前言Prompt提示语是使用大模型解决实际问题的最直接的方式本篇介绍Prompt提示工程常用的技巧包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。Prompt提示工程简述Prompt提示语指的是设计和编写提示文本以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西合适的Prompt对于提示学习的效果至关重要因此产生了提示工程专门研究如何设计Prompt目的是找到最优的提示语使得模型的性能和效率达到最高以适应不同的任务和应用场景。对各种模型设计不同的PromptPrompt的一般结构介绍Prompt的一般结构包含4个部分任务指令、背景信息、附加内容、输出要求任务指令明确给到大模型需要执行的任务比如扮演角色身份给出内容方案背景信息提供任务和上下文背景从而生成更相关的输出附加内容额外补充信息包括领域知识库参考样例等等输出要求指定输出的格式比如JSON格式限定输出在某几个选项内限制不允许编造成分等等Prompt中并非要包含以上所有部分可以根据需要自行组合搭配。举个例子需要让大模型输出一个去苏州旅游的攻略Prompt结构如下Prompt结构式例零样本提示Zero-Shot零样本提示Zero-Shot是指没有任何相关数据的参照下直接对模型进行提问用自然语言指令让模型输出内容完成一个任务例如用通过对话模型生成式地完成情感分类任务通过Zero-Shot进行情感分类再例如完成命名实体识别的任务提取出文本中的关键要素从提取结果来看完全正确且没有遗漏但是格式并没有按照要求的JSON来Zero-Shot完成命名实体识别Zero-Shot这种方式最为方便但是由于没有任何相关数据给到模型参照所以模型可能难以彻底按照任务要求和输出要求进行文本生成尤其是对于难以用自然语言来描述清楚的任务。少样本提示Few-Shot少样本提示Few-Shot是指在用自然语言描述的任务中加入少量相关的任务例子使得模型更加充分地理解任务的目标和输出要求增加任务完成的准确性还是以情感分类为例对模型进行Few-Shot如下通过Few-Shot进行情感分类同理针对命名实体识别也可以给到一些例子Few-Shot如下Few-Shot完成命名实体识别提问模型生成内容如下模型提取得非常准确并且模型参照了给的例子进行了JSON格式的输出而在Zero-Shot中并虽然提示语句中要求了JSON格式但并没有按照JSON生成由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成Few-Shot完成命名实体识别结果特别的当给到的参考例子只有一条时此时属于One-Shot提示。思维链提示CoT思维链提示Chain-of-ThoughtCoT常用于推理规划类问题包括逻辑推理数学推理常识推理等相比于语言语境能力推理问题对于大语言模型而言更难因为对于推理问题大模型的训练是把推理结果作为下一个词直接预测而忽略了中间的思考过程而人类在面对推理问题时往往是逐步求解最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程再逐步运算生成答案。以一个简单的数学题问大模型Chatglm2-6B让模型计算出最后的结果采用直接提问的方式问题和回答如下直接提问推理问题很明显模型回答的是错误的正确答案应该是11我们采用思维链提示的方式再试一次具体是给到模型一条类似的题目并且告诉模型解题步骤解题步骤包括中间过程和最终的结果使得对该类问题模型采用这种逐步的思考方式进行回答提问和回答如下思维链的方式提问推理问题显然模型回答正确且逻辑清晰中间过程和结果都回答得很好。除了给到参考解题例子之外研究人员提出零样本思维链提示只需要在问题结尾加上**”让我们逐步思考“**这个魔法语句模型就能够实现逐步推理我们以这种方式进行提问试验一下零样本思维链提示回答推理问题同样得到了正确的结果显然思维链提示CoT对于推理问题比直接提问更有效。任务分解Least-to-Most任务分解也被叫作由少到多提示Least-to-Most旨在当面对复杂提问时将其转化为多个容易解决的子问题并逐一解决它们得到最后的结果。任务分解的方式和思维链类似区别在于任务分解会进行多轮问答并且之前子问题的回答会加入到下一次的提问中相当于逐步填充问题的上下文降低复杂多步推理问题的难度。我们同样先做对比对模型直接提问一个计算题问题和回答如下直接对模型提问复杂问题很明显答案错误正确答案应该是5桶。下面我们采用任务分解的形式首先提问模型解决这个问题需要先完成哪个子问题回答子问题是什么模型说了一大堆第一句话就已经回答出了子问题即要先解决购物劵总额的问题我们将这个问题加入到原始提问中让模型先回答出这个子问题的答案回答子问题的答案子问题回答正确购物劵总额是500元下一步就可以直通最终问题了我们将子问题和子问题的答案拼接到原始提问上形成最终的Prompt最终模型回答为5桶回答正确且模型回答的逻辑清晰完美印证了任务分解这种方式能够提高对复杂问题的推理准确性全文完毕。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 AI大模型系列：Prompt提示工程常用技巧和实践，建议收藏起来慢慢看！！
前言Prompt提示语是使用大模型解决实际问题的最直接的方式本篇介绍Prompt提示工程常用的技巧包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。Prompt提示工程简述Prompt提示语指的是设计和编写提示文本以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西合适的Prompt对于提示学习的效果至关重要因此产生了提示工程专门研究如何设计Prompt目的是找到最优的提示语使得模型的性能和效率达到最高以适应不同的任务和应用场景。对各种模型设计不同的PromptPrompt的一般结构介绍Prompt的一般结构包含4个部分任务指令、背景信息、附加内容、输出要求任务指令明确给到大模型需要执行的任务比如扮演角色身份给出内容方案背景信息提供任务和上下文背景从而生成更相关的输出附加内容额外补充信息包括领域知识库参考样例等等输出要求指定输出的格式比如JSON格式限定输出在某几个选项内限制不允许编造成分等等Prompt中并非要包含以上所有部分可以根据需要自行组合搭配。举个例子需要让大模型输出一个去苏州旅游的攻略Prompt结构如下Prompt结构式例零样本提示Zero-Shot零样本提示Zero-Shot是指没有任何相关数据的参照下直接对模型进行提问用自然语言指令让模型输出内容完成一个任务例如用通过对话模型生成式地完成情感分类任务通过Zero-Shot进行情感分类再例如完成命名实体识别的任务提取出文本中的关键要素从提取结果来看完全正确且没有遗漏但是格式并没有按照要求的JSON来Zero-Shot完成命名实体识别Zero-Shot这种方式最为方便但是由于没有任何相关数据给到模型参照所以模型可能难以彻底按照任务要求和输出要求进行文本生成尤其是对于难以用自然语言来描述清楚的任务。少样本提示Few-Shot少样本提示Few-Shot是指在用自然语言描述的任务中加入少量相关的任务例子使得模型更加充分地理解任务的目标和输出要求增加任务完成的准确性还是以情感分类为例对模型进行Few-Shot如下通过Few-Shot进行情感分类同理针对命名实体识别也可以给到一些例子Few-Shot如下Few-Shot完成命名实体识别提问模型生成内容如下模型提取得非常准确并且模型参照了给的例子进行了JSON格式的输出而在Zero-Shot中并虽然提示语句中要求了JSON格式但并没有按照JSON生成由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成Few-Shot完成命名实体识别结果特别的当给到的参考例子只有一条时此时属于One-Shot提示。思维链提示CoT思维链提示Chain-of-ThoughtCoT常用于推理规划类问题包括逻辑推理数学推理常识推理等相比于语言语境能力推理问题对于大语言模型而言更难因为对于推理问题大模型的训练是把推理结果作为下一个词直接预测而忽略了中间的思考过程而人类在面对推理问题时往往是逐步求解最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程再逐步运算生成答案。以一个简单的数学题问大模型Chatglm2-6B让模型计算出最后的结果采用直接提问的方式问题和回答如下直接提问推理问题很明显模型回答的是错误的正确答案应该是11我们采用思维链提示的方式再试一次具体是给到模型一条类似的题目并且告诉模型解题步骤解题步骤包括中间过程和最终的结果使得对该类问题模型采用这种逐步的思考方式进行回答提问和回答如下思维链的方式提问推理问题显然模型回答正确且逻辑清晰中间过程和结果都回答得很好。除了给到参考解题例子之外研究人员提出零样本思维链提示只需要在问题结尾加上**”让我们逐步思考“**这个魔法语句模型就能够实现逐步推理我们以这种方式进行提问试验一下零样本思维链提示回答推理问题同样得到了正确的结果显然思维链提示CoT对于推理问题比直接提问更有效。任务分解Least-to-Most任务分解也被叫作由少到多提示Least-to-Most旨在当面对复杂提问时将其转化为多个容易解决的子问题并逐一解决它们得到最后的结果。任务分解的方式和思维链类似区别在于任务分解会进行多轮问答并且之前子问题的回答会加入到下一次的提问中相当于逐步填充问题的上下文降低复杂多步推理问题的难度。我们同样先做对比对模型直接提问一个计算题问题和回答如下直接对模型提问复杂问题很明显答案错误正确答案应该是5桶。下面我们采用任务分解的形式首先提问模型解决这个问题需要先完成哪个子问题回答子问题是什么模型说了一大堆第一句话就已经回答出了子问题即要先解决购物劵总额的问题我们将这个问题加入到原始提问中让模型先回答出这个子问题的答案回答子问题的答案子问题回答正确购物劵总额是500元下一步就可以直通最终问题了我们将子问题和子问题的答案拼接到原始提问上形成最终的Prompt最终模型回答为5桶回答正确且模型回答的逻辑清晰完美印证了任务分解这种方式能够提高对复杂问题的推理准确性全文完毕。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】