prompt开发生命周期

1.定义任务场景和成功标准

任务场景可分为简单任务:实体抽取、qa等

复杂任务:代码生成、创意写作等

在定义任务后,就要定义模型实现该任务的成功标准:

模型表现和准确率;延迟;价格。

2.开发测试用例

多样化的测试用例覆盖任务的典型应用和边缘情况。

3.设计初始的prompt

设计最初的prompt,从简单描述任务场景、回答的风格等开始。最好是使用few-shot的方式,告诉模型的输入输出格式。

4.针对测试用例评估prompt

将测试用例使用初始的prompt输入到模型,观察和评估回复内容,并与成功标准作比较。使用一致的评分标准,可以是人工评估、与答案核心内容的比较或是用其他模型的回答判断等。

5.优化prompt

根据评估结果,朝着成功标准迭代优化prompt。包括但不限于增加描述明细、示例、模型行为的约束。但是要注意不要过分优化小部分的输入,否则会过拟合。

6.部署prompt

一旦设计的prompt成功通过了测试用例,就可以将其应用。注意监控模型表现,边缘情况等意外仍随时可能发生。

准则:

  1. 清晰直接:提供清晰的指令和背景信息以指导Claude的回应。
  2. 使用示例:在提示中包含示例以展示期望的输出格式或风格。
  3. 赋予Claude角色:让Claude扮演一个特定的角色(如专家),以提升针对你的用例的表现。
  4. 使用XML标签:利用XML标签来结构化提示和回应,以提高清晰度。
  5. 分解提示:将复杂任务分解成更小、更易管理的步骤,以获得更好的结果。
  6. 让Claude思考:鼓励逐步思考以提高Claude输出的质量。
  7. 预填充Claude的回应:用几个词开始Claude的回应,以将其输出引向期望的方向。
  8. 控制输出格式:指定期望的输出格式以确保一致性和可读性。
  9. 请求Claude进行重写:基于评分标准请求修订,以促使Claude迭代并改进其输出。
  10. 利用长上下文窗口技巧:优化利用Claude长上下文窗口的提示。
相关推荐
alex10017 小时前
AI Agent开发学习系列 - langchain之LCEL(5):如何创建一个Agent?
人工智能·python·语言模型·langchain·prompt·向量数据库·ai agent
liliangcsdn20 小时前
mac测试ollama llamaindex
数据仓库·人工智能·prompt·llama
旧曲重听13 天前
基于Prompt 的DevOps 与终端重塑
人工智能·prompt·devops
AIGC包拥它4 天前
RAG项目实战:LangChain 0.3集成 Milvus 2.5向量数据库,构建大模型智能应用
人工智能·python·langchain·prompt·个人开发·milvus
so.far_away4 天前
The Survey of Few-shot Prompt Learning on Graph
prompt
Xy-unu5 天前
[Semantic Seg][KD]FreeKD: Knowledge Distillation via Semantic Frequency Prompt
prompt
寒水馨6 天前
构建企业级 AI Agent:不只是 Prompt 工程,更是系统工程
人工智能·ai·prompt·agent·ai agent·ai工程
semantist@语校7 天前
面向向量检索的教育QA建模:九段日本文化研究所日本语学院的Prompt策略分析(6 / 500)
人工智能·支持向量机·百度·ai·开源·prompt·数据集
Chan167 天前
【 SpringAI核心特性 | Prompt工程 】
java·spring boot·后端·spring·prompt·ai编程
喜欢猪猪7 天前
Qwen3-8B 的 TTFT 性能分析:16K 与 32K 输入 Prompt 的推算公式与底层原理详解
prompt