Prompt Engineering 提示词工程的实践技巧（一）

字数统计: 3.7k字   |   阅读时长≈ 15分

当下，人工智能飞速发展，以 ChatGPT 为代表的大预言模型崭露头角后，诸如豆包、月之暗面、通义千问等生成式指令调优AI工具蓬勃发展。AI+各行各业成为了当下不可逆转的趋势，提示词工程（Prompt Engineering）成为了一项关键技能。本篇博客将介绍提示词工程的一些技巧，这些技巧不仅能帮助开发人员快速构建生成式AI应用，还可以帮助其他 AI 应用的使用者，撰写属于自己的提示词模板，调教出更符合自身需求的 AI 助理。

注：本博客主要总结了 DeepLearning AI 的公开课程内容，也可以理解为是该公开课程的笔记。如果你有足够的时间和条件，强烈建议直接访问文末的课程链接亲自学习，因为这样，你还可以在官网的 Jupyter Notebook 上一边听课，一边调试、实践。

0. 为什么要学习提示词工程？

不同于过去的基础大预言模型 Base LLM，当下的指令调优大语言模型 Instruction Tuned LLM，它更聪明，可以遵循用户的指令来进行预测，给出结果。如果你需要它给出一些方案，你可以告知已有的条件、决策方式、希望达成的目的等。如果你想要它撰写文章，除了主题、大纲以外，你还可以指定文字风格、篇幅，要求它阅读哪些参考文献等等。因此，学好提示词的使用，能够帮助我们和 AI 更好地共同完成任务。尤其是一些复杂的场景、要求比较多的任务，更需要我们组织有条理的提示词，来帮助 LLM 理解任务的含义。

学习了提示词工程以后，即使不用做编写基于 LLM 的 AI 软件，你也可以通过抽象出一系列的提示词模板，只需要更换部分词语内容，完成相似的任务，提升你的工作、学习效率。

指导原则 Guidelines

本章节将从最基础的指导原则开始，介绍如何清晰、有效地给 LLM 下达指令。

如果你已经搭建了调用 LLM 应用的环境，那么可以一边阅读一边实践。不同的 LLM 环境需求和接口调用不尽相同，因此，在这里就不给出具体的指令了，只需要参考你使用的 LLM 文档就好。 即使没有环境也没关系，可以去 DeepLearning AI 的官网上使用 Jupyter Notebook，那里已经帮你安装、配置好了环境，还为你准备了 OpenAI 的调用 key，方便你学习。

话不多说，我们开始吧！

首先，指导有两个原则：

  1. 编写清晰而具体的提示
  2. 给模型思考的时间

针对这两个原则，分别有对应的提示词技巧。

指导原则1：编写清晰而具体的提示

策略1：使用分隔符

我们可以使用分隔符，将我们想要输入的文本清晰地分割开来，比如下文，使用 ``` 我们想要 LLM 阅读、总结的文本括起来，给 LLM 更清晰的指令。这样，LLM不容易被你提供的大量文本混淆，即使你提供的文本是一段数学应用题目，它也会给出总结，而不是被误导，求解这道应用题的答案。

1
2
3
4
5
6
7
8
9
text = f"""
这是一段你希望LLM进行总结陈述的文字。
"""
prompt = f"""
Summarize the text delimited by triple backticks into a single sentence.
```{text}```
"""
response = get_completion(prompt)
print(response)
防止注入

同时，使用分隔符还可以避免用户注入，防止输入一些危险的、冲突的指令。这在信息安全中常常用到，比如防范SQL注入等。

分隔符的类型

分隔符可以有很多种，只要在提示词中明确指出即可，例如三重双引号”””、单引号’’’、XML<>标记等等。

策略2：结构化的输出

在开发软件的过程中，结构化的输出更有利于我们对返回的结果数据进行进一步的处理，例如以表格、数组、JSON等格式陈列，能够让我们直接输入到下一个函数方法中，又或者只需要复制粘贴就可以放到我们的 PPT 汇报中，而不需要再去整理数据格式。你可以在提示词中指定你想要的结果格式，例如 JSON，同时指定其中 key值的内容。 

1
2
3
4
5
6
7
8
prompt = f"""
Generate a list of three made-up book titles along \ 
with their authors and genres. 
Provide them in JSON format with the following keys: 
book_id, title, author, genre.
"""
response = get_completion(prompt)
print(response)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
# 生成结果如下
[
    {
        "book_id": 1,
        "title": "The Midnight Garden",
        "author": "Elena Rivers",
        "genre": "Fantasy"
    },
    {
        "book_id": 2,
        "title": "Echoes of the Past",
        "author": "Nathan Black",
        "genre": "Mystery"
    },
    {
        "book_id": 3,
        "title": "Whispers in the Wind",
        "author": "Samantha Reed",
        "genre": "Romance"
    }
]

在这里，不得不承认，使用提示词的时候用英文会更合适，因为很多规范化的格式都是英文表达的，如果使用多语言混合的提示词，可能会增加 LLM 的理解成本，何况中文真的是一种非常容易产生歧义的语言。当然，使用国内的一些 LLM，这样的误解或许会少一些。

策略3：要求LLM检查是否满足条件

有时候，我们提供的文本不一定能满足我们希望 LLM 完成的任务条件。因此，可以要求 LLM 在执行任务前，检查是否满足条件，如果满足再执行，不满足的话就停止。这样做可以减少一些算力浪费，还可以避免一些边界情况、意外的错误等。

例如下方提供的两段输入，很显然，只有第一段文本包含了指令步骤，因此，在执行第二段时就会返回 No steps provided.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
text_1 = f"""
制作一杯茶很简单！首先你要……其次……再然后……最后……大功告成！
"""
text_2 = f"""
这是一个阳光明媚的早晨……
"""
prompt = f"""
You will be provided with text delimited by triple quotes. 
If it contains a sequence of instructions, re-write those instructions in the following format:

Step 1 - ...
Step 2 - …
…
Step N - …

If the text does not contain a sequence of instructions, then simply write \"No steps provided.\"

\"\"\"{text_2}\"\"\"
"""
response = get_completion(prompt)
print(response)

策略4：少样本提示 few-shot prompt

如果我们想要 LLM 更精确地理解我们的用意，我们可以提供少量的示例，来告知它，我们期望的回复究竟是什么样的。比如我们想要指定某种风格的回复，就可以先提供一个样本，让 LLM 参考。

1
2
3
4
5
6
7
8
9
10
11
prompt = f"""
你的任务是用一致的风格进行回复。

<child>: 教我耐心.

<grandparent>: The river that carves the deepest valley flows from a modest spring; the grandest symphony originates from a single note; the most intricate tapestry begins with a solitary thread.

<child>: 教我韧性。
"""
response = get_completion(prompt)
print(response)
1
<grandparent>: Resilience is like a tree that bends with the wind but never breaks. It is the ability to bounce back from adversity and keep moving forward, even when things get tough. Just like a tree that grows stronger with each storm it weathers, resilience is a quality that can be developed and strengthened over time.

可以看到，回复也会像我们提供的示例那样，给出很多排比和比喻的内容。

指导原则2：给模型思考的时间

如果一个任务比较复杂、困难，或者需要的回复比较长，例如写一篇篇幅较长的文章，LLM 可能会为了及时响应你的请求，匆匆忙忙就给出结论。而这样匆忙之下得出的结论，往往不尽人意，很有可能是错误的，有失偏颇的。因此，对于一些 LLM 无法短时间内完成的任务，有一定困难的任务，我们可以显式地指示 LLM，花更长的时间进行思考，而不必急于响应。这一点和人类相似，通常来说，花更多的时间去思考，得到的结果总是会相对好一些。

策略1：指定任务的执行步骤

在完成一个复杂或庞大的任务时，我们第一时间想到的，就是任务拆解。对于 LLM，这一方法也同样奏效，我们可以尝试将一个复杂的任务，拆解成一小步、一小步的小任务，指示 LLM 逐步完成。例如下面提供的例子。其中prompt_1 没有要求结构化的输出，prompt_2则在任务拆解的基础上，要求了逐步的结构化输出。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
text = f"""
In a charming village, siblings Jack and Jill set out on \ 
a quest to fetch water from a hilltop \ 
well. As they climbed, singing joyfully, misfortune \ 
struck—Jack tripped on a stone and tumbled \ 
down the hill, with Jill following suit. \ 
Though slightly battered, the pair returned home to \ 
comforting embraces. Despite the mishap, \ 
their adventurous spirits remained undimmed, and they \ 
continued exploring with delight.
"""
# example 1
prompt_1 = f"""
Perform the following actions: 
1 - Summarize the following text delimited by triple backticks with 1 sentence.
2 - Translate the summary into French.
3 - List each name in the French summary.
4 - Output a json object that contains the following keys: french_summary, num_names.

Separate your answers with line breaks.

Text:
```{text}```
"""

prompt_2 = f"""
Your task is to perform the following actions: 
1 - Summarize the following text delimited by <> with 1 sentence.
2 - Translate the summary into French.
3 - List each name in the French summary.
4 - Output a json object that contains the following keys: french_summary, num_names.

Use the following format:
Text: <text to summarize>
Summary: <summary>
Translation: <summary translation>
Names: <list of names in summary>
Output JSON: <json with summary and num_names>

Text: <{text}>
"""

response = get_completion(prompt_1)
print("Completion for prompt 1:")
print(response)
1
2
3
4
5
6
7
8
9
10
11
12
# Completion for prompt 1:
1 - Jack and Jill, siblings from a charming village, go on a quest to fetch water from a hilltop well, but encounter misfortune along the way.

2 - Jack et Jill, frère et sœur d'un charmant village, partent en quête d'eau d'un puits au sommet d'une colline, mais rencontrent des malheurs en chemin.

3 - Jack, Jill

4 - 
{
  "french_summary": "Jack et Jill, frère et sœur d'un charmant village, partent en quête d'eau d'un puits au sommet d'une colline, mais rencontrent des malheurs en chemin.",
  "num_names": 2
}

虽然的确是逐步完成了我们的指令，但是输出不够结构化，与下方的输出对比，显然，下面的输出更让人一目了然，也更易于通过代码传递。

1
2
3
4
5
6
7
8
9
10
11
12
# Completion for prompt 2:
Summary: Jack and Jill, siblings, go on a quest to fetch water from a hilltop well, but encounter misfortune along the way.

Translation: Jack et Jill, frère et sœur, partent en quête d'eau d'un puits au sommet d'une colline, mais rencontrent des malheurs en chemin.

Names: Jack, Jill

Output JSON: 
{
  "french_summary": "Jack et Jill, frère et sœur, partent en quête d'eau d'un puits au sommet d'une colline, mais rencontrent des malheurs en chemin.",
  "num_names": 2
}

策略2：在得出结论前，指示 LLM 先自己寻找解决方案

给出一道应用题，同时给出一位学生的解题思路，LLM很可能就会顺着学生的思路去解决这个问题。就和我们大多数人一样，一不留神就会被隐蔽的、错误的想法带跑。为了保证结果的正确性，我们可以指示 LLM 先判断给出的方法是否正确，如果不正确，则先制定自己的解决方案，然后再对问题进行求解。

例如下面提供的例子。这个例子场景就比较复杂了，因此在提示词中充分应用了分隔符，防止 LLM 误解。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
prompt = f"""
Your task is to determine if the student's solution is correct or not.
To solve the problem do the following:
- First, work out your own solution to the problem. 
- Then compare your solution to the student's solution and evaluate if the student's solution is correct or not. Don't decide if the student's solution is correct until 
you have done the problem yourself.

Use the following format:
Question:
```
question here
```
Student's solution:
```
student's solution here
```
Actual solution:
```
steps to work out the solution and your solution here
```
Is the student's solution the same as actual solution just calculated:
```
yes or no
```
Student grade:
```
correct or incorrect
```

Question:
```
I'm building a solar power installation and I need help working out the financials. 
- Land costs $100 / square foot
- I can buy solar panels for $250 / square foot
- I negotiated a contract for maintenance that will cost me a flat $100k per year, and an additional $10 / square foot
What is the total cost for the first year of operations as a function of the number of square feet.
``` 
Student's solution:
```
Let x be the size of the installation in square feet.
Costs:
1. Land cost: 100x
2. Solar panel cost: 250x
3. Maintenance cost: 100,000 + 100x
Total cost: 100x + 250x + 100,000 + 100x = 450x + 100,000
```
Actual solution:
"""
response = get_completion(prompt)
print(response)

使用数学应用题或许会让你觉得不太实用，怎么会有人提供一个错误的方法，然后又让 LLM 判断，再请它制定一个正确的解决方案呢？但是，其实这个场景在我们的生活中非常常见。例如，编程过程中，你可以告诉它你正在实现的算法或是函数功能，并在 student solution 中提供自己的代码，请求 LLM 对你的代码进行 review。review 的方向也不一定是功能的正确性，还可以让它指点代码的可拓展性、可读性、性能优化等方面。如果是GPT-4的话，不仅代码正确率高，而且还能够提供详细的解析，是一个非常好的 coding pair搭档。

减少 LLM 的幻觉/欺骗

常使用 AI 的各位都知道，AI 常常骗人。比如让它提供某个领域的综述，它会提供一些看上去很逼真但是实际上根本不存在的内容。为了避免这一点，我们可以要求 LLM 在提供内容时，同时提供它的参考出处，这样，即使它想编造参考文献，我们也很容易验证是不是被欺骗了。或者，我们可以在对话过程中，就提供已经经过我们自身确认的文本资料、参考链接等，确保 LLM 不会自己胡编乱造。

Prompt Engineering 提示词工程笔记汇总

参考资料

ChatGPT Prompt Engineering for Developers - DeepLearning.AI

B站可以找到搬运翻译的中文版本👆：《吴恩达 x OpenAI Prompt课程》

赏

谢谢你请我吃糖果

支付宝
微信

扫一扫，分享到微信

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia-plus根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

一个游戏行业的开发小白。什么都学了一些，什么都会一点。AIGC/ComfyUI工作流搭建/AI聊天机器人/Lua/C++……欢迎咨询交流。欢迎大家指点交流~ 邮箱: wuxinbei0409@gmail.com