选自微软博客

(资料图片)

机器之心编译

机器之心编辑部

几个月来，ChatGPT、GPT-4 等大模型陆续发布。这些模型表现出了强大的涌现能力，但模型生成的结果是随机的，时好时坏，部分原因与 Prompt 的设计密切相关。

很多人将 Prompt 比喻为大模型的咒语，在引导模型生成内容方面影响很大，如何选择 Prompt 成了每个 AI 研究者关注的问题。最近微软官方出了一份教程，该教程介绍了 Prompt 设计和工程中的一些高级玩法，涵盖系统消息、少样本学习、非聊天场景等内容。

每部分内容都有技术介绍和示例展示，下面我们看看具体内容有哪些。

关于 Prompt，你应该了解这些

系统消息

系统消息包含在 Prompt 的开头，用于为模型提供上下文、说明或与用例相关的其他信息。用户可以通过系统消息描述模型应该回答什么、不应该回答什么，以及定义模型回复的格式。

下图示例展示了系统消息和模型生成的回复：

通常，系统消息还可以是这样的：

上表中 Assistant 是一个由 OpenAI 训练的大语言模型。

Assistant 是一个智能聊天机器人，旨在帮助用户回答问题。要求模型只能使用给定的上下文来回答问题，如果不确定答案，你可以说「我不知道」。

Assistant 是一个智能聊天机器人，例如其能帮助用户回答税务相关问题。

又比如你是一个 Assistant，旨在从文本中提取实体。用户将粘贴一串文本，你将以 JSON 对象的形式回应你从文本中提取的实体。

这是输出格式的示例：

上面就是关于系统消息的介绍，不过一个重要的细节是，即使是设计良好的系统消息，模型仍有可能生成与系统消息指令相矛盾的错误回复。

小样本学习

让语言模型适应新任务的一种常见方法是使用小样本学习。小样本学习提供了一组训练样本作为 Prompt 的一部分，以便为模型提供额外的上下文信息。

用户和 Assistant 之间的一系列信息（以新的 Prompt 格式编写）可以作为小样本学习的示例。这些示例可用于引导模型以某种方式做出响应、模拟特定行为并为常见问题提供种子答案。

Prompt 的基本结构。

非对话场景

虽然当前大模型的主要应用场景是对话生成场景，但也可以用在非对话场景。例如，对于情感分析场景，你可能会使用以下 Prompt：

使用明确的指令

一般来讲，信息在 Prompt 中出现的顺序很重要。由于 GPT 类模型是以特定方式构建的，该构建过程定义了模型对输入的处理方式。研究表明，在 Prompt 开始时告诉模型你希望它执行的任务，然后再共享其他上下文信息或示例，可以帮助模型产生更高质量的输出。

最后重复一遍指令

模型容易受到最新偏差的影响，在这种情况下，末尾 Prompt 信息可能比开头 Prompt 信息对输出的影响更大。因此，在 Prompt 末尾重复指令值得一试。

对输出的操作

这种情况是指在 Prompt 末尾包含几个单词或短语以获得符合所需形式的模型响应。例如，使用诸如「Here’s a bulleted list of key points:\n- 」之类的 Prompt 可以帮助确保输出格式为项目符号列表。

添加语法

为 Prompt 添加语法，例如标点符号、标题等，这样做使输出更容易解析。

下面示例中，不同的信息源或 step 之间添加了分隔符（在本例中为 ---）。这种操作允许使用 --- 作为生成的停止条件。此外，部分标题或特殊变量以大写形式出现以进行区分。

把任务分解

如果将任务分解为更小的 step，大型语言模型 (LLM) 通常会表现得更好。

注意，这里使用了语法来区分各个部分并对输出进行初始化。在这个简单的例子中，将任务从一个 step 分解为两个 step 结果并不很明显，但是当试图对包含许多事实声明的大块文本进行此操作时，将任务分解会产生显著的差异。

思维链提示

这是分解任务技术的一种变体。在这种方法中，不是将任务拆分为更小的 step，而是指示模型响应逐步进行并呈现所有涉及的 step。这样做可以减少结果不准确，并使评估模型响应更加容易。

提供真实上下文

在该方法下，本文建议提供给模型真实数据。一般来讲，原始数据越接近最终答案，模型需要做的工作就越少，这意味着模型出错的机会就越少。在下面示例中，系统消息提供了最新的文章，然后要求模型给出一些早期客户，模型准确的给出了答案。

除此以外，微软在这份指南中还介绍了关于 Prompt 其他技巧，大家可以前去原文查看，获取更多信息。

责任编辑：