本文背景

随着不断深入地使用 AI 以及体验更多产品

最近对于大模型的使用感悟又有了一些新收获。

今天，特意来和大家分享10 个大模型的使用妙招 。

这既是分享，也是我自己的学习梳理。

下面介绍的这些技巧，适用于所有大模型应用（比如 ChatGPT、Claude、Gemini、Kimi、腾讯元宝、智谱、豆包、文心、通义、讯飞星火、海螺 AI、百小应、跃问、万知等等），尤其是文本生成类的 AI。

1、让模型扮演一个角色

这个技巧可能很多人都用过，但很少有人知道其中的原因以及如何更好地运用。

“大模型”里有个“大”字，是因为它预训练的参数规模很大（最新的模型参数常常高达万亿级别）。 在大量参数预训练的过程中，出现了基于“规模效应”的智能显现 ，你也可以理解为“大力出奇迹”。

随着参数量的增加，大模型变得更加智能，拥有丰富的“能力包”。 让大模型扮演一个角色，就像是在提醒它“回忆”起自己的能力，调用这个领域的模型能力 ，避免跑偏或者迷失方向。

通过“角色扮演”的提示，我们不再需要对每一项能力进行详细描述，也不用对任务进行细致分解，只需要 简单地设定好角色，就能调用出大模型对应的能力。

那么，我们该如何设定角色，才能正确打开“能力包”呢？

清晰准确地描述这个角色就行。

通用模板：

现在你是一位出色的（你想要的身份），拥有（你想要的教育程度），并且有（你想要的工作年限和工作经验），你的工作内容是（与问题相关的工作内容），同时你具备以下能力（你需要的能力）：

1、

2、

3、

……

通常来说，角色的定义与任务的关联度很大，我们对角色了解得越深入（熟悉行业、懂业务），就越能设定出符合预期的角色。

2、拆分

工作流，也就是我们在和大模型交流时很重要的一种输入方式。任务越复杂，就越得进行拆分，这也更考验我们的本事。

工作流其实就是把任务给分解开。要是让大模型做的任务比较复杂，那我们就得先自己动手把任务拆分成各个部分，还得尽量详细地把每个部分都描述清楚。

这里面可能会有一些任务是 AI 干不了的，得我们自己来完成，然后再提供给 AI（这就叫人机协同）。在实际操作中，这种情况经常出现。毕竟现在的模型还没那么聪明呢，真正的通用人工智能还没到来。

比如说，有个用户来找我，想让我帮她写个能自动抓取、总结并且排版文章的提示词。按照她对这个工作任务的说法，我先给她做了个工作流程图。

接着给她介绍了使用流程，最后才是把提示词交给她，还展示了实际的操作情况。

对工作流进行拆分，我们可以把它看成是一次在任务维度上的调整对齐。当我们用文字来描述这些任务的时候，里面其实隐含了很多背景知识和我们的期望。

比如说，我们想让大模型整理一份《黑神话：悟空》的游戏攻略，这就需要它去思考游戏了解、信息收集、攻略制作、玩家常见问题整理等步骤，这些都在游戏攻略的范围之内。

示例： 做一份《荒野大镖客2》的游戏攻略

提示词：

请帮我做一份《荒野大镖客2》的游戏攻略，下面是一些基本的步骤和思考方法：

1.搜集信息：去找关于《荒野大镖客2》的游戏信息，像游戏机制（战斗系统、角色成长、探索要素这些核心玩法）、整个剧情流程（主线任务和支线任务）、物品、隐藏的线索和彩蛋等等。

2.整理攻略。根据你收集到的信息，整理出一份游戏攻略。这份攻略得充分考虑玩家是新手，保证你的攻略是实用且可行的。

3.整理玩家常见问题：收集并整理玩家在玩游戏的时候可能会遇到的常见问题，比如操作上的疑惑、游戏 bug、配置要求等等。

要是你对任务的背景知识不太了解，不会拆分任务，也不知道怎么描述任务拆分。这个问题完全可以交给大模型，让它来帮你。

任务拆分提示词模板 ：

（你要做的任务），都有哪些步骤呢？该怎么去思考呢？

与 Kimi 沟通示例

3、人人都能搞 RAG

大模型进行推理，实际上是依据用户输入的信息来展开。咱们提供的信息越丰富，大模型推理起来就越顺手。

所以呢，要想让大模型效果更棒，就得尽可能多提供输入信息，也就是当下超火的“RAG”技术（检索增强生成）。

这跟人类大脑有点像，我们不会把所有知识都存进大脑里，而是通过检索的方式动态获取知识，接着再凭借自身的智能去推理、做决策和行动。因此，人类可以在后天学习，能够针对不同场景去学不同知识，具备动态获取知识的本事。

这种后天学习的能力，其实就相当于 RAG。

对于目前的大模型，我们可以用下面这些方法来做 RAG，以此提升知识的拓展性和时效性，还有在专业领域的应用。

1）给模型提供知识库

例如通过 AI bot 平台（扣子/腾讯元器），创建属于自己的 Agent 知识库，让模型基于这个知识库进行生成。

2）指定网页检索生成

让模型访问特定网站（site:域名），检索信息后进行生成。

3）给模型提供上下文

主流大模型应用都支持大量上下文，有十万甚至百万、千万那么多，还支持各种格式。给模型提供一定的上下文，能有效提高生成质量。

提供的上下文资料要注意，文件名、文件内容里的文件名以及跟模型对话中的文件名，最好保持一致，别冲突。

4）使用插件

大模型擅长回答通用领域的问题，但在专业领域就没那么在行了。对于专业领域的知识调用，我们可以通过使用插件来实现，调用专业领域的知识。

4、让模型进行链式思考（

前面提到过，我们要把工作流拆分开，一步一步地分解任务。

对于模型从输入到输出的过程来说，也是这样。我们可以在中间加入一个思维链（Chain of Thought）的推理过程（reasoning chain）。

也就是：input-->Cot-->output

关于 Cot，常见的提示词是“让我们一步一步地思考”，就是让模型逐步进行思考，从而提升模型的生成质量。

比如，如果我想让大模型帮我写一篇文章，那就有两种办法：

1）输入信息后直接输出文章

2）输入信息后先输出大纲，接着完善大纲，再输出标题和正文，然后调整内容，最后输出文章

在《Prompt Engineering Guide》这篇文章里，做了一个简单的 Cot 测试，效果那是相当好。

5、示例要少而精

相信不少人都看过各种提示词模板或者攻略，里面很多都建议添加示例。出发点虽好，但却没提及示例的质量问题。

用户给出示例后，尤其是更多示例时，大模型主要会参照这些示例来回答问题，这在一定程度上会削弱模型自身的思考能力。

现实中，大多数人很难在短时间内把一个意思完整又准确地表达出来。所以你临时想出来的示例，常常存在语言不通顺或者没逻辑等问题，实在没必要放上去。

**要是非得放示例，那就尽量做到“少而精”。

**通过提供更有参考价值的示例，来减少示例带来的不良影响。

有参考示例：

无示例：

6、把要求放在最后

通常情况下，我们会对大模型提出一些要求，比如：

1. 限定字数。

2. 规定文风。

3. 强调用途。

4. 提出去 AI 味的要求（不能用长句子、连词、概括总结）。

5. 要求结构化输出（用 MD 排版或者 Json 格式输出）。

6. 让输出排除某些内容。

7. 让输出只包含特定内容。

8. 提出自检要求（在正式输出前，通读整个回答，检查有没有错别字、标点错误或者语病等）。

9. 进行其他重要性强调（比如“重要”“注意”）。

通过加上这些限制性要求，可以提高 AI 生成结果的准确性。

建议大家在写提示词的时候，把所有限制性要求都放在 Prompt 的最后面，这样能让大模型更“听话”。

背后的原理是：大模型本质上是在做文本补全，生成的内容会更倾向于距离更近的语境。

如果用像 LIME（一种解释机器学习模型预测的算法）这样的模型解释算法来分析，距离更近的文本之间的权重往往更大，这在 Transformer 中的 Attention 权重上能清楚地看到。

你好，我是一名对AI科技充满热情的数字媒体工作者，虽然我缺乏技术背景。我希望你能帮我深入剖析一篇最新发布的大型AI模型研究报告，让我能更准确地把握该领域的技术进步。请从以下7个维度对文章进行详尽的阐释：
1、该研究的核心目标是什么？它旨在解决哪些实际问题？这些问题对AI行业的前进有何深远影响？
2、该研究提出了哪些创新的理念、策略或模型？与现有模型相比，它们有何独特之处和优势？请尽可能根据论文的具体内容进行分析。
3、该研究通过哪些实验来证实所提出模型的可靠性？实验是如何设计的？实验数据和结果如何？请引用关键数据来阐释。
4、该研究的成果将如何影响AI行业？有哪些潜在的应用场景和商机？作为媒体人士，我应该关注哪些点？
5、在未来，该研究方向还有哪些问题和挑战值得深入探讨？这可能会催生哪些新技术和商业机遇？
6、从批判性思维的角度来看，这篇论文还有哪些不足之处和遗漏？还有哪些内容需要进一步验证和质疑？
7、对于非技术背景的读者来说，我应该从这篇论文中学习到什么，有哪些启示？你认为我还需要补充哪些背景知识？
请用1000-1500字的篇幅，对论文进行深入分析。在阐述过程中，请多引用论文中的具体内容、关键数据和实验结果，帮助我清晰地理解论文的创新之处。同时，请从技术和商业的角度，探讨其对AI领域和产业界的影响。如果论文中有一些技术术语我可能不太熟悉，也请提供通俗易懂的解释。
在回答格式上，请注意以下几点：1、使用三级标题来对应上述7个问题，明确区分不同部分。2、采用Markdown格式，适当使用列表、加粗等排版元素。3、引用原文时请采用blockquote的引用格式。4、关键术语首次出现时请加粗。5、使用中文撰写，学术术语可以用英文补充。6、适当插入图表，图文结合，帮助我理解论文内容。
谢谢！

7、与模型反馈和确认

要是你不太确定大模型是不是真的明白了你的问题，那可以通过提问来确认一下。比如说：“我讲得够明白不？”或者“你能懂我的意思不？”

反馈和确认能够帮我们检查大模型是不是真的领会了自己的意图，这样就能减少误会，让沟通更高效。

示例：

无效沟通：“你懂了没？”

有效沟通：“我这么描述清楚不？要是有不明白的地方，跟我说一声，我可以再补充点细节。”

8、让模型反思

让大模型评估一下自己输出的质量，想想哪些地方还能再优化优化，然后重新输出，这样就能得到更好的回答。

示例：

**用户：**我公司打算推出一款人形机器人产品，想结合《黑神话：悟空》游戏来做宣传，帮我想一句广告词。

**初版：**掌控神话，引领未来——[公司名称]人形机器人，与悟空共攀科技高峰。

**优化版：**悟空之勇，触手可及——[公司名称]人形机器人，以情感智能开启科技新纪元。勇敢探索，即刻出发！

9、让大模型自检、自评

当我们和大模型交互的步骤比较多、提示词比较长的时候，大模型的回答有可能是错的。

这时候，一个不错的办法是在工作流程里加上让大模型自我检查的环节，让大模型自己确认一下回答对不对，是不是满足了我们的要求。

类似的方法还有让大模型给自己的回答打分，一直到回答让大模型自己满意为止。

10、指定输出的字数、格式和内容

根据个人需求，可以规定模型输出的字数、风格、格式、场景和用途等，还能提取特定的细节，把输出格式化成 HTML/MD/代码等。

另外，也可以让模型按照指定的格式输出内容。

比如，解释技术性名词，提示词参考：

它通过【啥方法】，解决了【具体啥问题】，类似【通俗易懂的比喻】。

我是大象，目前在做AI写作，副业从事新媒体运营，并拥有自己的工作室。借助AI技术趋势，我们可以做自媒体任何行业的赋能

我通过发布多篇实用干货视频教学，我每天深入研究AI的应用，大部分文案和视频都由AI协助完成，使我的工作效率大幅提升，节省了近一半的人力成本。AI的趋势远不止于此，其潜力巨大。