大模型知识之prompt

文章目录

上一轮工业革命已成历史,这一轮智能革命正在眼前。
我们正见证历史,关注我,一起学习大模型。

一、原理基础-何为prompt

prompt,意为提示词。

是用户发给大模型的"指令"或"问题",它直接决定了模型会"思考"什么以及如何"回答"。prompt写的越清晰,回答的越好。

比喻理解

RAG = 实时"开卷考"。

  • 没有RAG:大模型是"闭卷考",只能依赖训练时记住的、可能过时的知识。
  • 有RAG:大模型在答题前,先自动去专属资料库(你的文档、数据库)(也就是通常叫的【知识库】)里查一遍,把查到的相关原文片段,和你的问题一起作为"参考资料"摆在眼前,再生成答案。

核心目的:让大模型的回答依据可靠、实时可更新、且可追溯来源。

那你可能会问:

有rag的时候,除了查专属资料库,还会去查"训练时记住的、可能过时的知识"吗?

答:会查,但会优先、且主要依赖检索到的专属资料库信息。查不到了,再去训练时候的查。但它可能会给出说明,比如我没有在知识库中查询到相关信息,但根据我的能力,我可以告诉你吧啦吧啦...

二、prompt重要性

就好像你想让张三把他身后的水杯递给你,你会有很多种说法:

1.张三,把那个给我

2.张三,把那个红色水杯给我

3.张三,把你身后的那个红色带把的水杯给我

这样对比下来,你觉得张三最能听得懂哪句?肯定是第三句。

同理,你把想问的问题告诉大模型,要想得到你想要的答案,首先得问清楚问明白。这直接决定了你能不能得到一个想要的答案。所以,他很重要。

三、prompt的组成

prompt也是有套路的,现在很多企业也都加上了根据你的问题,自动给你扩展成更好的prompt的功能。通常扩展成下面这样:

python 复制代码
【角色设定】
你是一位经验丰富的网络安全专家。
【任务指令】
请分析以下代码片段中的安全漏洞。
【输入内容】
def process_input(user_input):
    return eval(user_input)  # 这里存在安全隐患
【输出要求】
 - 指出具体漏洞类型
 - 说明潜在风险
 - 提供修复方案
 - 用表格形式呈现
  • 角色设定 (Role):让模型"扮演"特定专家
  • 任务指令 (Task):明确要做什么
  • 上下文 (Context):提供必要背景信息
  • 输入数据 (Input):需要处理的具体内容
  • 输出格式 (Format):指定结构、长度、风格等
  • 约束条件 (Constraints):限制范围、避免偏离

当然,你不按照这种格式也可以,大模型也会回答你,但效果可能会打折扣。

相关推荐
LiaoWL12334 分钟前
从零搭一个 RAG 知识库(二):换上语义 Embedding——BGE 实测与阈值重校准
python·大模型·numpy·embedding·向量检索·rag
小七-七牛开发者2 天前
PACE:代码通过率从 42% 到 97%, 让长程 Agent 在有限 KV Cache 下用好历史 Token
大模型·claude·token·工作流·长程agent
Java后端的Ai之路2 天前
Java并发编程22-Lock接口
java·人工智能·prompt·lock
XLYcmy3 天前
基于大语言模型的智能漏洞检测与修复系统 作品报告评审分析报告 上
llm·prompt·模糊测试·漏洞修复·漏洞检测·deepseek·消融实验
小七-七牛开发者3 天前
周 1 上线 | DSH 喜提原神进场动画,Anthropic 启动 IPO 路演;黄仁勋辞任;微软全球大宕机超 24 小时
ai·大模型·agent·token·工作流·claudecode·ai coding
XLYcmy3 天前
基于大语言模型的智能漏洞检测与修复系统 作品报告评审分析报告 下
机器学习·llm·prompt·api·token·漏洞修复·漏洞检测
M--Y3 天前
LangGraph 架构基石:持久化与运行控制
python·langchain·大模型·llm·持久化·langgraph
香吧香3 天前
一篇文章搞懂 Agent Harness:从概念、原理到我们该不该上
大模型
M--Y3 天前
LangGraph 工作流模式
开发语言·javascript·python·langchain·大模型·llm·langgraph
forest_094 天前
多 Agent 协作第二课:交叉验证≠独立验证
人工智能·python·算法·机器学习·prompt·agi