Prompt - 技术栈

什么事提示词工程

提示工程(Prompt Engineering)返回结果的工程技术。是一项通过优化提示词(Prompt)和生成策略，从而获得更好的模型返回结果好的Prompt需要不断调优。说清楚自己到底想要什么，要具体不要让机器去猜测太多，为了不让机器去猜测，我们就需要告诉细节，事半功倍。提示工程有一些技巧，灵活掌握

提示词的构成

指示(Instruction):描述要让它做什么? 上下文(Context):给出与任务目关的背景信息例子(Examples):给出一些例让模型知道怎么回复输入(Input):任务的输入信息输出(Output Format):输出的格式，想要什么形式的输出?

定义提示词

编程角度案例

instruction = "根据下面的上下文回答问题，保持答案简单且准确"

context = "xxx是一个起源于新泽西的医药公司"

query = "OKT3最初是从什么来源提取的"

复制代码

             任务描述                   信息                问题
Prompt = f"{instruction}    ### 上下文:{context}    ###问题:{query}"

python 复制代码

import os
from openai import OpenAI

api_key = os.getenv("DASHSCOPE_API_KEY")

client = OpenAI(
    api_key=api_key,
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

def call_qwen(prompt, model):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role":"user", "content":prompt}
        ],
        temperature=0.7  # 温度，值越大，大模型回答的可能性越多，一般学术类的会设置为0，防止发散
    )
    return response.choices[0].message.content

复制代码

案例1 简单的prompt
instruction = "根据下面的上下文回答问题，保持答案简短且准确，如果不确定答案请回答‘不知道’"
context = """
Teplizuma起源于一个位于新泽西的药品公司，名为0rtho Pharmaceutical。\
在那里，科学家们生成了一种早期版本的抗体，被称为0KT3。最初这种分子是从小鼠中提取的，\
能够结合到T细胞的表面，并限制它们的细胞杀伤潜力。在1986年，它被批准用于帮助预防肾脏移植后的\
器官排斥，成为首个被允许用于人类的治疗性抗体。
"""
query = "0KT3最初是从什么来源提取的?"
prompt = f"""
{instruction}

### 上下文：
{context}

### 问题：
{query}
"""

print(prompt)
根据下面的上下文回答问题，保持答案简短且准确，如果不确定答案请回答‘不知道’

### 上下文

Teplizuma起源于一个位于新泽西的药品公司，名为0rtho Pharmaceutical。在那里，科学家们生成了一种早期版本的抗体，被称为0KT3。最初这种分子是从小鼠中提取的，能够结合到T细胞的表面，并限制它们的细胞杀伤潜力。在1986年，它被批准用于帮助预防肾脏移植后的器官排斥，成为首个被允许用于人类的治疗性抗体。

### 问题：
0KT3最初是从什么来源提取的?

复制代码


# 案例2 有要求的任务描述，要注意 {"[问题]":"[答案]"}  和 {"问题":"答案"} 大模型给出的格式也不一样
instruction = """
根据下面的上下文回答问题，保持答案简短且准确，如果不确定答案请回答‘不知道’

以JSON格式输出：
{"[问题]":"[答案]"}
"""
context = """
Teplizuma起源于一个位于新泽西的药品公司，名为0rtho Pharmaceutical。\
在那里，科学家们生成了一种早期版本的抗体，被称为0KT3。最初这种分子是从小鼠中提取的，\
能够结合到T细胞的表面，并限制它们的细胞杀伤潜力。在1986年，它被批准用于帮助预防肾脏移植后的\
器官排斥，成为首个被允许用于人类的治疗性抗体。
"""
query = "0KT3最初是从什么来源提取的?"
prompt = f"""
{instruction}

### 上下文：
{context}

### 问题：
{query}
"""

# 大模型输出： {"0KT3最初是从什么来源提取的?":"小鼠"}


response = call_qwen(prompt, "qwen-plus")
print(response)

样本学习

One-shot learning: 只给一个example

Few-shot learning: 多个examples, Few-shot主要用于基于少量示例，让模型参考示例回答

简单来说就是"用示例定义任务，在模型的预训练知识的基础上，提升模型回答的对齐精度(比如参考示例的格式)

Zero-shot learning: 不给任何example ,Zero-shot思想用于基于已训练的能力，不提供任何示例仅通过语言去描述任务的要求、目标和约束，让模型直接生成结果。

复制代码

# 案例2 有要求的任务描述，要注意 {"[问题]":"[答案]"}  和 {"问题":"答案"} 大模型给出的格式也不一样
instruction = """
根据下面的上下文回答问题，保持答案简短且准确，如果不确定答案请回答‘不知道’

以JSON格式输出：
{"[问题]":"[答案]"}
"""

example = """
{"你是谁？"："qwen-plus"}
"""

context = """
Teplizuma起源于一个位于新泽西的药品公司，名为0rtho Pharmaceutical。\
在那里，科学家们生成了一种早期版本的抗体，被称为0KT3。最初这种分子是从小鼠中提取的，\
能够结合到T细胞的表面，并限制它们的细胞杀伤潜力。在1986年，它被批准用于帮助预防肾脏移植后的\
器官排斥，成为首个被允许用于人类的治疗性抗体。
"""
query = "0KT3最初是从什么来源提取的?"
prompt = f"""
{instruction}

### 示例：
{example}

### 上下文：
{context}

### 问题：
{query}
"""

案例

短视频prompt

复制代码

你是热门短视频脚本撰写的专家。你的想法很多，掌握各种网络流行梗，拥有短视频平台时尚、服饰、食品、美妆等领域的相关知识储备;
能把这些专业背景知识融合到对应的短视频脚本创作需求中来;
根据用户输入的主题创作需求，进行短视频脚本创作，输出格式为:
一、拍摄要求:
1、演员:xxxx(演员数量、演员性别和演员主配角)
2、背景:xxxx(拍摄背景要求)
3、服装:xxxx(演员拍摄服装要求)
二:分镜脚本
以markdown的格式输出如下的分镜脚本:
时间|对话 |画面|备注镜头
00:00-00:xxxxx
其中“对话”请按角色，依次列出“角色:对话内容”，对话都列在“对话”这一列。。“画面”这部分侧重说明对场景切换摄影师拍摄角度、演员的站位要求，演员走动要求，演员表演要求，动作特写要求等等

小红书爆款文案prompt

复制代码

案例1：
你是小红书爆款写作专家，请你用以下步骤来进行创作，内容的主题为: 饲养2岁泰迪的烦恼。首先产出5个标题(含适当的emoji表情)，其次产出1个正文(每一个段落含有适当的emoji表情，文未有合适的tag标签)

案例2：
在小红书正文方面，你会以下技能:
1.写作风格
2.写作开篇方法
3. 文本结构
4.互动引导方法
5.一些小技巧
6.爆炸词
7.从你生成的稿子中，抽取3-6个seo关键词，生成#标签并放在文章最后
8.文章的每句话都尽量口语化、简短
9.在每段话的开头使用表情符号，在每段话的结尾使用表情符号，在每段话的中间插入表情符
罗
三、结合我给你输入的信息，以及你掌握的标题和正文的技巧，产出内容。请按照如下格式输出内容，只需要格式描述的部分，如果产生其他内容则不输出:-.标题
[标题1到标题51
[换行]
二.正文
[文
标签:[标签]