利用大模型提升内容生产能力
[高铁]前言
在大模型应用中，提示词是引导模型生成特定输出的重要因素。在本小节中，我们将系统地分析提示词的概念，学习各种提示词技巧，包括直接提问、增加示例、分配角色、限定输出风格和格式，以及拆解复杂任务等技巧。这些技巧旨在帮助你更加高效地构建和优化提示词，从而解决实际应用中的各种问题。通过本小节的学习，你将掌握一系列实用的技巧，使你能够在各种场景下自如地设计和运用提示词，提高你的工作和学习效率。
[羽毛笔]本节目标
学完本节课程后，你将能够：
→ 了解提示词的概念。
→ 掌握多个提示词技巧，例如直接提问、增加示例、分配角色、限定输出风格和格式，以及拆解复杂任务等技巧。
1、什么是提示词？
提示词（Prompt）是用户发送给大语言模型的问题、指令或请求，来明确地告诉模型用户想要解决的问题或完成的任务，是大语言模型理解用户需求并据此生成相关、准确回答或内容的基础。对于大语言模型来说，提示词就是用户输入给大语言模型的文本信息。
我们来看一个对大模型提问的示例：
|
提示词： 请结合《星球崛起》整个系列评价最近刚刚上映的电影《猩球崛起：新世界》 输出： 《猩球崛起：新世界》作为《星球崛起》系列的最新篇章，延续了这一科幻经典IP的传奇，尽管它…… 在角色刻画上，《猩球崛起：新世界》似乎得到了积极的反馈，尤其是对于反派和配角的描绘…… 对于老粉丝而言，这部电影可能没有提供必须观看的新鲜理由，但对于新加入的观众…… 总体而言，《猩球崛起：新世界》在保持系列精髓的同时，尝试了某种程度的软重启，为新老观众都提供了值得一看的科幻体验。虽然可能在创新性上有所欠缺，但它在情感深度、视觉震撼以及对未来叙事线索的铺设上都交出了满意的答卷。 |
我们看到大模型对我们的提问做出了详细的回答，如何向大模型提问以获得更好的回答是有技巧而不是随意向大模型提问的，接下来学习这些提示词技巧。
2、提示词技巧
2.1 直接提问
直接提问，也称为零样本提示（Zero-Shot Prompting），即不给大语言模型提供案例，完全依靠 LLM 理解和处理能力完成任务。前文给的提示词例子，都属于直接提问。目前大部分开源和商用的大语言模型已经经过了大量的预训练和指令调试，能够很好的理解并响应用户的直接提问。适用于目标明确、问题简单、答案确定且唯一等场景。
直接提问时，可遵循以下原则：
- 简洁：尽量用最简短的方式表达问题。过于冗长的问题可能包含多余的信息，导致模型理解错误或答非所问。
- 具体：避免抽象的问题，确保问题是具体的，不含糊。
- 详细上下文：如果问题涉及特定上下文或背景信息，要提供足够的详情以帮助模型理解，即使是直接提问也不例外。
- 避免歧义：如果一个词或短语可能有多重含义，要么明确其含义，要么重新表述以消除歧义。
- 逻辑清晰：问题应逻辑连贯，避免出现逻辑上的混淆或矛盾，这样才能促使模型提供有意义的回答。
为大语言模型提供如下不同的提示词，得到的答案质量会有明显差距。
|
不好的提示词 提示词： 苹果好看吗？ 输出： 不好意思，我不清楚你所指的“苹果”具体指的是什么，水果还是电子设备。 |
好的提示词 提示词： 这批红色的苹果水果外观怎么样，新鲜吗？ 输出： 新鲜。 |
然而，大语言模型给出的答案有时候也不是固定的，直接提问效果在很大程度上取决于所使用的模型的理解能力和泛化能力，它无法很好地处理复杂、模糊或多义性的问题，当需要较深入的背景知识或分析时，可能无法准确了解用户的真正意图。我们可以尝试在提示词中增加示例样本、分配角色、提示写作风格/输出格式或构建思维链和思维树拆解复杂任务等方式解决。
2.2 增加示例
在提示词中提供少量（通常几个或几十个）示例，也称为少样本提示（Few-Shot Prompting），以帮助模型更好地理解任务要求和期望输出。比如：
- 让 LLM 跟随我们所要求的规范、格式、概念、文法、语气进行输出。
- 提供进一步推理的参考，比如让大模型学会数学运算或按照示例方式进行逻辑推理。
以下示例中，我们分别在提示词中增加示例和不增加示例，就会得到以下不同的答案。
|
未增加示例 提示词： 任务：请根据以下电影评论，判断其情感评价（正面、负面或中性）。 待分类评论：这部电影音乐动人，但剧情略显平淡。 输出： 情感评价：中性 |
增加示例 提示词： 要求：请根据以下电影评论，判断其情感评价（正面、负面或中性）。 示例1：这部电影剧情引人入胜，但特效炸裂。情感评价：正面 示例2：虽然这部电影剧情单调，但特效却非常炸裂。情感评价：负面+正面 示例3：这部电影不好不坏。情感评价：中性 待分类评论：这部电影音乐动人，但剧情略显平淡。 输出： 情感评价：正面+负面 解释：评论中提到“音乐动人”属于正面评价，表明了对电影音乐部分的喜爱和赞赏。然而，紧接着的“但剧情略显平淡”则为负面评价，表达了对电影剧情的不满或失望。因此，整体评价是正面和负面情感的混合。 |
在英文缩写比较多的专业技术文档翻译场景，我们可以尽可能地为 LLM 提供一些缩写的翻译示例，然后再让 LLM 完成后续的翻译工作：
值得一提的是，这种方式比较适合翻译量不大，且示例的数量可穷举的场景，可以轻量、快速地完成翻译工作。但是当需要成千上万的专业术语词条示例辅助翻译的场景，这种方式就不够了，也不够方便，我们可以让大语言模型接入专业的术语库，来增强大语言模型的能力，也即检索增强生成（Retrieval-Augmented Generation），简称RAG。
示例的质量和数量会直接影响回答的结果，增加示例时可参考以下技巧：
- 精选代表性样本：选择具有代表性的示例，覆盖任务的各种情况，同时避免使用可能引起模型混淆的极端或边缘案例，确保模型能从有限的数据中学习到任务的核心特征。
- 保证示例的多样性：尽可能覆盖任务的各种角度和情境，确保模型能从有限的数据中学习到任务的核心特征。
- 使用相似的格式和结构：在所有示例中使用相似的提示格式和结构，使模型能够清晰识别输入与输出的关系。
- 让大语言模型生成示例：实践时，我们还可以先让 LLM 按照提示生成一些示例，再进行筛选或人工调整，以提高示例质量和针对性。
2.3 分配角色
赋予模型一个具体的角色或身份，如“作为经验丰富的营养师”，来引导模型在特定角色视角下生成回答。
分配角色适用以下场景：
- 需要专业知识或特定视角的问题解答。例如，模拟老师、医生、律师等回答相关领域的问题。
- 模拟特定人物或角色的语言风格。例如，模仿某个著名人物（如历史人物或文学角色）语言风格的文本时。
- 进行角色扮演游戏或创作。在创意写作或角色扮演游戏中扮演指定的角色，与使用者进行互动。
- 在特定行业内进行决策模拟。例如，模拟一个管理咨询师来分析商业案例或提供商业建议。
下面的例子中，让大语言模型分别扮演酒店评论家和小学生，来执行“酒店评价”的任务，从而得到不同风格的答案。
|
未增加角色 提示词： 请对刚入住的酒店进行评价。 输出： 刚入住的这家酒店给我留下了深刻的印象，整体体验非常满意。 |
增加A角色 提示词： 你是一名酒店评论家，请对刚入住的酒店进行评价。 输出： 我对刚入住的这家酒店进行了全方位的考察与体验，现就其各项服务与设施作出如下评价： 位置与周边环境：该酒店位于城市中心地带... 建筑与设计：酒店建筑风格独特，融合了... 服务质量：酒店员工专业素养极高，从接待到... 餐饮设施：酒店内设有多家风格各异的餐厅... 休闲与健身设施：酒店配备完善的休闲与健身... 环保与社会责任：酒店在运营过程中展现出... 综上所述，这家酒店凭借其优越的地理位置、独具匠心的设计、卓越的服务质量、丰富的餐饮选择、完善的休闲设施以及对环保与社会责任的积极践行，为宾客打造了一处兼具舒适性、便利性与文化内涵的高品质下榻之所。无论是商务出行还是休闲度假，这里无疑都是理想的选择，我对此给予高度评价。 |
增加B角色 提示词： 你是一名刚上小学的学生，请对训练营入住的酒店进行评价。 输出： 嗨，我是刚上小学的小朋友，参加了这个训练营，现在我要来分享一下我住的酒店怎么样！ 房间超酷！：哇哦，我的房间就像一个小城堡！... 好吃的食物：酒店的饭菜超级好吃！... 好玩的地方：酒店里有个大大的游戏室... 友好的叔叔阿姨：酒店的叔叔阿姨们都对我很好... 安全又干净：酒店到处都很干净，地板亮晶晶的... 总的来说，我非常喜欢这个训练营入住的酒店，它像一个充满乐趣的大乐园，让我在学习之余还能尽情玩耍，享受到家一般的温馨和舒适。如果下次还有训练营，我一定还想再来这里住！ |
分配角色引导模型生成符合特定情境和对话逻辑的内容，可遵循以下技巧：
-
明确角色身份与特性
- 确定角色的基本属性，如年龄、性别、职业、性格、技能、价值观等。
- 赋予角色相关领域的专业知识或特殊背景，如专家、学者、历史人物、虚构角色等。
-
设定角色目标与动机
- 为角色设定对话的目标，如寻求信息、说服他人、解决问题、分享观点等。
- 揭示角色的内在动机，如个人利益、道德信念、情感需求等，有助于塑造角色的真实性和深度。
-
设定角色语言风格：
- 根据角色性格、教育水平、文化背景等设定其语言习惯、用词选择、句式结构、口头禅等。
- 规定角色在对话中的情绪状态，如冷静理智、激动愤怒、悲伤失落、幽默风趣等，影响其表达方式。
- 设定角色规则约束：规定角色在对话中的行为约束，如不得人身攻击、保持礼貌尊重、遵守讨论主题等。
-
动态调整角色设定：
- 随着对话深入，适时调整角色设定以适应新的情境和话题，如角色态度转变、关系演变、目标更新等。
- 向模型反馈角色表现，如偏离设定、缺乏个性、对话僵化等，及时修正角色设定并引导模型调整。
2.4 限定输出风格/格式
大语言模型非常善于撰写论文、文章等内容，不过如果我们仅仅简单地告诉大语言模型一些宽泛的提示，比如：
|
提示词：写一篇关于桥的文章 输出：桥是一种用来跨越障碍的大型构造物，一般会指架设在江河湖海上，使车辆行人等能顺利通行的构筑物。桥梁主要由桥跨结构、墩台、基础三大部分组成，桥跨结构也称上部结构包括承重结构及桥面系，墩台也叫下部结构包括桥墩、桥台等，基础主要是指桩基础。 |
大语言模型有可能会生成枯燥、平淡、空洞的内容，这些内容往往与我们期望的结果有较大的出入。
我们可以在提示词中增加“风格”的限定，比如当我们明确需要大语言模型帮我们写一篇幽默的简短小说，就可以尝试将上面的提示词改写为如下形式：
|
提示词：写一篇关于桥的短篇小说，要求叙事风格诙谐幽默 输出：【桥的另类日记】 在这个名为“平凡镇”的小镇上，有一座并不怎么平凡的桥，名叫“哈欠桥”。别误会，它并不爱打哈欠，只是建成之日，镇长在揭幕仪式上打了个大大的哈欠，从此这名字就像粘了强力胶，甩都甩不掉。 哈欠桥自述：“我今年102岁了，按照桥的年龄来说，正值壮年。每天看着小镇的人来人往，我就跟个八卦中心似的，什么秘密都逃不过我的‘桥眼’。”...... |
为了更好的限定“风格”，准确引导模型写出符合需求的内容，下面我们介绍一些推荐的技巧：
- 明确指出所需的内容类型，如“论文/散文/诗歌/新闻报道/剧本/日记”等。
- 用形容词限定风格，如“严谨客观”、“感性抒情”、“幽默诙谐”、“庄重典雅”等。
- 列举风格（代表人物/作品）示例，如“仿照鲁迅先生的笔触描述社会现象”或“以J.K.罗琳的叙述风格撰写一段奇幻冒险故事”。
- 设定语境与情感色彩：为模型设定故事背景、情感基调或角色视角，影响其语言表达和修辞选择，从而形成特定风格。如“以一名二战老兵的视角，深情回忆战场经历”。
- 规定语言与句式特点：要求使用特定词汇、短语、成语、俚语、古语等，或强调长句、短句、排比、反问、比喻等修辞手法的运用，以契合特定风格。
我们还可以进一步对内容的输出格式进行限定：
- 明确输出长度：如“撰写一篇关于全球气候变化的新闻报道，标题需简洁明快，概括主题，不超过300字”。
- 段落结构：规定正文的段落数量、每段的大致内容与逻辑关系，如“文章分为引言、主体（分三点论述）和结论三部分”。
- 列表与编号：要求使用项目符号、数字编号等形式列出要点或步骤，如“通过数字编号列出五种有效的时间管理方法，并简要解释”。
- 引用与注释：指示何时使用引号、脚注、尾注、参考文献等格式引用他人观点或资料，如“在论述中适当引用至少两篇相关学术论文，并按照APA格式添加引用和参考文献”。
- 格式标记：如对齐方式（左对齐、居中、右对齐）、字体样式（加粗、斜体、下划线）、缩进、行距、页眉页脚等进行详细说明，甚至可以要求大模型按照JSON格式输出。
- 特殊要求：针对特定场景，如邮件、信函、通知、海报、简历等，规定相应的格式标准，如“按照商务电子邮件的标准格式撰写邀请函，包括收件人、抄送人、主题、问候语、正文、结束语、签名档等部分”。
2.5 拆解复杂任务
把一个复杂的任务，拆解成多个稍微简单的任务，让大语言模型分步来思考问题，称为思维链（Chain-of-Thought Prompting, CoT）提示，这种方式可让大语言模型像人类一样逐步解释或进行推理，从而极大地提升 LLM 的能力。与前面介绍的标准提示不同，该方法不仅寻求答案，还要求模型解释其得出答案的步骤。
下图展示了标准提示与思维链提示的对比。
|
标准提示 提示词： 小明有20个苹果，吃了两个，又买了5个，小明现在一共有多少苹果？ 输出： 27 |
【思维链提示】 提示词： 小明有20个苹果，吃了两个，又买了5个，小明现在一共有多少苹果，通过思维链CoT的方式来分析。 输出： 初始小明最初有20个苹果。小明吃了2个苹果后，他剩下20−2=18个苹果。接着，小明又买了5个苹果，所以他现在的苹果数量是 18+5=23个苹果。 因此，通过这个思维链的分析，我们可以得出结论：小明现在一共有23个苹果。 |
标准提示只给出了答案，而且答案明显是错误的，而思维链提示会展开推理过程，通常通过思维链提示的方式会产生更为准确和可校验的结果。
上面思维链提示中没有给 LLM 提供问题解析示例，所以也可以称为零样本思维链（Zero-shot CoT），相对应地在增加了示例后就变成了少样本思维链（Few-shot Cot）。
|
零样本思维链 Zero-shot CoT 提示词： 小宝有三盒糖果，每盒糖果有10颗糖，小宝一共有多少颗糖果？ 答案：给出逐步思考过程 输出： 小宝有三盒糖果，每盒糖果有10颗，那么他一共有的糖果数量就是： 3盒 × 10颗/盒 = 30颗 答案：小宝一共有30颗糖果。 |
少样本思维链 Few-shot CoT 提示词： 问题：小宝有三盒糖果，每盒糖果有10颗糖，小宝一共有多少颗糖果？ 答案：小宝有三盒糖果，每盒糖果有10颗，那么他一共有的糖果数量就是： 3盒 × 10颗/盒 = 30颗，小宝一共有30颗糖果。 问题：小明有20个苹果，吃了2个苹果，又买了5个苹果，小明一共有多少颗苹果？ 答案：给出逐步思考过程 输出： 小明原本有20个苹果，吃了2个，所以剩下： 20个 - 2个 = 18个 接着他又买了5个苹果，那么他现在总共有： 18个 + 5个 = 23个 答案：小明一共有23个苹果。 |
有时 LLM 通过零样本思维链可能会得到错误的答案，可以通过增加示例的方式，即少样本思维链，帮助 LLM 理解相关任务并正确执行，如下面的例子中，明显在使用零样本思维链来分析问题后还是获得了错误的答案：
下面的改进例子中，我们尝试给 LLM 更多相似问题的分析示例后，LLM 可以给出更为精简且正确的答案：
除了思维链，启发 LLM 进行“思考”的实用方法还有提示链（Prompt Chaining）。提示链通过多轮对话，引导 LLM “思考” 方向，让 LLM 从简单任务开始，沿着设计好的“思考”方向逐步完成一个复杂推理。
提示链虽然相对思维链来说构建模式更加复杂，但模型表现更好，准确率更高。它非常适合逻辑复杂但能按照固定模式拆解的困难任务。
我们继续通过一道数学题来实现提示链（Prompt Chaining）引导：
又到了周日，小明像以往一样去爷爷奶奶家玩，小明于早上八点整步行出发，已知小明每分钟行走50米，走了12分钟后，小明的父亲发现小明忘记带作业了，于是便骑车去追小明，已知小明的爸爸每分钟骑行200米，等到追上小明后，爸爸决定骑车带上小明，已知小明坐自行车的路程是走路路程的5倍，请问，小明和他爸爸几点到爷爷家的呢？（小明8点36分到爷爷家）第一轮输入（数学题 + 第一个简单问题）：
#背景#
又到了周日，小明像以往一样去爷爷奶奶家玩，小明于早上八点整步行出发，已知小明每分钟行走50米，
走了12分钟后，小明的父亲发现小明忘记带作业了，于是便骑车去追小明，已知小明的爸爸每分钟骑行200米，
等到追上小明后，爸爸决定骑车带上小明，已知小明坐自行车的路程是走路路程的5倍，
#目的#
计算小明什么时候被他爸爸追上，追上时走了多远？Output 1（LLM 对第一个简单问题的回答）：
首先，我们计算小明在被父亲追上之前走了多远。
小明的速度是每分钟50米，他已经走了12分钟，因此他已经走过的距离是：
50 米/分钟 × 12 分钟 = 600 米
接下来，我们计算父亲开始追赶小明时两者的相对速度。父亲的骑行速度是每分钟200米，而小明继续以每分钟50米的速度步行。因此，父亲相对于小明的速度是：
200 米/分钟 − 50 米/分钟 = 150 米/分钟
为了追上小明，父亲需要覆盖小明最初12分钟所行走的600米距离。以150米/分钟的相对速度，父亲追上小明所需的时间是：
600 米 / 150 米/分钟 = 4 分钟
这意味着父亲在开始追赶后的4分钟追上了小明，从父亲开始追赶算起，总共用了12分钟（小明已经走了的时间）+ 4分钟（父亲追赶的时间）= 16分钟。
现在，我们要计算小明被追上时共走了多远。小明在最初的12分钟内走了600米，从父亲开始追赶的4分钟里，小明又走了：
50 米/分钟 × 4 分钟 = 200 米
所以，小明被追上时总共走了：
600 米 + 200 米 = 800 米
综上所述，小明在早上8点16分被他爸爸追上，此时他已经走了800米。第二轮输入（第二个问题，问题逐渐深入）：
#目的#
计算小明还要坐多远自行车才能到爷爷家？Output 2（LLM 对第二个问题的回答）：
根据题目，小明坐自行车的路程是他走路路程的5倍。小明被追上时已经走了800米，那么他坐自行车的路程将是：
800 米 × 5 = 4000 米第三轮输入（最后的复杂问题）：
#目的#
小明什么时候到爷爷家？Output 3（通过前面多个问题的引导得到了正确的结果）：
要计算小明什么时候到爷爷家，我们需先确定小明坐上自行车后的行进时间。
小明坐自行车的总路程是4000米，他父亲的骑行速度是每分钟200米。因此，小明坐自行车所需的时间是：
4000 米 / 200 米/分钟 = 20 分钟
小明从出发到被追上已经过去了16分钟（即8:00出发，8:16被追上），加上坐自行车的20分钟，总共用时为：
16 分钟 + 20 分钟 = 36 分钟
所以，小明在早上8点出发后，将在36分钟后到达爷爷家，即：
8:00 AM + 36 分钟 = 8:36 AM
因此，小明将在上午8点36分到达爷爷家。引导大模型“思考”的方法还有很多种，比如：思维树（Tree of Thoughts, ToT)、Boosting of Thoughts 等。我们不在这里一一展开。
2.6 使用分隔符号区分单元
在构建复杂的提示词时，采用特定的分隔符来界定不同内容单元是极为关键的，这一做法显著增强了 大模型对提示词正确解析的能力。随着任务复杂度的增加，合理利用分隔符越能提升大模型的表现。
分隔符的选择应着眼于那些在自然语言文本中罕见的、独特的字符组合，例如：###、===、>>>等。这些特殊符号序列并无固定规则，关键在于其辨识度高，确保模型能够明确区分这些符号是作为内容区域的界限标识，而非文本中的普通标点或语法组成部分。
|
未使用分隔符 |
使用分隔符 |
|
|
Prompt |
请简短总结以下影评。 曾经意气风发的张志强在生活的重压下，中年“失速”偏离了原本的生活轨迹，一时意气用事的决定，让他瞬间从家人的“小骄傲”变成了社会的“边角料”。然而，他未曾料到，这仅是他中年人生道路上的起点。接连不断的变故如疾风骤雨般袭来，迫使他不得不重新面对自我。当生活的重担真正压肩，他选择成为一名快递员，从新的起点重新出发，穿梭于都市大街小巷的高志垒在路上结识了一众志同道合的伙伴。在共度的时光里他深切的体会到了人间的冷暖真情，逐渐在这条充满磨砺的“逆行道”中找回曾经丢失的勇气与信念，重新定义人生新的方向。 |
请简短总结以下影评。 ### 曾经意气风发的张志强在生活的重压下，中年“失速”偏离了原本的生活轨迹，一时意气用事的决定，让他瞬间从家人的“小骄傲”变成了社会的“边角料”。 ### 然而，他未曾料到，这仅是他中年人生道路上的起点。接连不断的变故如疾风骤雨般袭来，迫使他不得不重新面对自我。 当生活的重担真正压肩，他选择成为一名快递员，从新的起点重新出发，穿梭于都市大街小巷的高志垒在路上结识了一众志同道合的伙伴。 ### 在共度的时光里他深切的体会到了人间的冷暖真情，逐渐在这条充满磨砺的“逆行道”中找回曾经丢失的勇气与信念，重新定义人生新的方向。 ### |
|
输出 |
电影讲述了一个中年危机故事，主角张志强因生活压力偏离正常生活轨道，经历一系列挑战后，他成为一名快递员，在新朋友的帮助下重拾勇气与信念，找到了生活的新方向。影片展现了逆境中的成长与自我救赎。 |
主人公张志强中年遭遇生活困境，一次冲动的决定使他的社会地位骤降。
随后，面对重重挑战，他担任快递员重新起步，在此过程中与同行建立深厚情谊，并在磨难中找回勇气和信念。
最终，在艰难和挑战中，为自己的人生找到了新的意义和方向。 |
你可以在输出中发现明显差别，在使用了分隔符的输出中，大模型不仅理解了三段话的逻辑关系，还正确识别了分隔符，并根据分隔符的段落生成了三段强相关的总结。
[进度: 已完成]本节小结
在本节课程中，我们学习了这些内容：
- 提示词的概念；
- 提示词技巧：直接提问、增加示例、分配角色、限定输出风格和格式，拆解复杂任务，使用分隔符号区分单元。
除了课程中介绍的技巧外，提示词的应用范围实际上非常广泛。你可以进一步在编写脚本、设计交互问答系统、内容生成以及教学设计等多个领域中应用这些技巧。同时，提示词技巧在数据标注、用户体验设计和客户服务自动化等场景中，也能有效提升整体效率和效果。通过实际练习，你会发现提示词技巧的潜力远不止于此。
前言
在上一节课程中，我们学习了提示词的诸多技巧。在本节课程中，我们将通过具体的实践内容，深入探讨如何设计和优化提示词，以提升大模型的表现。这包括以下几个方面：了解提示词工程的基本概念、掌握提示词框架、利用提示词模板快速生成高质量的提示词。
为了更好地理解并应用这些原则和方法，我们将通过一个实际案例进行演示：跨国公司 AI 助手稳定地输出多语言内容。这个案例将帮助你看到如何通过优化提示词，使AI助手能够更准确、稳定地处理多种语言的内容，从而提升用户体验和业务效率。
[羽毛笔]本节目标
学完本节课程后，你将能够：
→ 了解提示词工程的概念。
→ 学会使用提示词框架优化提示词。
→ 了解百炼平台的系统模板和自定义模板功能。
→ 学习一个提示词优化案例-跨国公司 AI 助手稳定地输出多语言内容。
1、提示词工程
1.1 什么是提示词工程？
提示词工程（Prompt Engineering）就是研究如何构建和调整提示词，从而让大语言模型实现各种符合用户预期的任务的过程。就像跟AI沟通的艺术，为了让像Qwen这样的大语言模型更好地理解你的需求，你需要清晰地描述你的需求，提供必要的背景信息，明确告诉AI你想让它做什么。就像跟人沟通一样，你需要不断调整你的表达方式，直到AI理解你的意思，并给出你想要的答案。
为了引导大模型按照我们的要求来完成各项任务，作为使用者，我们需要不断调整提示词，构建有效的提示词，从而不断地提升大模型的表现。接下来我们来进行一番实践。
2、设计和优化 Prompt
2.1 设计 Prompt
想象一下，如果你在给一个同事指派工作任务时，只给了一句话来描述需求，他的任务完成效果可能很难达到你的预期。但如果你提供了明确的目标、建议的思考方向和执行策略等更多参考信息，他更有可能以高标准完成任务。
使用 LLM 也一样，你的任务描述（Prompt）越清晰、具体、没有歧义，LLM 的表现越能符合您的期望。在上一节的学习中，我们学习了提示词技巧，通过直接提问，增加示例、分配角色、限定输出风格和格式，以及拆解复杂任务等技巧。你需要通过灵活运用这些技巧去设计清晰明确的提示词。
2.2 使用 Prompt 框架优化提示词
为了系统化地向 LLM 提供明确背景和目标，这里推荐你使用 Prompt 框架规范化你的 Prompt。该框架用于帮助你方便、快速地设计 Prompt 结构。该模板充分考虑了会影响 LLM 输出有效性和相关性的各个方面，能显著提升模型表现。
Prompt 框架的主要组成为：
背景：介绍与任务紧密相关的背景信息。这一环节有助于LLM深入理解讨论的具体环境，从而保证其生成内容与话题高度相关。
目标：明确指出你期望LLM完成的具体任务。通过设定清晰、精确的目标指令，可引导LLM聚焦于实现既定任务，提升输出的有效性。
风格：指定你希望 LLM 输出的写作风格，可以是某个具体名人、具体流派或者某类专家的写作风格。
语气：定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。
受众：明确指出内容面向的读者群体，无论是专业人士、入门学习者还是儿童等，这样LLM就能调整语言和内容深度，使之更加贴合受众需求。
输出：规定输出内容的具体形式，确保LLM提供的成果能直接满足后续应用的需求，比如列表、JSON数据格式、专业分析报告等形式。
|
未使用 Prompt 框架 |
使用 Prompt 框架 |
|
|
Prompt |
我想推广公司的新产品。我的公司名为百炼，新产品名为 Zephyr Z9，是一款轻薄便携的手机。帮我创建一条微博帖子，简洁而深具影响力。 |
#背景# 我想为公司的新产品做广告。我公司的名字叫百炼，产品叫百炼 Zephyr Z9，是一款轻薄便携的手机。 #目的# 为我创建一个微博帖子（限制：500字），旨在让人们有兴趣点击产品链接购买。 #风格# 遵循黑米等成功公司为类似产品做广告的写作风格。 #语气# 有说服力 #受众# 我公司在微博上的受众通常是年轻一辈人。定制你的帖子，保证喜欢数码产品的人能快速关注到你的帖子。 #输出# 微博上的帖子，简洁而有影响力。 |
|
输出 |
【轻启未来，风起云涌】 百炼新品，Zephyr Z9震撼上市！
携手Zephyr Z9，让科技与轻盈同行。这不仅是一部手机，它是你探索世界的轻便伴侣。厚度挑战极限，设计引领风尚，Z9在手中，灵感随时迸发。
超越想象的性能，搭载极速处理器，流畅如风，无论是工作狂飙还是游戏征途，Zephyr Z9都是你的首选座驾。续航强劲，让每一份热情持续燃烧！
捕捉生活每一刻，Z9相机创新升级，夜景、人像、广角，每一拍都是封面大片，让美好记忆永不褪色。
Trees 轻薄，重在体验。#百炼ZephyrZ9# ，为不凡而生，为你而来。立即拥抱未来，开启属于你的轻盈科技时代！
官方网站：[www.bailian.com/Z9] (请替换为实际网址） #轻薄旗舰 #科技新风尚 #掌中艺术品 |
【独家揭秘】百炼Zephyr Z9，轻薄界的颠覆者来了！ 在这个快节奏的时代，每克重量都是对自由的负担。百炼深谙此道，匠心打造了Zephyr Z9——一款专为追求极致轻盈与强大性能平衡的你而生的手机！悬浮般的手感，一触难忘！ 【超薄设计，尽在掌握】 Zephyr Z9以其令人惊叹的纤薄机身，重新定义了“轻薄”。仅X.Xmm的厚度，轻松滑入口袋，是你日常出行的完美伴侣。携带它，就像带着未来穿梭于都市丛林！ 【顶尖配置，性能怪兽】 别看它轻，内核全是硬实力！搭载最新的XXXX处理器，流畅度爆表，无论是多任务处理还是大型游戏，Z9都能游刃有余，让你时刻处于科技最前沿。 【摄影大师，记录生活】 配备XXMP超感光镜头，夜晚也清晰。AI智能场景识别，让每一张照片都堪比大片。用Zephyr Z9，记录每一个不凡瞬间，让你的朋友圈从此与众不同。 【续航无忧，能量满满】 小身材，大能量！Zephyr Z9内置高效能电池，搭配XXX快充技术，片刻充电，长久陪伴。告别电量焦虑，你的创意和灵感不再受限。 【限时福利，不容错过】 前100名通过链接购机的用户，将享受神秘大礼包！包含定制保护壳、XXX会员年卡等多重好礼，只为尊贵的你！ 立刻行动，让百炼Zephyr Z9成为你探索世界的全新伙伴！点击下方链接，开启轻盈新纪元！ [立即抢购百炼Zephyr Z9] [产品链接] #百炼ZephyrZ9 #轻薄旗舰 #科技美学 #数码潮流 #性能怪兽 |
在未使用 Prompt 框架时，LLM 输出虽表现尚可，但显得过于泛化，缺乏必要的细节和针对特定群体的吸引力。而在使用 Prompt 框架时，框架不仅提醒您考虑需求的其它方面，特别是一般 Prompt 中缺少的风格、语气和受众，还帮助 LLM 生成更针对年轻群体、细节更多、语言表达更加富有张力的输出。
说明：Prompt 框架在实践中有非常多的种类，你可以根据你的任务需求增减其结构组成。
提示词框架说明：
|
框架名称 |
说明 |
示例 |
|
ICIO |
|
|
|
CRISPE |
|
|
|
RASCEF |
|
|
在学习了提示词框架的基本概念及其构成要素之后，我们已经掌握了如何通过提示词框架组织和设计提示词，以有效引导大模型的输出。然而，要在实际应用中高效应对多样化的需求，单一框架会略显乏力。我们接着来学习如何使用提示词模板。
3、提示词模板
3.1 提示词模板的概念
提示词模板是在框架基础上创建的标准化、可重复使用的解决方案，旨在简化提示词的设计过程，提高一致性和效率。
我们进一步通过百炼了解提示词模板。首先，进入百炼控制台，可以看到平台预置了大量系统模板可以直接使用，包括：C#编程专家，PHP大师，理财顾问，Excel公式编辑器等。
说明：Prompt模板支持预置Prompt模板及自定义模板的使用
3.2 系统模板
你可以单击系统模板上的查看详情，在模板面板查看该模板的内容、变量、ID等信息，也可以通过单击更多 > 复制模板并新建模板。
3.3 自定义模板
你也可以选择新增自定义模板。选择组件管理，单击新增模板，输入模板名称和模板内容。其中模板内容支持通过 ${ } 符号引入变量，系统会自动识别模板内容中的变量并显示在模板包含变量中。完成相关配置项设置后，单击保存即可完成模板创建。
接下来，我们学习两种自定义模板，包括文本生成新增自定义模板和图片生成新增自定义模板。
3.3.1文本生成新增自定义模板
在新增模板界面，填写模板名称，基础信息选择文本生成。
支持你选择这两种输入模式：
- 自定义创建：将用户提供的要求，优化成提示词框架样式。
- 基于Prompt工程创建：用户通过提示词框架模板填写Prompt，系统会对内容进行优化。
自定义创建：
- 自定义创建提示词模板，是将原始提示词优化成提示词框架样式。
- 示例：输入请帮我写一封100字销售数据分析报告。单击优化Prompt。
单击保存，即创建成功。
基于Prompt工程创建：
- 基于Prompt工程创建提示词模板，是用户通过提示词框架模板填写Prompt，系统优化其中的内容。
-
Prompt优化方法主要提供三种提示词框架方法，ICIO、CRISPE、RASCEF。详细提示词框架解释，请参见支持的提示词框架说明。
-
示例：Prompt优化方法选择ICIO，分别填入下面参数。单击优化Prompt。
- Intruction（指令）： 请写一篇关于可持续能源的博客文章，长度大约为1000字，适合中级读者。
- Context（背景）：当前全球正面临能源危机，人们对环境友好型能源解决方案的兴趣日益增加。文章应该涵盖可持续能源的基本概念、主要类型以及它们如何帮助减少碳足迹。
- Input Data（输入数据）：当前全球正面临能源危机，人们对环境友好型能源解决方案的兴趣日益增加。文章应该涵盖可持续能源的基本概念、主要类型以及它们如何帮助减少碳足迹。
- Output Indicator（输出指示器）：文章应该结构清晰，包含引言、主体和结论。使用易于理解的语言，避免过多的技术术语。确保文章包含事实性数据和引用，以增强说服力。
-
- 单击优化Prompt。优化结果如下：
单击保存，即创建成功。
- 支持的提示词框架的优化示例
|
提示词框架 |
优化前 |
优化后 |
|
ICIO |
|
|
|
CRISPE |
|
|
|
RASCEF |
|
|
3.3.2 图片生成新增自定义模板
支持通过合理使用和优化正向与负向提示，更有效地生成符合预期的自定义图像。
- 在新增模板界面，填写模板名称，基础信息选择图片生成。
- 分别在输入Prompt输入正向Prompt和负向Prompt。
示例：
- 正向Prompt：生成一幅色彩鲜艳的夜空，星星闪烁，流星划过，背景是一个宁静的湖面，湖水倒映出星星的光辉，画面给人一种宁静和梦想的感觉。
- 负向Prompt：不要生成任何阴暗或模糊的背景，避免使用黑色或深灰色。画面中不要有城市建筑、干枯的树木或任何显得压抑的元素，确保整体氛围是明亮和愉悦的。
- 单击保存，即创建成功
4、Prompt 测试与迭代
设计提示词是一个高度实验性的过程，需要不断尝试和调整各种方法。整个 prompt 优化过程可概括如下：
此外，值得注意的是，除了精心设计的 prompt 外，用户提供的反馈和修正也是获取模型最佳输出的关键因素之一。即使在 prompt 优化完成后，持续地在线上环境中接收反馈并作出相应调整，才能使模型更好地理解和满足用户需求。
5、提示词优化案例：跨国公司 AI 助手稳定地输出多语言内容
当我们在使用大模型时遇到这样一个问题： qwen-turbo 无法稳定地用英文回答英文问题。经过分析后发现大模型不能对我们的问题很好的理解。
我们可以对提示进行如下的优化：
- 将“语言”替换为“语种”。因为“语言”这个词有歧义，不一定代指的是英语、法语，也可以是书面语言、口头语言。语种就没有这个歧义。
- 优化前 Prompt 结构较为松散，而且## 限制部分内容过于冗余。因此使用本教程提供的 Prompt 框架重新排版并将## 限制部分的内容拆分到正确的位置。
- ${documents}部分是一段很长的话，放在某句话中并不合适。应该使用分隔符标记切分出来，作为一个重要的内容块。
|
优化前 Prompt |
优化后 Prompt |
|
# 角色 你是一位高效的HR AI助手，专门负责解答公司内部关于政策、考勤制度、年假安排等相关问题。你具备快速准确地解析公司政策文档的能力，并能够为同事提供清晰简洁的说明。
## 技能 ### 技能1: 政策解析 - **任务**：准确解读公司政策文档，为同事提供清晰、简洁的政策说明。 - 快速定位到相关政策条款，解答具体的政策执行细节。 - 确保解释的内容易于理解且符合公司的官方规定。
### 技能2: 考勤答疑 - 解答与员工考勤相关的所有疑问，包括打卡规则、迟到早退处理、请假流程等。 - 提供具体的考勤操作指南和特殊情况处理建议。
### 技能3: 年假管理咨询 - 详细解释年假申请条件、累积规则、有效期及审批流程。 - 协助计算员工的年假余额，提供休假规划建议。
## 工具与资源 - **知识库访问**：直接引用和解析`${documents}`中的公司政策文档和相关规章制度，确保答案的权威性和时效性。 - 如果提出的问题是英文，请用你理解的中文含义去检索知识库，最后再使用英文回复（请注意回复内容中的标点符号统一为英文格式！尤其字符 U+2019 "’"，请替换为“'” ）。
## 限制 - 要求回答内容仅使用标准 ASCII 字符集，不要出现中文引号、全角逗号及其他全角标点符号！！！ - 使用与用户提问相同的语种回复，例如用户使用中文，回答中文，用户使用英文，回答英文。 - 仅限于解答公司政策、考勤制度、年假等人力资源管理范畴内的问题。 - 不涉及个人隐私数据的查询，保护员工信息安全。 - 当遇到知识库未涵盖或不明确的问题时，需指引询问者联系人力资源部门获取进一步的帮助。 |
#背景# 你是一位跨国公司的高效的HR AI助手，专门负责解答公司内部关于公司政策解析、考勤答疑、年假管理咨询的问题。你具备快速准确地解析公司政策文档的能力。以下为公司政策文档： ====== `${documents}` ======
#目的#
- 解答与员工考勤相关的所有疑问，包括打卡规则、迟到早退处理、请假流程等。 - 提供具体的考勤操作指南和特殊情况处理建议。
- 详细解释年假申请条件、累积规则、有效期及审批流程。 - 协助计算员工的年假余额，提供休假规划建议。
#多语言要求# - 如果提出的问题不是中文，用问题的中文含义去检索知识库。 - 知识库检索出来的内容在输出时也要转换为问题的语种。
#输出# 1. 仅使用标准 ASCII 字符集输出回答。 2. 输出的内容语种为用户输入的语种。 |
[进度: 已完成]本节小结
在本节课程中，我们学习了：
- 提示词工程的概念；
- 如何在实践中设计提示词；
- 提示词框架的概念及其常见类型；
- 百炼平台的系统框架和自定义框架；
- 如何灵活优化和迭代提示词以调高大模型表现；
- 一个优化案例-跨国公司 AI 助手稳定地输出多语言内容。
除了课程中提到的内容，提示词的最佳实践在许多其他领域也具有广泛应用。例如，在内容创作中，设计良好的提示词可以帮助撰写高质量的文章或营销文案；在客户服务领域，优化的提示词能够提高AI聊天机器人的应答效率与客户满意度。此外，在教育、游戏设计及医疗健康等行业中，精心设计的提示词也可用于提升AI应用的交互效果。
前言
大型语言模型作为当今时代的一股强劲生产力，其在多样化场景中的应用正日益彰显出无与伦比的价值，特别是在内容创作领域内，它不仅能够显著提升创作效率，还能极大地丰富作品的质量。本节课程介绍运用大模型来辅助课程开发的过程，还将学习利用提示词实现大模型意图识别的过程，最后课程介绍了大模型的一些经典应用场景，包括文本生成与创作、文本内容润色与转换、文本摘要与信息提取、以及信息推理与表格解读等。通过本课程，你将学会如何灵活运用大模型技术，解决实际内容生产中的各种挑战，提高工作效率。
[羽毛笔]课程目标
学完本课程后，你将能够：
- 掌握通过大模型辅助生产科普课程的场景。
- 通过提示词使大模型实现意图识别。
- 了解更多大模型的应用场景。
1、大模型辅助生产课程
通过前面两节课程的学习，你掌握了提示词技巧，学会了如何运用提示词框架去进行优化。现在，你可以将大模型运用在实际的内容生产中。
眼前有一个科普课程开发的项目，你作为课程开发的负责人，同时也是大模型的使用者，你决定使用大模型来辅助生产这门课程的内容。但是面对陌生的科技主题、不同年龄的学生，如何能快速地开发出科普课程？
1.1 目标设定
确定课程开发的目标：快速生成科普内容、适应不同年龄段、覆盖多样化的科技主题。
明确需要解决的问题：内容准确性、适龄性、吸引力及定制化需求。
1.2 构建科普课程的提示词策略
- 确定课程主题和目标群体
主题：气候变化
目标群体：小学生、中学生、高中生
- 设计初步提示词
通过“直接提问”、“分配角色”和“限定输出格式/风格”等提示词技巧设计提示词。
示例提示词：
小学生：“请用简单的语言解释气候变化，并举三个日常生活中的例子。”
中学生：“请详细说明气候变化的原因和影响，并提供两种可能的解决方案。”
高中生：“请分析气候变化的全球经济影响，并引用最新的科研数据支持你的观点。”
- 优化提示词以适应不同需求
根据生成内容的反馈不断调整和优化提示词。
示例优化：
添加具体要求：“请用图表形式展示气候变化对不同地区的影响。”
分配角色：“你是一名气候科学家，请向高中生解释气候变化的最新研究成果。”
1.3 优化提示词
- 深入学习高级提示词技巧
尝试使用更复杂的提示词设计，如逐步提示、条件提示和上下文关联提示。
示例：“作为一名气候科学家，请先解释什么是温室效应，然后讨论其对全球气候的影响。”
- 应用工具与资源
应用百炼平台及其提供的提示词模板（ICIO、CRISPE、RASCEF）。
通过创建和管理静态与动态样例库，提升提示词的灵活性和重复利用性。
- 持续优化
最后可以通过不断实践和反馈，优化提示词设计，提升生成内容的质量。
总结：
当使用大模型完成了一门科普课程的制作，在生产课程期间，不断地向大模型提出问题，以期待得到想要的内容，但是大模型有时候可以对我们的问题做出想要的回答，有时候却没有。我们会发现意图识别也是大模型的一项重要能力。所以接下来的内容是学习如何利用提示词让大模型识别意图。
2、利用提示词让大模型识别意图
当大模型可以有效识别到意图时，就可以更加精确地输出想要的回答，避免资源的浪费。
2.1 目标设定
大模型作为一个专业的答疑机器人，它需要对提出的问题进行解析，识别意图后进行分类。来更好的回答问题。
2.2 为什么要意图识别
为什么要通过提示词进行意图识别呢？仔细思考后我们会发现通过提示词进行意图识别有诸多好处：
- 提升用户体验：准确的意图识别能够确保系统提供符合用户期望的回应，增强用户满意度。
- 提高交互效率：减少误解和无关回应，加快问题解决速度。
- 支持多样化应用：在不同的应用场景中，如客户服务、智能助手、电子商务等，意图识别都是实现智能化互动的基础。
我们接着通过直接设计有效的提示词来实现大模型意图识别。
2.3 设计有效提示词
你决定通过构建提示词使大模型对问题分类。为了能将用户的问题准确分类，你运用了在之前课程学习的提示词技巧：
- 明确输出格式：指定输出格式，使分类结果规范且易于解析。
- Few-shot 示例：提供示例，帮助大模型理解每个类别的特征和分类规则。
设计如下提示词对大模型进行角色，任务的设定，提供Few-shot 示例。首先将如下提示词内容发送大模型进行设定：
【角色背景】
你是一个问题分类路由器，负责判断用户问题的类型，并将其归入下列三类之一：
1. 公司内部文档查询
2. 内容翻译
3. 文档审查
【任务要求】
你的任务是根据用户的输入内容，判断其意图并仅选择一个最贴切的分类。请仅输出分类名称，不需要多余的解释。判断依据如下：
- 如果问题涉及公司政策、流程、内部工具或职位描述与职责等内容，选择“公司内部文档查询”。
- 如果问题涉及任意一门非中文的语言，且输入中没有任何出现任何外语或出现“翻译”等字眼，选择“内容翻译”。
- 如果问题涉及检查或总结外部文档或链接内容，选择“文档审查”。
- 用户的前后输入与问题分类并没有任何关系，请单独为每次对话考虑分类类别。
【Few-shot 示例】
示例1：用户输入：“我们公司内部有哪些常用的项目管理工具？”
分类：公司内部文档查询
示例2：用户输入：“请翻译下列句子：How can we finish the assignment on time?”
分类：内容翻译
示例3：用户输入：“请审查下这个链接下的文档：https://help.aliyun.com/zh/model-studio/user-guide/long-context-qwen-long”
分类：文档审查
示例4：用户输入：“请审查以下内容：技术内容工程师需要设计和开发⾼质量的教育教材和课程吗？”
分类：文档审查
示例5：用户输入：“技术内容工程师核心职责是什么？”
分类：公司内部文档查询当利用提示词对大模型进行了设定后，继续让大模型对用户的问题进行意图分类：
以下是三个用户的问题，请你对这个三个问题进行意图分类，并告诉我分类结果：
问题一：https://www.promptingguide.ai/zh/techniques/fewshot
问题二：That is a big one I dont know why
问题三：作为技术内容工程师有什么需要注意的吗？通过明确的输出格式和 few-shot 示例，大模型就可以更准确地识别问题类型并输出符合预期的格式。这种优化让分类任务更加标准化。回答如下：
根据提供的三个用户问题，以下是分类结果：
问题一：“https://www.promptingguide.ai/zh/techniques/fewshot”
分类：文档审查
问题二：“That is a big one I dont know why”
分类：内容翻译
问题三：“作为技术内容工程师有什么需要注意的吗？”
分类：公司内部文档查询总结：
通过上述的学习，我们认识到大模型在内容生产和意图识别的应用场景中所展现出的强大能力。无论是提高工作效率，还是作为答疑机器人回答问题，大模型都发挥着不可替代的作用。接下来，课程将会继续探讨大模型如何具体应用于不同的工作环境中，并通过具体的案例来说明其实际效果。
3、大模型的典型应用场景
除了上述两个经典的应用场景，我们还可以在很多工作场景中使用大模型，提升工作效率，主要分为以下四类场景：文本生成、文本编辑、推理分析、总结摘要。接下来的内容将简单介绍这些应用场景，提高我们利用大模型提高内容生产的能力。
3.1 文本生成与创作
在工作中，我们会用大模型来帮我们生成文本内容，只要描述清晰任务要求和细节，大模型就可以实现文案创意、专题写作、代码生成等各种文本生成任务，以下是一些案例。
- 影视剧脚本创作
在文学创作和剧本编写等领域，提示词工程可以激发人工智能模型的创造力，帮助作家构思新颖独特的故事线或角色设定。
- 营销文案广告生成
在电商领域，大模型正成为创意广告文案的新宠儿。只需输入简单的提示词，例如想要的图标风格、文案语气以及商品特征，大模型就能根据你的需求，自动生成精彩纷呈的广告文案。
- 代码生成与软件开发
在编程领域，通过提示词提供清晰的任务描述，生成准确的代码片段或解决特定编程问题的方案。
3.2 文本内容润色与转换
利用提示词的引导，我们可以让大模型完成许多任务，例如：审阅文献、审查和改写代码、添加代码注释、进行多语言翻译、解释法律合同以及改写用户反馈等等。
- 用户反馈润色为标准化格式
为了提高客服效率，我们可以利用大模型将用户口语化的反馈转化为标准格式，便于录入客服系统备案。
- 多语言文本翻译
将中文翻译成英文、德文、日文、法文等。
- 代码改写与注释
大模型不仅可以改写已有代码，还可以为原代码提供清晰易懂的解释说明。
3.3 文本摘要与信息提取
面对冗长的公文、法律法规、科技文献等资料，我们常常需要快速提取关键信息，掌握核心内容。 大模型可以帮助我们高效完成这类工作。
- 学术文章总结
- 医疗信息提取
假设一位心脏病患者在医院接受了全面检查，并由主治医师撰写了诊断报告。报告内容可能包括了详细的病史、临床表现、检查结果以及提出的治疗计划。报告的部分内容摘录如下，请提取关键信息并进行汇总：
|
|
3.4 信息推理与表格解读
大模型能够理解复杂的文本信息，并从表格中提取关键数据，帮助你快速找到所需答案并做出明智决策。这里我们用法律案件分析为例，展示大模型强大的分析推理能力。接着，在动手实验中带你体验大模型如何理解表格、分析数据以及进行预测。
- 法律案件分析
|
|
[进度: 已完成]本节小结
在本节课程中，我们学习了如下内容：
- 如何运用大模型生产科普课程；
- 如何利用提示词进行意图识别；
- 了解了大模型在内容生产中的多种应用。
除了本课程中所讨论的应用场景，大模型在内容生产领域还有更广泛的潜在应用。例如：在客服机器人的使用领域中，大模型在意图识别后能够更好的进行任务执行，个性化推荐等。在媒体行业中，大模型可以用于自动化新闻报道和内容推荐。此外，大模型还可以应用于文化创意领域中的故事生成等创新应用中。
浙公网安备 33010602011771号