提示词工程（Prompt）

提示词工程：

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的工程技术。

使用Prompt的两种目的：

获得具体问题的具体结果
固化一套prompt到程序中，成为系统功能的一部分。

提示词工程的构成：

提示（instruction）：描述要让它做什么？
上下文（context）：给出与任务相关的背景信息。
例子（example）：给出一些例子，让模型知道怎么恢复。
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。
角色：给AI一个最匹配任务的角色。

定义提示词：

复制代码

instruction="""描述让它做什么？"""
context="""内容背景"""
query=""""问题"""
prompt=f"""
    {instruction}
    
    ###上下文
    {context}
    
    ###问题
    {query}
"""

response=generate_responses(prompt)
print(response)


或：
#不是从给出的内容回答问题，而是从它的知识库去回答问题
prompt=f"""问题"""
response=generate_response(prompt)
print(response)

Json格式： {"[具体问题]":"[答案]"

高质量prompt核心要素： 具体，丰富，少歧义。

shot learning样本学习：

one-shot learning:只有一个example
few-shot learning:多个example
zero-shot learning:不给任何的example

让提示词更加稳定的输出：

好的提示词需要不断地优化
说清楚自己到底想要什么，要具体
不要让机器人去猜测太多，为了不让机器人去猜测，我们就需要告诉细节。
提示词工程有一些技巧，灵活掌握，事半功倍。

提示词帮助用户控制语言模型输出，生成适合的特定需求，4个关键要素：

角色定位：明确Bot的身份，建立专业形象。
技能描述：清晰的目标，让Bot知道做什么。
输出格式：结构化回复要求，确保输出规范。
约束条件：限制不当行为，保证安全合规。

规范的Prompt	不规范的Prompt
角色设定，格式强约束，目标具体化，Few-shot示例	指令模糊，无格式约束，零示例示范，依赖模型自身发挥

我们发给大模型的Prompt，不会改变大模型的参数
多轮对话，需要每次都把对话历史带上
和大模型对话，不会让他变聪明或变笨。
但对话历史数据，可能会被用去训练大模型

思维链：

把一个复杂的任务，拆解成多个稍微简单的任务，让大语言模型分布来思考问题。

原理： 让AI生成更多相关的内容，构成丰富的上下文，从而提升下文正确的概率，对涉及计算和逻辑推理等复杂问题，尤为有效。

思维树：

在思维链的每一步，采样多个分支
拓扑展开式一棵思维树
判断每个分支的任务完成度，以便进行启发式搜索
设计搜索算法
判断叶子节点的任务完成的正确性