Prompt原理
-
大语言模型（LLM，如 GPT 系列）在处理 Prompt 时，首先会将输入文本转换为一系列词向量。接着，模型通过自回归生成的方式逐词预测输出。在生成每个词时，模型都会参考输入的 Prompt以及此前已生成的词。这一过程不断迭代，直到生成完整的回答或达到最大长度限制。
-
一个有效的Prompt可以提升AI模型给出的答案的质量 ，缩短与AI模型的交互时间，提高效率，减少误解，提高沟通的顺畅度。
对于不同模型的Prompt差异
通用模型
-
通常需要更明确的引导。
-
可以使用思维链提示 (Chain of Thought, CoT)，帮助模型逐步推理复杂任务。
-
有效方法包括：
-
要求分步骤回答
-
提供 few-shot 示例（即示例演示）
-
明确设定任务边界
-
推理增强模型（如 DeepSeek R1 系列）
-
推理模型已经在训练中内化了推理能力。Prompt 只需简洁明确地定义任务目标，无需强行要求分步骤推理。
-
如果过度使用 CoT 提示，可能会导致模型输出冗长或"过度推理"。
-
在简单任务场景下，这类模型可能会给出比你预期更复杂的回答。
Prompt编写组成
-
任务（Task）以动词开头（如"生成..."，"写一篇..."）。明确说明目标，可包含多个任务。
-
上下文（Context）提供背景信息或约束条件，帮助模型理解任务场景。
-
示例（Exemplars）提供样例输入输出，提升模型对任务的把握。如果缺乏示例，可以请模型先生成示例，再基于示例继续优化。
-
角色（Persona）设定模型的身份或风格（如"你是一位医生"，"请模拟一个历史学家"）。
-
格式（Format）指定输出格式（如表格、JSON、列表、段落）。
-
语气（Tone）指定回答风格（如正式、简洁、幽默、学术化）。
Prompt编写原则
-
明确目标：定义清晰、避免模糊表述。
-
具体指导：告诉模型"该做什么"和"不该做什么"。
-
简洁明了：避免过长或过于复杂的描述。
-
适当引导：通过示例或边界条件来约束输出。
-
迭代优化：多次尝试并根据结果不断调整 Prompt。
Prompt编写技巧
-
限制输出格式：指定表格、JSON、Markdown 等。
-
可以适当的重复命令或操作以强调。
-
使用分隔符：用
"""、---等明确区分任务部分和上下文。 -
提供样例：通过 few-shot 示例来增强模型对任务的理解。（零样本，单样本，少样本）
-
CoT 思维链提示：适用于复杂逻辑推理任务。
-
角色扮演：让模型模拟特定身份，有助于获得更贴合场景的回答。
-
给模型一个出路，如果模型可能无法完成，告诉它说"不知道"，防止幻觉。
常见的Prompt衡量指标
- 准确性 (Accuracy / Relevance)
-
模型回答是否切题，没有答非所问。
-
输出的事实性是否高（没有胡说八道）。
- 完整性
- 输出是否覆盖了任务需要的所有要点。
- 一致性
- 在相同输入下，输出是否大体稳定，不会完全乱变。
- 可控性
-
模型是否按照 Prompt 的要求去做，比如：
-
要求"用中文回答"，结果用英文 → ❌
-
要求"输出 JSON 格式"，结果写成散文 → ❌
- 鲁棒性
- Prompt 是否能在输入稍微变化时仍然输出合理结果。
- 效率，简洁性
-
Prompt 是否尽量简洁，不包含无用的废话。
-
太长的 Prompt 会浪费 token，增加推理成本。
常见Prompt衡量方法
-
人工评估 (Human Evaluation)
-
最常见，直接看输出效果是否符合预期。
-
优点：质量高，能理解复杂语境。缺点：耗时，主观性强。
-
-
自动评估 (Automatic Metrics)
- 写测试集（不同输入），用脚本比对输出是否符合标准格式/内容。
-
用户反馈：如果是产品场景，收集用户满意度和使用率。