模型一步一步地思考：在这种方法中，模型逐步进行思考，并呈现出涉及的步骤，这样做可以降低结果的不准确的可能性，并对模型响应的可解释性有很大的帮助。
-
激励模型反思和给出思路：可以在prompt中用一些措辞激励模型给出理由，这样有助于我们更好地分析模型生成结果，同时，思维过程的生成，也有助于其生成更高质量的结果。
-
给容错空间：如模型无法完成指定的任务，给模型提供一个备用路径，比如针对文本提问，可以加入如果答案不存在，则回复"无答案"
-
让模型给出信息来源：在模型结合搜索或者外部知识库时，要求模型提供他的答案的信息来源，可以帮助LLM的答案减少捏造，并获取到最新的信息。
善于总结自己的提示词模板
一个Prompt 可能包含的6个要素：任务，上下文，示例，角色，格式和语气，而且这些要素是按重要性降序排列的。
【角色】-- 选填 角色明确指定ChatGPT和Bard（如果涉及到虚构的角色）所扮演的角色或身份。这可以是具体的人，也可以是虚构的角色，有助于调整语气和内容以适应特定角色的需求。
【任务】-- 必填 明确表达你希望ChatGPT完成的任务或目标。
这里可以具体拆分：
1.你的问题或者任务描述
2.你的目标
3.你的要求
【上下文】--选填 上下文提供了与任务相关的背景信息，以确保模型可以理解问题的背景和约束条件。这包括用户的背景信息、成功标准、所处环境等。上下文对于任务的明确性和有效性至关重要。
【示例】--选填 提供示例可以明确示范所需的内容和格式，从而提高输出质量。
【输出格式】--选填 格式部分可视化了你期望输出的外观和结构，如表格、列表、段落等。明确指定输出的格式可以确保ChatGPT生成的内容符合你的预期。
【语气】--选填 语气定义了输出文本的语气或风格，如正式、非正式、幽默等。指定语气有助于确保ChatGPT的回应符合所需的情感和风格要求。
我们再来根据模板进行提问，看下效果：
带示例与不带示例的区别：
以上，我们如果能够用好提示词模板，符合提示词的一些原则，在一些基本的场景中，我们能够准确的获得我们想要的答案。
基于ChatGPT可以多轮对话，我们可以通过追问、奖惩指令来，来进一步提升模型的推理能力。
找到自己使用的场景
1.可以利用ChatGPT成为你的知识助手和百科全书。
2.让ChatGPT成为你的工作助理：
帮你写文章，优化文章，帮你做数据分析，帮你做各类场景的指导，比如健身教练，比如营养师。
3.你可以逐渐沉淀你各类场景的prompt，来形成你自己的多维度工具库
如何更深层次的激发大模型的涌现能力（学习一点点原理）
激发大型语言模型的涌现能力有两种方法：提示工程（prompt engineering）和微调（fine-tuning） 。
了解以下这些原理，对于理解和应用LLM模型来说，这些知识都具有重要的参考价值。
作为非技术人员的日常应用，我们要关注的是：
经典小样本提示(Few-shot)
最简单的提示工程的方法就是通过输入一些类似问题和问题答案，让模型参考学习，并在同一个prompt的末尾提出新的问题，以此来提升模型的推理能力。这种方法也被称为One-shot或者Few-shot提示方法。
zero-shot
zero-shot可以理解为：不给大模型任何的提示，直接提问，让大模型自己做决策。
当大模型遇到它未知的知识时，使用Zero-shot提示是无法得到比较好的回复，但并不意味着它不具备学习的能力，"照猫画虎" 它还是非常优秀的，所以进阶的提示法叫做Few-shot。
Few-shot提示法
Few-shot提示法可以简单理解为：在提问之前，先给大模型一个示例和解释让它学习和模仿，从而在一定程度上赋予它泛化能力。就像上述，我们提炼招标方的例子。
这里，从一个大佬从论文中总结的结论，我觉得我们也需要知道一点：
- 在zero-shot、one-shot、few-shot 上，规模越大，效果越好
- few-shot只要参数够不比fine-tuned差
从这些理论上，再回顾上述我们的提示词原则和实验，就能感受到，这些理论都有实际在指导我们如何写更好的prompt
CoT+Few-shot 提示
STaR Fine-Tune提示法
代码提示工程（Code Prompting)
代码提示工程是指通过设计特殊的代码提示来激发模型的涌现能力。这种方法不需要对模型进行额外的训练，只需要通过设计合适的代码提示来引导模型完成特定任务，代码提示工程通常用于解决那些无法通过语言提示工程解决的问题。这个不在这里描述，也是后续需要学习的一个重点专题。
更复杂的场景
对应的，我们在更复杂的应用场景： 思维链（CoT）提示、CoT+Few-shot 提示、STaR Fine-Tune提示法，由于篇幅限制，我们在下一篇文章中再重点讲解。