当前位置：首页 > news >正文

提示工程指南学习记录（二）

news 来源：原创 2025/4/20 23:19:16

提示词要素

如果您接触过大量提示工程相关的示例和应用，您会注意到提示词是由一些要素组成的。

提示词可以包含以下任意要素：

指令：想要模型执行的特定任务或指令。
上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
输入数据：用户输入的内容或问题。
输出指示：指定输出的类型或格式。

为了更好地演示提示词要素，下面是一个简单的提示，旨在完成文本分类任务：

提示词

请将文本分为中性、否定或肯定  # 指令
文本：我觉得食物还可以。	# 输入数据
情绪：					# 输出指示

在上面的提示示例中，指令是“将文本分类为中性、否定或肯定”。输入数据是“我认为食物还可以”部分，使用的输出指示是“情绪：”。请注意，此基本示例不使用上下文，但也可以作为提示的一部分提供。例如，此文本分类提示的上下文可以是作为提示的一部分提供的其他示例，以帮助模型更好地理解任务并引导预期的输出类型。

# coding: utf-8
from pprint import pprint

from litellm import completion
import os

# set ENV variables
os.environ["OPENAI_API_KEY"] = "sk-ulbyeozob2jc8GYcFfC63149002647Bb8eA0840658Ef7bE9"
os.environ['OPENAI_BASE_URL'] = "http://10.25.20.243:3000/v1/"

messages = [
    {"content": """
    请将文本分为中性、否定或肯定
    文本：我觉得食物还可以。
    情绪：
    """, "role": "user"},
]

# openai call
for message in messages:
    response = completion(
        model="openai/qwen2-instruct",
        base_url="http://10.25.20.243:3000/v1/",
        # temperature=i / 10,
        # top_p=i / 10,
        # presence_penalty=i,
        # frequency_penalty=i / 100,
        messages=messages
    )
    # 输出：中性
    print(response.json()['choices'][0]['message']['content'])

设计提示的通用技巧

指令

你可以使用命令来指示模型执行各种简单任务，例如“写入”、“分类”、“总结”、“翻译”、“排序”等，从而为各种简单任务设计有效的提示。
请记住，你还需要进行大量实验以找出最有效的方法。以不同的关键词（keywords），上下文（contexts）和数据（data）试验不同的指令（instruction），看看什么样是最适合你特定用例和任务的。通常，上下文越具体和跟任务越相关则效果越好。在接下来的指南中，我们将讨论样例和添加更多上下文的重要性。
有些人建议将指令放在提示的开头。另有人则建议是使用像“###”这样的清晰分隔符来分隔指令和上下文。

# coding: utf-8
from pprint import pprint

from litellm import completion
import os

# set ENV variables
os.environ["OPENAI_API_KEY"] = "sk-ulbyeozob2jc8GYcFfC63149002647Bb8eA0840658Ef7bE9"
os.environ['OPENAI_BASE_URL'] = "http://10.25.20.243:3000/v1/"

messages = [
    {"content": """
    ### 指令 ###
    将以下文本翻译成西班牙语：
    文本：“hello！”
    """, "role": "user"},
]

# openai call
for message in messages:
    response = completion(
        model="openai/qwen2-instruct",
        base_url="http://10.25.20.243:3000/v1/",
        # temperature=i / 10,
        # top_p=i / 10,
        # presence_penalty=i,
        # frequency_penalty=i / 100,
        messages=messages
    )
    # 输出：翻译后的西班牙语为："hola!"
    print(response.json()['choices'][0]['message']['content'])

具体性

要非常具体地说明你希望模型执行的指令和任务。提示越具描述性和详细，结果越好。特别是当你对生成的结果或风格有要求时，这一点尤为重要。不存在什么特定的词元（tokens）或关键词（tokens）能确定带来更好的结果。更重要的是要有一个具有良好格式和描述性的提示词。事实上，在提示中提供示例对于获得特定格式的期望输出非常有效。

在设计提示时，还应注意提示的长度，因为提示的长度是有限制的。想一想你需要多么的具体和详细。包含太多不必要的细节不一定是好的方法。这些细节应该是相关的，并有助于完成手头的任务。这是你需要进行大量实验的事情。我们鼓励大量实验和迭代，以优化适用于你应用的提示。

例如，让我们尝试从一段文本中提取特定信息的简单提示。

提取以下文本中的地名。

所需格式：
地点：<逗号分隔的公司名称列表>

输入：“虽然这些发展对研究人员来说是令人鼓舞的，但仍有许多谜团。里斯本未知的香帕利莫德中心的神经免疫学家 Henrique Veiga-Fernandes 说：“我们经常在大脑和我们在周围看到的效果之间有一个黑匣子。”“如果我们想在治疗背景下使用它，我们实际上需要了解机制。””

输出：

地点：里斯本，香帕利莫德中心

避免不明确

给定上述关于详细描述和改进格式的建议，很容易陷入陷阱：想要在提示上过于聪明，从而可能创造出不明确的描述。通常来说，具体和直接会更好。这里的类比非常类似于有效沟通——越直接，信息传达得越有效。

解释提示工程的概念。保持解释简短，只有几句话，不要过于描述。

从上面的提示中不清楚要使用多少句子以及什么风格。尽管你可能仍会从上述提示中得到较好的响应，但更好的提示应当是非常具体、简洁并且切中要点的。例如：

使用 2-3 句话向高中学生解释提示工程的概念。

做什么还是不做什么?

设计提示时的另一个常见技巧是避免说不要做什么，而应该说要做什么。这样（说要做什么）更加的具体，并且聚焦于（有利于模型生成良好回复的）细节上。

以下是向客户推荐电影的代理程序。不要询问兴趣。不要询问个人信息。

客户：请根据我的兴趣推荐电影。
代理：

当然，我很乐意为您推荐电影。请告诉我您喜欢的电影类型、导演、演员或任何特定的主题，这样我就能提供更精确的建议。例如，如果您喜欢科幻片、克里斯托弗·诺兰执导的作品或是汤姆·哈迪主演的电影，请详细描述您的喜好，以便为您提供最佳选择。

以下是更好的提示：

以下是向客户推荐电影的代理程序。代理负责从全球热门电影中推荐电影。它应该避免询问用户的偏好并避免询问个人信息。如果代理没有电影推荐，它应该回答“抱歉，今天找不到电影推荐。”。
顾客：请根据我的兴趣推荐一部电影。
客服：

客服：非常感谢您的咨询！不过在进行电影推荐时，并不需要了解您的个人喜好或信息。如果您愿意的话，我可以提供一些建议给广受欢迎且评价良好的影片。

考虑到不同观众的需求和口味可能大相径庭，我会尽量推荐一些不同类型、风格的电影以供您选择：

1. **科幻惊悚片** - 例如《银翼杀手2049》或者《星际穿越》，这些影片通常充满着视觉奇观与深度思考，适合喜欢未来科技和复杂剧情的观众。

2. **经典喜剧片** - 如《唐人街探案》系列，既能让人捧腹大笑，又能体验到人性的温暖和智慧。

3. **动画大片** - 可以考虑《疯狂动物城》或是《寻梦环游记》，非常适合带小孩一同观看，同时也深受成人喜爱。

4. **悬疑犯罪类** - 像《致命ID》或者《小丑》，这类电影情节紧凑，角色性格鲜明，适合喜欢解谜推理的影迷。

5. **浪漫爱情片** - 推荐《恋夏50天》或者《罗马假日》，轻松甜蜜的情节让人心情愉悦。

6. **历史传记** - 如果对历史故事感兴趣，《国王的演讲》或《乔布斯》都是不错的选择，它们结合了真实人物的故事与戏剧张力。

7. **动作冒险片** - 比如《速度与激情》系列或《007系列》，精彩绝伦的动作场面总会让人心跳加速。

请根据自己的兴趣和心情挑选，希望这些建议能帮助您找到心仪的电影。如果有特别偏好的类型或主题，请随时告诉我，我会为您提供更针对性的推荐。

---

如果您对以上任何类型的电影感兴趣，或者有其他具体需求，都可以直接告诉我，我很乐意为您进一步服务。祝您观影愉快！