当前位置: 首页 > news >正文

大模型提示词技巧Prompt Engineering,看这一篇就够了 - 知乎

让模型听话,按照要求思考,关键就在Prompt。

前言

你在写prompt时候,是不是总觉得大模型它不听话。要么答非所问、要么一堆废话。扒开思考过程仔细阅读时而觉得它聪明绝顶,时而又觉得它愚蠢至极。明明已经对了怎么又推理到错的地方去了,明明在提示词中提醒过了不要这么思考它怎么就瞎想了。这也许就是每一个Prompt Engineer的困扰。怎么能让模型按照要求去思考。

长提示词到底应该怎么写,有没有方法可以一次命中,找到那个终极的提示词。 答案是否定的,一篇成功的长提示词总是要经历初始版本、调优、测试、再调优。不过这个过程中有规律可循,有方法可套。 以下就是被提示词反复捶打,经历无数痛苦经历后总结的一套提示词写作方案,保你可以得到满意的长提示词,让模型听话。

结构

也许你小某书、某站看过了各种提示词结构,比如:CRISE,BROKE,ICIO等等,这些框架当然是有很大价值的,在非精准类问题(精准类问题:数据查询分析,非精准类问题:文本解析,写作、翻译等)或者非复杂性问题上没有问题。在复杂性高的精准性问题上就没有那么有效了。我们这边一直探索的是大模型在数据分析场景的应用,对准确性要求极高,覆盖的场景也非常的复杂,经过探索和尝试,总结出来一套形式有效的提示词结构:

角色/任务 + 核心原则 + 上下文处理 + CoT(Chain of Thoughts) + 输出规范 + Few-Shot

还需要适当添加要求和限制,下面会以实战经验来讲解每一个模块应该怎么写。

写在前面

模型是接收Prompt的主体,同时也是写Prompt的高手,在初始版本和调优过程中也可以起到关键作用。

借助模型生成初始版本Prompt

  1. 准备query和期望输出的结果30条

  2. 准备上下文输出,和文本结构介绍

  3. 清晰描述模型要实现的目标以及输出的提示词框架

将以上内容给到大模型,可以快速得到初始版的提示词,比自己动手写第一版要有效的多。

借助模型优化Prompt

  1. 准备测试集以及当前prompt生成的结果

  2. 添加准确结果和备注,备注描述生成错误结果的原因

使用模型初始化和优化可以解决基础问题,真正的优化还是要靠自己。

Prompt格式

md或者json,我选择md格式。

不仅仅是因为md格式比较好看,主要是为你md格式结构清晰,撰写方便,而且拓展性很好。总结下来md是比较好的选择。

json格式虽然结构清晰,但是扩展性太差,写的太长了容易把自己搞晕,慎重选择。

Prompt模块

不同模块承担不同的作用,复杂程度不同需要的模块也不同。

角色&任务

角色辅助,讲清楚任务。 此部份在prompt最前面,是最高指令,告诉模型它是谁,要干嘛。

角色:模型本身是具备各领域知识能力的,解决当前具体问题需要调用模型哪方面的能力,是通过角色定位完成的。 你是一名牙科医生,你是一名数据分析师、你是一名川菜厨师等让模型从一个杂学家变成专业领域的科学家。

任务:一句话讲清楚模型要干嘛,数据分析师可以写sql查询数据、可以使用python分析数据、可以数据可视化,也可以写分析报告。

角色和任务约束模型调用某方面能力完成一个具体的事情。

核心原则

核心原则可以一开始就输出,也可以在调优过程中生成。 可以理解为模型执行任务时要遵守的最高原则,纲领性质的要求。所以核心准则不能多,3条以内,超过3条很容易就失效了。

比如在生成sql的prompt中,为了保证生成的sql可以查询出数据,就得有以下核心原则。

比如在做分词提取时,我们的分词倾向性也可以写在核心原则内

一开始实现某个任务时,核心原则可能还没有,在优化过程中有些问题在提示词主体中总是解决不了,可以考虑在核心原则中优化。对于模型来源核心原则会被考虑的权重是比较高的,仅次于角色和任务。

上下文处理

当前Context Engineering概念比Prompt Engineering更加流行,一句话概括就是让上下文以恰当的格式出现在恰当的位置,知识库可以包括:多论对话的长短记忆、知识库rag结果、提示词、工作流上游输出等。能让上下文发挥最大作用,就必须把上下文讲清楚,放对位置。

上下文模块组织原则:

  1. 上下文内容比较长,最好放到最后,以免打断提示词

  2. 上下文结构讲清楚,合适和组织形式影响token数量也会影响性能(不展开讲)

  3. 上下文在任务中承担的作用和价值

举例:在生成sql环节,上下文输入较多,具体组织形式如下:

上下文输入:一般放在提示词结尾处:

特别注意:上下文的结构和形式的优化一般适合提示词的优化协同的,二者同步优化才能达到最好的效果。

CoT(Chain of Thoughts)

CoT

CoT本来是提示词的一种框架,是针对逻辑比较强的任务场景提出的。就是要提醒或者约束模型按照要求思考,以提升准确率。

举个经典例子:小明有5个苹果,3个梨。妈妈拿走2个苹果,爸爸给了1个梨,小明拿1个梨和姐姐换了1个苹果,请问最终小明有几个苹果几个梨。

提示词1: 请回答最终小明有几个苹果几个梨; 这时候答案很有可能是错的。

提示词2: 第一步:将小明每次获取、失去、交换所有物品作为一个节点,奖整个过程按照节点切分成不同的计算任务 第二步:计算每一个节点结束后小明所有物品的数量 第三步:计算出最终的结果后复盘是否准确;这个时候模型就是一步一步计算结果,更容易得到正确的答案。

在复杂场景下,CoT,也可以理解为执行流程或者说思考过程,可以作为整个prompt一部份,模型在充分理解任务和上下文之后,再按照CoT步骤执行拆解任务,往往可以让模型按照要求执行,听话程度高出很多。我们的经验是可以提升准确了20个percent。

示例如下:维度解析

要求和限制

要求和限制,看是什么级别,可以写在CoT模块内,也可以单独一个模块,因地制宜即可。

要求和限制一般是任务中需要特殊强调、特殊处理的逻辑,建议二者分开写。举例:

特殊逻辑表达

在写prompt中有些逻辑用文字特别难以准确表达,有时候准确表达出来需要上百字,对于模型准确理解就更难了。 这个时候可以考虑使用伪代码来表达,模型理解起来既快又准。

比如,收入月报每月定稿时间13日,如何根据当前时间取出月表的最新时间,并考核时间的格式。

输出规范

模型太爱表达了,它往往不会只输出你想要的内容,总是输出很多自己的思考过程或者考虑的因素,以表达自己的聪明。又或者是不按照要求的格式输出,对输出的规范要求必不可少,一些平台可以实现结构化输出,不过结构化输出的基础是要模型能输出结构清晰的结构。

输出规范一般包含两部分内容:

  1. 期望输出的内容和结构

  2. 禁止输出的内容和结构

举例如下:

Few-Shot

提升准确率非常有效的手段,就好比一个应届生,你让他去看一个文件,然后按照文件要求做事,很难理解到位。 如果你再提供一两个例子,基本上聪明的同学就能很好的完成任务。 模型当然属于聪明的同学这一类。示例一定要按照上述CoT的过程来写,二者一致则能让模型最大限度的按照既定的要求思考。

举例如下:

写在最后

不同的模型、不同的场景也许写prompt的细节不尽相同,但整体的框架是相通的。按照这个框架,人人都可以写出满意的Promt! 以上分享来自腾讯CSIG磐石数据中心。在数据洪流时代,企业不缺数据,缺的是从数据中洞见未来的能力。CSIG磐石数据中心以领先的AI数据分析引擎,为您打造“会思考、能决策”的智能数据中枢!

http://www.hskmm.com/?act=detail&tid=20734

相关文章:

  • sg.测试 PySimpleGUI 取值方法
  • Gitee DevOps:本土化基因驱动中国企业研发效能革命
  • 快速查看Navicat数据库连接密码实战
  • 老旧系统接入统一认证
  • 每周读书与学习-初识JMeter 元件(三)
  • Playwright MCP浏览器自动化全攻略
  • 【IEEE出版、连续3届稳定EI检索】第四届能源互联网及电力系统国际学术会议(ICEIPS 2025)
  • 大内容 Python动漫信息管理系统 Django+Echarts 类型饼图 折线图分析 后台管理 智能推荐(源码)✅
  • 划分子网与连通性
  • Python 之创建虚拟目录
  • 深入解析:从“硬件能力比拼”到“生活价值交付”,方太智慧厨房重构行业竞争内核
  • 题解:CF1548E Gregor and the Two Painters
  • Gitee DevOps:重塑中国软件开发效率的新范式
  • Gitee:中国开发者生态的崛起与数字化转型新动能
  • 悟空博弈框架深度研究:从技术架构到商业应用的全景分析——声明ai研究
  • 油猴脚本-自动刷新网页
  • PostgreSQL数据库查询表是否被锁,以及解锁表的办法
  • 用信号量机制实现互斥,同步,前驱
  • 详细介绍:HDFS和MapReduce——Hadoop的两大核心技
  • 【AI 哲学思考】从大模型演进到生命隐喻:个性、极限与先天后天之问
  • 【AI 哲学思考】记忆的形态:从人脑到 AI 的存储之问
  • ISP DMA TEST
  • 三脚电感在报警器芯片里的实际作用与用法
  • 洛谷题单指南-进阶数论-P5091 【模板】扩展欧拉定理
  • jenkins maven nacos springboot profile实现多环境配置
  • RAG is really dead? 大模型和知识之间的桥梁没了? - spader
  • opencv学习记录4
  • 深入解析:Java-136 深入浅出 MySQL Spring Boot @Transactional 使用指南:事务传播、隔离级别与异常回滚策略
  • .NET操作Excel:高效材料读写与批量运行
  • Qwen-Image技术报告