干货 | 25个用好AI大模型的提示词技巧分享

如何精心雕琢一条既能让庞大模型轻松领悟，又能确保其精准执行的“prompt”，已成为每位AI探索者面前的一道必答题。

优化“prompt”确实是一项既具挑战性又充满策略性的任务。老师们如果能清晰传达疑问，可避免冗余或模棱两可的表述成为交流的障碍。

以下是这 25 条原则的完整总结：

1、简洁明确：研究人员指出，与LLM交互时，无需多余的礼貌用语。直接、清晰地提出问题是关键。例如：“描述人体细胞的结构。”这样的提示既直接又明确，有助于模型迅速准确地给出答案。

2、考虑受众：最好在提示中明确指出预期的受众类型，例如老人或 5 岁儿童。你可以这样问：针对一个10岁的儿童，如何从深圳宝安机场乘坐飞机前往上海虹桥机场。

3、分解复杂任务：将复杂的任务拆解为一系列清晰、具体的提示，让模型能够逐步深入并准确理解。以数学表达式简化为例：“P1：将负号分配给以下等式的括号内的每个项：2x +3 y-（4x -5 y）；P2：分别组合“x”和“y”的类似项；P3：提供合并后的简化表达式。”

4、使用肯定性指令：请采用如“做”或“执行”这样的正面指导词汇，代替“请勿”或“不要做”这样的否定性表达。

5、寻求解释：当寻求对某一概念或问题的深入理解时，有效方法是直接提出要求，用最简单明了的语言进行解释。比如，可以直接说：“为了更好地理解，请用初学者的角度和最简单的语言为我讲解。”这样的请求直接且高效，有助于快速获得清晰透彻的解答。

6、结合思维链：将思维链（CoT）与少量示例提示结合起来。示例：“例 1：10 除以 2。首先取 10 除以 2，结果是 5。例 2：20 除以 4。首先取 20 除以 4，结果是 5。第一个问题：“30 除以 6。首先取 30 除以 6，结果呢？”

7、示例驱动：为了精准引导模型生成符合期望的输出格式，在请求时，可以直接提供一个具体的示例，作为模型生成内容的模板或指南。比如，当希望将某段文字优化为邮件回复的形式时，可以这样表达：“请参照以下示例，将这段文字转换为正式且礼貌的邮件回复格式进行优化。”

8、格式化提示词：为了提升大模型处理复杂任务时的准确性和效率，可以使用高度结构化的指令格式。通过精心设计的分隔符，如“#Instruction#”“#Example#”和“#Question#”，可以清晰地划分出说明、示例、问题及上下文等关键部分，使模型更容易理解和执行。

9、明确角色：在提示中为模型分配一个明确的角色或任务。如：“你是一位科普讲解员，任务是向一位朋友解释臭氧的奥秘。在这个过程中，你必须运用简单易懂的语言，避免使用复杂的科学术语，以确保对方能够轻松理解并掌握这一自然现象。”

10、遵守规则：明确指出模型必须遵循的规则或关键词。如：“你是一位科普讲解员，任务是向一位朋友解释臭氧的奥秘。如果你不使用简单的语言，你将受到惩罚。”

11、自然语言回答：要求模型以自然、类似人类的方式回答问题。如：“写一段关于全民健身的文章，以自然、人性化的方式回答问题。”

12、逐步思考：使用引导性的词语，如“思考步骤”。示例：“编写一段 Python 代码，循环遍历 10 个数字并对它们求和。让我们一步一步地想。”

13、无偏见：确保答案无偏见，避免依赖刻板印象。如：“文化背景如何影响人们对心理健康的看法？确保你的回答是公正的，避免依赖刻板印象。”

14、互动提问：允许模型通过提问来获取必要的信息。如：“从现在开始，问我问题，直到你有足够的信息来创建一个个性化的国庆节新疆旅游攻略。”

15、教学测试：通过提供一个定理或问题的教学，并在最后进行测试。如：“教我[任何定理/主题/规则名称]，并在最后提供一个测试同时不要给予我答案，如果我得到了正确的答案，告诉我。”

16、指定角色：为LLM大模型分配一个特定的角色或身份。例如：“如果你是一位经济学家，你会如何回答：资本主义和社会主义经济制度之间的主要区别是什么？”

17、使用分隔符：在提示中使用分隔符来区分不同的部分。如：“撰写一篇有说服力的文章，讨论‘可再生能源’在减少温室气体排放方面的重要性。”

18、重复关键词：在提示中多次重复特定的单词或短语。例如：“进化作为一个概念，塑造了物种的发展。进化的主要驱动力是什么？进化如何影响现代人类？”

19、输出引导：在提示的结尾处提供期望输出的开头。例如：“描述牛顿第一运动定律背后的原理。说明：”

20、详细说明：要求模型提供详细的文本，包括所有必要的信息。例如：“写一个详细的段落给我关于苹果公司的演变，详细地添加所有必要的信息。”

21、修改文本：在不改变风格的情况下修改特定文本。例如：“尝试修改用户发送的每一条文本。你应该只提高用户的语法和词汇，并确保它听起来自然。你应该保持原来的写作风格，确保一个正式的段落保持正式。”

22、代码生成：对于涉及多个文件的复杂编码提示，生成可以自动创建或修改文件的脚本。例如：“从现在开始，每当你生成跨越多个文件的代码时，生成一个[编程语言]脚本，可以运行它来自动创建指定的文件，或者对现有文件进行更改以插入生成的代码。”

23、继续文本：使用特定的单词、短语或句子来启动或继续文本。例如：“我给你提供了一个奇幻故事的开头：“迷雾山脉隐藏着无人知晓的秘密。“根据提供的文字完成，保持一致。”

24、明确要求：清楚地陈述模型为了产生内容必须遵循的要求。例如：“为海滩度假创建一个打包清单，必需包括以下关键词‘防晒霜’‘泳衣’和‘海滩毛巾’。”

25、模仿样本：如果希望生成的文本类似于提供的样本，则包括相应的指令。例如：“‘温柔的海浪向银色的沙滩低声诉说着古老的故事，每个故事都是过去时代的短暂记忆。’根据提供的文本使用相同的语言来描绘山与风的相互作用。”

根据实验结果，在所有规模的LLM上，25条原则均能显著提升响应质量，特别是在大模型（如 GPT-4）上，这些原则带来的改进更为显著。对于小规模和中等规模的模型，平均绝对准确性可以达到 10%至 40%，而对于大规模模型，准确率可以超过 40%。

来源：风变编程 转载：未名教学服务第一线