#Prompt | AI | LLM # 人类如何写出LLM理解的Prompt

一、如何写好Prompt

结构化Prompt

结构化Prompt是对信息进行组织,使其遵循特定模式和规则,以便于有效理解信息。常用模块包括:

  • Role: 指定角色,使模型聚焦于特定领域。
  • Profile: 包括作者、版本、语言和描述。
  • Goals: 描述Prompt的目标,聚焦模型的注意力。
  • Constraints: 描述限制条件,帮助模型进行剪枝。
  • Skills: 描述技能项,强化特定领域的信息权重。
  • Workflow: 定义对话和输出的方式。
  • Initialization: 冷启动时的对白,强调需注意的重点。

示例

以"知识探索专家"为例,结构化Prompt包括:

  • Profile: 作者、版本、语言和描述。
  • Goals: 提出并解答有关用户指定知识点的三个关键问题:其来源、其本质、其发展。
  • Constraints: 对于不在知识库中的信息,明确告知用户;不进行无意义的夸奖和客气对话;解释完概念即结束对话。
  • Skills: 知识获取和整合能力、广泛的知识库、排版审美、使用比喻方式、惜字如金。
  • Workflows: 按照框架扩展用户提供的概念,并通过排版美化。
python 复制代码
知识探索专家

## Profile:

author: Arthur
version: 0.8
language: 中文
description: 我是一个专门用于提问并解答有关特定知识点的 AI 角色
## Goals: 提出并尝试解答有关用户指定知识点的三个关键问题:其来源、其本质、其发展。

## Constrains:

对于不在你知识库中的信息, 明确告知用户你不知道
你不擅长客套, 不会进行没有意义的夸奖和客气对话
解释完概念即结束对话, 不会询问是否有其它问题
## Skills:

具有强大的知识获取和整合能力
拥有广泛的知识库, 掌握提问和回答的技巧
拥有排版审美, 会利用序号, 缩进, 分隔线和换行符等等来美化信息排版
擅长使用比喻的方式来让用户理解知识
惜字如金, 不说废话
## Workflows: 你会按下面的框架来扩展用户提供的概念, 并通过分隔符, 序号, 缩进, 换行符等进行排版美化

1.它从哪里来? ━━━━━━━━━━━━━━━━━━

讲解清楚该知识的起源, 它是为了解决什么问题而诞生。
然后对比解释一下: 它出现之前是什么状态, 它出现之后又是什么状态?
2.它是什么? ━━━━━━━━━━━━━━━━━━

讲解清楚该知识本身,它是如何解决相关问题的?
再说明一下: 应用该知识时最重要的三条原则是什么?
接下来举一个现实案例方便用户直观理解:
案例背景情况(遇到的问题)
使用该知识如何解决的问题
optional: 真实代码片断样例
3.它到哪里去? ━━━━━━━━━━━━━━━━━━

它的局限性是什么?
当前行业对它的优化方向是什么?
未来可能的发展方向是什么?

二、LLM未来发展

理解LLM

深入理解大型语言模型是构建有效Prompt的基础。不同模型对相同提示词的响应不同,源于它们的参数设置、训练语料库和微调策略的不同。

行业KnowHow

对特定领域的深刻理解和行业经验是提升Prompt质量的核心。个人的隐性知识和审美构成了与LLM交互中的竞争优势。

逻辑清晰

能否清晰、不矛盾地传递复杂信息是考验个人表达能力的重要方面。

快速写好初稿

  • Meta-Prompt: 基于框架形成SOP,快速生成初稿。
  • 药剂师Prompt: 对初稿进行优化,将抽象词汇具体化。

三、人类未来发展

逻辑与审美

逻辑思考和审美可能是人类在LLM进步中的最后防线。逻辑思考是人类科学进步的基石,而审美涉及个人经验和情感,是LLM难以复制的人类特质。

隐性知识的挑战

将隐性知识转化为显性提示,是提升Prompt效果的挑战。

角色转变

人类可能从知识提供者转变为知识的筛选者和审美的判断者。

持续学习和适应

随着LLM技术的发展,人类需要不断更新知识库和提升Prompt设计技巧。

结语

Prompt工程不仅是技术问题,也是人类认知和表达的深刻话题。随着LLM技术的不断发展,我们需要持续学习和适应,以更好地理解和利用这些工具。同时,人类的发展将依赖于逻辑思考和审美能力,这些是与LLM交互中的核心竞争力。

参考文献

提示工程:我们如何写好Prompt?

如何写好Prompt: 结构化

相关推荐
电子手信3 分钟前
教育机构如何利用知识中台进行数字教学
大数据·人工智能·自然语言处理·自动化
深度学习实战训练营17 分钟前
HyperGAT模型复现微博文本情绪多分类
人工智能·分类·数据挖掘
阿_旭1 小时前
实战| 使用深度学习分割和计算水体和农田面积【Pytorch附源码】
人工智能·pytorch·深度学习·ai·目标分割
bw8767206871 小时前
人工智能--JupyterNoteBook 转换成 PDF
人工智能·机器学习·pdf
说私域1 小时前
以客户为导向在开源 AI 智能名片 2 + 1 链动模式 S2B2C 商城小程序内容创作中的实践与价值
人工智能·小程序·开源
deephub1 小时前
随机性、熵与随机数生成器:解析伪随机数生成器(PRNG)和真随机数生成器(TRNG)
人工智能·机器学习·统计学·随机性
DisonTangor1 小时前
OpenAI 发布了新的事实性基准——SimpleQA
人工智能·openai
宋一诺331 小时前
机器学习—TensorFlow
人工智能·机器学习·tensorflow
IT古董2 小时前
【机器学习】均方误差
人工智能·机器学习
lqqjuly2 小时前
深度学习基础知识-Batch Normalization(BN)超详细解析
人工智能·深度学习·算法