提示词工程

大模型提示词推理架构对比：ReAct/CoT/ToT人工智能（AI）已不再只是一个流行词——它是驱动现代问题解决的引擎。但AI究竟是如何“思考”的呢？这就涉及到了推理框架。在本文中，我们将探讨三种关键框架：ReAct（推理与行动）、思维链（Chain-of-Thought, CoT）和思维树（Tree-of-Thoughts, ToT）。你可以将这些框架视为AI用来应对挑战的“思维模式”。每种框架都提供了独特的工具，帮助AI分解复杂问题、进行推理并适应新情况——所有这些都以一种模仿人类思维的方式完成。

大语言模型提示技巧（八）－防止胡说八道自然语言往往充满歧义和模糊性，模型在学习时可能会产生误解或错误理解一些概念，导致生成不准确的信息。为了尽量减少这些问题，研究人员和工程师会使用更大规模、更多样化和更准确的训练数据，调整模型架构，以及使用更先进的训练技术。但是自然语言本身就是复杂且充满挑战的，完全消除这些问题可能是非常困难的。所以，在使用大语言模型时，我们会发现它有时候会编造一些胡说八道的信息。上述两个模型的回复信息都完全是虚假的，但模型会一本正经地给出回复，甚至介绍了实现原理。可见“胡说八道”是大语言模型的通病。甚至曾经有人在法庭文书中

大语言模型提示技巧（七）－扩展扩展是将较短的文本，例如一组提示或主题列表，输入到大型语言模型中，让模型生成更长的文本。我们可以利用这个特性让大语言模型生成基于某个主题的电子邮件或小论文。通过这种方式使用大语言模型，可以为工作与生活提供诸多便利，而即便不能获得满意的结果，大型语言模型也将是一名优秀的头脑风暴的伙伴。当然，如果以不负责任的目的使用这种功能，也可以快速产生大量垃圾内容，所以我们在使用大语言模型时须谨记我们的社会责任。继续以本系列文章前面曾使用过的网购客户评价为例，利用扩展可自动生成对评价的回复，提升客户购物的良好体验。你

大语言模型提示技巧（六）－文本转换大语言模型是基于自然语言的人工智能，所以它在语言上的表现相当出色，使用大语言模型进行可以进行诸如翻译、语气转换、润色、语言评价、扩写、润色等语言处理，对于日常文字工作，它是一名合格甚至优秀的私人秘书。（一）翻译在不同语言之间进行翻译是众多大语言模型都支持的特性，相对于翻译软件而言，语言模型的翻译往往更加出色，并且它可以根据指定的场景翻译出更地道的语言。请将以下由双引号包含的文本翻译成中文，分别展示成正式与非正式两种语气： "Would you like to order a pillow?" 上述示

大语言模型提示技巧（五）－推断大语言模型具备从文字中推断情感和主题的能力。这种能力可用于获知客户对产品评价的情感、新闻或媒体文章的主题或倾向等。大语言模型的这种推断能力可被应用于舆情分析等场景。推断可以看作是模型接收文本作为输入并执行某种分析的过程，其中涉及提取标签、提取实体、情感分析等。如果想要从一段文本中提取正面或负面情感，在传统的机器学习工作流程中，需要收集标签数据集、训练模型、确定如何在云端部署模型并进行推断。传统机器学习的这种做法也能达到还不错的效果，但是显然这个过程需要大量工作，而且对于每个不同任务，如情感分析、提取实体

大语言模型提示技巧（四）－文本概括文本概括是大语言模型的常用功能之一，我们总结一段文字、一篇文章的主要内容，一篇论文的摘要，甚至一本书的简介都属于文本概括的范畴。听起来文本概括对文字工作者有帮助，但事实上文本概括的应用可不止于此，例如一个常见的场景是电商商家对客户海量、冗长的评论进行概括，服务商能够高效地浏览更多评论，洞悉客户的偏好，从而指导平台与商家提供更优质的服务。以下是对从某电商平台上随意找到的一段相对较长的客户评论进行文本概括的示例，示例中隐去了具体平台的名称，修改了一个错别字，其余均保持评价原文不动。请将以下客户对商品的评价

大语言模型提示技巧（三）－迭代式提示我们与大语言模型交互时，往往给出的提示过于简略，而大语言模型还没有达到能够准确猜测你意图的程度，这个时候大模型并不能立即反馈出令人满意的答复，此时，我们需要做的是对大语言模型进行迭代式提示，这个迭代可以反复推进，直至大语言模型给出了令人满意的答案。比如，某款智能灯箱产品需要一篇营销文案，而当前我们已经获得了该智能灯箱的产品介绍，下面我们看看如何让大语言模型利用这灯箱的产品介绍生成我们需要营销文案。提示词：以下是一个产品的相关技术信息，请根据这些信息生成一份产品的营销文案。 ``` IUBIOT灯箱安

大语言模型提示技巧（二）－给模型时间思考在与大语言模型交互的时候，如果模型给出了错误的结论，不要着急否定大模型的能力，我们应当尝试重新构建查询，请求模型在提供它的最终答案之前进行一系列相关的推理。也就是说，如果给模型一个在短时间或用少量文字无法完成的任务，它可能会给出不那么完美甚至是错误的回答。其实这种情况对人类来说也是存在的。一个人解答复杂的数学问题时，如果没有充足时间进行计算，他们通常也不能给出正确的答案。因此，如果模型给出了错误的结论，我们可以指示模型花更多时间进行思考，以便最终得出令人满意的结果。策略1：指定完成任务所需要的步骤例：

大语言模型提示技巧（一）－指令要清晰、具体在与大语言模型对话时，应该提供尽可能清晰和具体的指令来表达希望模型执行的操作，这将有助于模型给出接近你所期待的输出，并降低得到无关或不正确回复的可能性。但需要注意的是，编写清晰的指令不意味着编写简短的指令，事实上，更长的提示实际上更清晰且提供了更多的上下文，这会使得大语言模型输出更详细更相关的内容。本文介绍了编写清晰、具体指令的几个策略。以下所有示例的实测，均使用文新大模型3.5。策略1：使用分隔符清晰地表示输入的不同部分通常指令中会包含表达用户目的“指令”本身及“指令”所在处理的“内容”，此时可以

安冬的码畜日常

【工欲善其事】巧用 PowerShell 自动清除复制 PDF 文本时夹杂的换行符号不知各位是否也为复制过来的文本中夹杂的回车换行符抓狂过？就是在复制 PDF 格式的一段跨行文本时，比如我今天要尝试翻译的 D3.js 中的一段话：

【大模型实战篇】创建有效的大模型提示词Prompt(提示词工程)随着chatgpt、llama、chatglm、claude AI等一系列生成式 AI 工具的普及，很明显能感受到，个人的生产力得到了大幅地提升。这些生成式算法模型能够帮助我们开发新想法、轻松获取信息，并简化各种个人和职业任务。个人在日常生活、工作中已经大比例地在应用这些大模型服务，包括英语口语的练习、旅行规划、代码编程、文档的撰写，甚至包括用大模型备考。

敲代码不忘补水

Prompt 模版解析：诗人角色的创意引导与实践Prompt 模版作为一种结构化工具，旨在为特定角色——本例中的“诗人”——提供明确的指导和框架。这一模版详尽地描绘了诗人的职责、擅长的诗歌形式以及创作规则，使其能在自动化系统中更加精确地执行任务。诗人角色擅长编写现代诗、七言律诗和五言诗，同时强调内容的健康性和积极向上。通过应用 Prompt 模版，用户可以明确指定诗歌的形式和主题，系统则根据这些参数精心创作出匹配的诗歌。这一模版不仅提升了创作的效率，还维护了作品的文学价值和情感深度，展示了技术与传统诗歌艺术的完美结合。

使用LangGPT提示词让大模型比较浮点数LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题，本文采用LangGPT 进行结构化提示词设计，让internlm2-chat-1_8b能够正确比较浮点数。（注意：估计1.8B的对话能力比较弱，别把模型带偏了：））

【拥抱AI】介绍Prompt框架ICIO和CRIPSEICIO Prompt框架是一种用于创建清晰、具体提示的方法，旨在提高AI模型的交互效率和准确性。ICIO是一个缩写，代表以下四个基本部分：

提示词工程（Prompt Engineering）是什么？Prompt Engineering 提示词工程（Prompt Engineering）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。

程序员不鸣

大模型应用：Prompt-Engineering优化原则随着大模型的出现及应用，出现了一门新兴“技术”，该技术被称为Prompt-Enginerring。Prompt Engineering即提示工程，是指在使用大语言模型时，编写高效、准确的Prompt(提示词)的过程。通过不同的表述、细节和关键词，使大模型更好服务于特定任务。

大数据AI人工智能培训专家培训讲师叶梓

USP技术提升大语言模型的零样本学习能力大语言模型（LLMs）在零样本和少样本学习能力上取得了显著进展，这通常通过上下文学习（in-context learning, ICL）和提示（prompting）来实现。然而，零样本性能通常较弱，因为缺乏指导和难以应用现有的自动提示设计方法。论文提出了一种名为Universal Self-Adaptive Prompting（USP）的自动提示设计方法，旨在提升大语言模型（LLMs）在零样本学习（zero-shot learning）任务中的表现。USP通过使用少量未标记数据和仅推理的LLM生成伪示例（

提示词优化的自动化探索：Automated Prompt Engineering编者按：作者在尝试教授母亲使用 LLM 完成工作任务时，意识到提示词的优化并不像想象中简单。提示词的自动优化对于经验并不丰富的提示词撰写者很有价值，他们没有足够的经验去调整和改进提供给模型的提示词，这引发了对自动化提示词优化工具的进一步探索。

TnT-LLM: Text Mining at Scale with Large Language Models相关链接：arxiv 关键字：Large Language Models (LLMs)、Text Mining、Label Taxonomy、Text Classification、Prompt-based Interface