机器学习笔记之Prompt工程

　　先来解释两个概念：1. Prompt Engineering提示词工程，也称指令工程，包括为生成式人工智能工具提供提示词的各种技术和方法。通过优化输入文本来改进模型生成结果质量。2.LLM（大语言模型），基于深度学习的人工智能技术。

　　通常Prompt工程有三个核心要素：

•  任务——明确简洁地表述希望模型生成的内容
•  指令——指导模型在产生文本时需要遵循的具体指示
• 角色——定义模型在生成文本的过程中所扮演的角色

在Prompt开头提供明确的说明，有助于为模型设置上下文任务，并且指定预期答案的格式类型也有用。可以通过在提示符中加入系统消息或角色扮演技术来增强交互。

一、基础Prompt工程策略

1.简洁的Prompt对LLMs输出的清晰度和准确性很重要。2.在Pormpt中添加角色分配和目标配置。如“你是一名厨师，请为孩子生成5种早餐搭配。”3.正负提示是指导模型输出的另一套框架方法。如积极的提示（“这样做”）、负面提示（“不要这样做”）。 

二、高级Prompt工程策略

1. 输入/输出Prompt，定义用户向LLM提供的输入及LLM作为响应生成的输出，如用户提供输入提示，让LLM为特定任务生成Python脚本。
2. Zero-shot Prompt

该策略主要应用在没有任何示例或上下文的情况下生成答案。用户想要快速回答而不提供额外细节，或主题过于笼统以至于示例会人为地限制响应。 

　　3.One-shot Prompt

主要引导LLMs的响应并确保其符合用户的意图，为模型提供一个样例总比没提供好。

 　　4.Few-shot Prompt

该策略可引导LLMs响应确保其符合用户意图，多个示例将为模型提供比单个示例更多的引导。

小结

如上所示，Zero-shot可能不会生成水果名，One-shot可能有多个，Few-shot时可能所有都是水果名。由此看来，Prompt中包含的示例越多，生成的输出结果越接近所需的结果。

三、思维链Prompt

提示中包含一些思路示例，与X-shot不同，为引导模型具备批判性思维。

四、Self-Criticism Prompt策略

主要引导LLMs评估其输出是否存在潜在的不准确之处或需要改进的地方，可以确保LLMs输出响应信息尽可能准确。此类Prompt示例如：

“请重新审阅您的上述回复。您能发现存在的错误吗？如果存在，请找出这些错误并进行必要的编辑”

五、迭代Prompt策略

根据初始提示的输出向LLMs提供后续提示，通过进一步的问题响应提出额外的请求来迭代结果。如，考虑让DeepSeek协助正在撰写的一本书建大纲。第一个提示可能是：

“我正在写一本关于旅行的书。我还没有确定一个具体的主题。请为该书生成5个建议的主题。对于每项主题，请提供标题和一段关于本书将涵盖的内容的描述。这本书将针对休闲读者。”

然后，可以使用后续提示对此迭代：

“我会按照《慢游时光：在小城市里找回生活节奏》这个标题进行写。请您帮忙生成本书的章节大纲，包括章节和小节”

那么输出目录可能会是这样：

六、与模型进行合作

1. Prompt的Prompt

培养合作氛围可以带来进一步的成功。如快速提示：

“我现在可以使用什么提示来进一步帮助您完成此任务？ ”

 　　2.模型引导的Prompt

模型引导提示主要让模型给出完成具体任务所需的信息。像是在告诉对方：“完成这项任务，你需要什么请告诉我”。比如

“我需要你编写一个Python程序来管理我的用户信息，这些信息存储在Excel中。为了完成这项任务，请询问我您需要回答的任何问题。”

可以让DeepSeek来决定执行任务所需的信息，它可以消除一些猜测并阻止幻觉。