如何調(diào)教AI給你打工？提示詞（Prompt）的秘密

前段時間張穎在混沌學(xué)園的AI大會上，分享了一些對AI趨勢的判斷，和對AI創(chuàng)業(yè)的7條建議，他在第一條建議中就提到：

“AI的學(xué)習(xí)和應(yīng)用，大家一定注意，用起來、有效迭代大于一切。一個關(guān)鍵點就是要學(xué)會寫提示詞，知道如何提問非常關(guān)鍵，怎么能更好的與AI互動也是一門學(xué)問。”

今天我們稍微把“ ”（提示工程）展開聊一聊。年初，各種用詞寶典火遍互聯(lián)網(wǎng)，比如：

……

直到最近，大神們又在二維碼上玩出了花活，寫好風(fēng)格、元素的提示詞，就能出一些別具一格的“AI藝術(shù)二維碼”：

我們知道，能不能用好大語言模型，很大程度上取決于你提示詞的質(zhì)量，但別把提示詞想簡單了，它可不僅僅是在提問題時多說幾個詞或幾句話那么簡單，之所以叫 （提示工程），就是因為有很多復(fù)雜的工程實踐。

今天這篇文章，我們從兩個案例入手，第一個是純文本的例子，第二個是需要代碼來實現(xiàn)的例子，來介紹 （提示工程）的一些重要原則與技巧：

第一個案例，是在一些AI社區(qū)里很火的“爆款文案模型”，主要通過純文本來給AI寫好模板和規(guī)則提示。

第二個案例，是吳恩達與官方合作的提示工程課程中，“訂餐機器人”的例子。

最后，我們來總結(jié)一些的基本原則和技巧。

當(dāng)然，提示詞的純文本和寫代碼之間，并沒有本質(zhì)區(qū)別，用代碼實現(xiàn)是為了省和令輸出更穩(wěn)定、精確，因為中文還是會占用更多，當(dāng)你需要大規(guī)模調(diào)用API的時候，成本會急劇上升。純文本的提示詞也可以構(gòu)建得很復(fù)雜，比如我就見過600多行的文本提示詞，并且由多組模塊構(gòu)成。

01 一個爆款文案模型（純文本）

我們先簡單介紹一下什么是“ ”（提示工程）？通常是指，將你想提的問題，轉(zhuǎn)換為特定格式的輸入，并使用預(yù)定義的模板、規(guī)則和算法來處理，讓AI能夠更好地理解任務(wù)并給出相應(yīng)的回答。最大程度地讓AI精確理解任務(wù)，減少因為語言表達不清晰而導(dǎo)致的誤解和錯誤，使其能夠準確、可靠地執(zhí)行特定任務(wù)。

下面我們進入這個文本例子。在很多需要文案的場景，比如電商頁面、小紅書種草文案、論壇帖子等等，如果你直接讓AI去寫作，可能效果并不好，但通過這“五步”，能令輸出質(zhì)量提升、結(jié)果更穩(wěn)定。

第一步，把你覺得不錯的文案“喂”給AI，并且要明確讓AI學(xué)習(xí)這個文案，我們需要明確對AI說：“接下來我會發(fā)給你一個文案學(xué)習(xí)，目的是建立爆款文案模型，你學(xué)習(xí)完，只需要回復(fù)：已學(xué)習(xí)。文案如下：”

第二步，在AI回復(fù)了“已學(xué)習(xí)”后，我們要開始讓AI來給這個文案的文筆文風(fēng)建立模型。

第三步，一般來說AI這時候總結(jié)得并不好，我們需要讓AI更進一步地學(xué)習(xí)并更改自己的答案，這時候我們可以給AI一個框架。當(dāng)然這一步也可以直接融合在上一步里面。

第四步，我們讓AI來給每個部分分配權(quán)重。

第五步，我們給這個模板命名，讓AI能快速調(diào)取。

下面舉幾個應(yīng)用例子：

對于很多相對格式化，不要求較高創(chuàng)造力的文案領(lǐng)域，AI的內(nèi)容已經(jīng)達到了基準線之上，剩下的還可以通過人工修改。

你也可以繼續(xù)對這個模型進行微調(diào)，比如要求AI寫得更富創(chuàng)造力，或是“喂”給AI更符合你需要的初始文案，可以依據(jù)這個訓(xùn)練思路、框架來訓(xùn)練更適合你的文章模型。

最后，這個訓(xùn)練模型的鏈接如下，感興趣的朋友可以試試：

基于這種訓(xùn)練思路，網(wǎng)友們還開發(fā)出很多有意思的場景，可以一試：

02 一個訂餐機器人模型（通過代碼實現(xiàn)）

如何利用構(gòu)建一個訂餐機器人？我們可以通過 來實現(xiàn)。

這個訂餐機器人案例來自.ai的課程。.ai 創(chuàng)始人吳恩達與開發(fā)者Iza 聯(lián)手，推出了一門面向開發(fā)者的 課程。吳恩達是AI領(lǐng)域的明星教授，是斯坦福大學(xué)計算機科學(xué)系和電氣工程系的客座教授，曾任斯坦福人工智能實驗室主任。

是一個聊天對話的界面，我們可以由此構(gòu)建一個自定義功能的聊天機器人，比如給餐廳的AI客戶服務(wù)代理，或是AI點餐員等角色。

但由于這是商用場景，我們需要的回復(fù)精確而穩(wěn)定，這時候用計算機語言比純文本更為合適，所以我們需要先部署 包。

對于這種自定義聊天機器人模型，本質(zhì)上我們是要訓(xùn)練一個這樣的機器人：它能夠?qū)⒁幌盗邢⒆鳛檩斎耄缓蟀涯Ｐ蜕傻南⑤敵觥Ｔ谶@個例子中，用的是GPT-3.5，3.5在現(xiàn)階段可能更適合商用，因為GPT-4太貴了。

這個訂餐機器人的應(yīng)用場景是一家披薩店，所實現(xiàn)的功能是：首先問候顧客，然后收集訂單，并詢問是否需要取貨或送貨。如果是送貨，訂餐機器人可以詢問地址。最后，訂餐機器人會收取支付款項。

在實際的對話中，訂餐機器人會根據(jù)用戶的輸入和系統(tǒng)的指示來生成回應(yīng)：

用戶說：“嗨，我想要訂一份比薩餅”

訂餐機器人會回應(yīng)：“很好，您想訂哪種比薩餅？我們有意大利辣腸、奶酪和茄子比薩餅，它們的價格是多少”

在整個對話過程中，訂餐機器人會根據(jù)用戶的輸入和系統(tǒng)的指示來生成回應(yīng)，從而使對話更加自然流暢，同時又避免在對話中插入明顯的提示詞信息。

首先，我們定義“幫助函數(shù)”，它會收集用戶消息，以避免我們手動輸入。這個函數(shù)將從用戶界面中收集提示，并將它們附加到一個稱為上下文（）的列表中，然后每次都會使用該上下文來調(diào)用模型chatgpt提示詞網(wǎng)站，這里面包括了系統(tǒng)信息，也包括了菜單。

的反饋和用戶的反饋都會添加到中，這個會變得越來越長。這樣一來，就擁有了它所需的所有信息，來決定下一步該怎么做。以下是所部署的提示詞：“你是訂餐機器人，一個收集比薩餅店訂單的自動服務(wù)。你首先問候顧客，然后收集訂單，并詢問是否要取貨或送貨。”（詳細見下圖）

如果實際運行起來，將是：用戶說“嗨，我想要訂一份比薩餅”。然后訂餐機器人說：“很好，您想訂哪種比薩餅？我們有意大利辣腸、奶酪和茄子比薩餅，它們的價格是多少”

由于提示詞里面已經(jīng)包含了價格，這里會直接列出。用戶也許會回復(fù)：我喜歡一份中號的茄子比薩餅。于是用戶和訂餐機器人可以一直繼續(xù)這個對話，包括是否要送貨、需不需要額外的配料、再次確認是否還需要其他東西（比如水？或是薯條？）……

最后，我們要求訂餐機器人創(chuàng)建一個基于對話的、可發(fā)送到訂單系統(tǒng)的摘要：

在最后這個輸出環(huán)節(jié)chatgpt提示詞網(wǎng)站，輸出的內(nèi)容包括：產(chǎn)品大類（披薩、配料、飲品、小吃……）、類型、大小、價格、是否需要配送及地址。由于我們希望結(jié)果是完全穩(wěn)定、可預(yù)測、不需要任何創(chuàng)意性的，所以我們會把設(shè)為0。最終可以直接把這樣的結(jié)果，提交給訂單系統(tǒng)。

03 一些關(guān)鍵原則與技巧

最后，我們來總結(jié)一下兩個關(guān)鍵原則，以及大語言模型目前的局限性，你需要知道大語言模型能力目前的下限在哪里，更有助于尋找具體的應(yīng)用場景。

兩大原則是：編寫清晰具體的指令、給模型充足的思考時間。

原則一：編寫清晰具體的指令。

這個原則強調(diào)了在使用等語言模型時，需要給出明確具體的指令，清晰不等于簡短，過于簡短的提示詞往往會讓模型陷入猜測。這個原則下有4個具體策略：

1）使用定界符清楚地限定輸入的不同部分。

定界符可以是反引號、引號等等，核心思想是要清晰地標識輸入的不同部分，有助于模型理解和處理輸出。定界符就是為了讓模型明確知道，這是一個獨立的部分，它能夠有效避免“提示注入”。所謂提示注入，是指在一些用戶新添加輸入的情況下，可能誤產(chǎn)生一些沖突的指令，導(dǎo)致結(jié)果不對。

2）要求結(jié)構(gòu)化輸出：為了使解析模型輸出更容易，可以請求結(jié)構(gòu)化輸出。

在提示詞中，你可以明確：生成三個虛構(gòu)的圖書標題，以及它們的作者和流派，使用以下格式提供：書籍ID、標題、作者和流派。

3）要求模型檢查是否滿足條件。

如果任務(wù)有假設(shè)條件并且這些條件不一定被滿足，那么可以告訴模型首先檢查這些假設(shè)條件，如果不滿足則指示出來，并停止任務(wù)直接反饋，以避免意外的錯誤結(jié)果。

比如在以下例子中：我們將復(fù)制一段描述如何泡茶的段落，然后再復(fù)制提示詞，提示詞是如果文本包含一系列指示，請將這些指示重寫為以下格式，然后寫出步驟說明。如果文本不包含一系列指示，則只需寫下“未提供步驟”。

4）小批量提示：在要求模型完成實際任務(wù)之前提供執(zhí)行任務(wù)的成功示例。

這個策略簡單而重要，就是我們在提示詞中，可以包含一個正確的示例。比如我們要求模型用風(fēng)格一致的口吻來回答，輸入的任務(wù)是“以一致的風(fēng)格回答問題”，然后提供了一個孩子和祖父之間的對話示例，孩子說：“教我什么是耐心”，祖父用類比的方式回答。

現(xiàn)在我們要求模型用一致的語氣來回答，當(dāng)下一個問題是：“教我什么是韌性”。由于模型已經(jīng)有了這個少量示例，它會用類似的語氣回答下一個任務(wù)，它會回答：“韌性就像能被風(fēng)吹彎，卻從不折斷的樹”。

原則二：給模型充足的思考時間。

如果模型因急于得出錯誤的結(jié)論，而出現(xiàn)了推理錯誤，應(yīng)該嘗試重新構(gòu)造提示詞，核心思想是要求模型在提供最終答案之前，先進行一系列相關(guān)推理。這個原則下有2個策略：

1）指定完成任務(wù)的步驟：

明確說明完成任務(wù)所需的步驟，可以幫助模型更好地理解任務(wù)并產(chǎn)生更準確的輸出。

2）指導(dǎo)模型（在急于得出結(jié)論之前）制定自己的解決方案：

明確指導(dǎo)模型在做出結(jié)論之前，自行推理出解決方案，可以幫助模型更準確地完成任務(wù)。

附加討論：如何看待模型的局限性？

目前大語言模型商用最大的問題是“幻覺”。因為在其訓(xùn)練過程中，大模型被暴露于大量知識之中，但它并沒有完美地記憶所見到的信息，也并不清楚知識邊界在哪里。這意味著大模型可能會嘗試回答所有問題，有時會虛構(gòu)出來一些聽起來很有道理，但實際上不正確的東西。

一種減少幻覺的策略是，首先要求大語言模型從文本中，找到所有相關(guān)的部分，然后要求它使用那些引文來回答問題，并將答案追溯回源文件，這種策略可以減少幻覺的發(fā)生。

今天這篇文章比較實操，我們通過2個案例（一個純文本、一個通過編程），來解釋了 （提示工程）一些更深入的應(yīng)用。

像GPT-3.5、GPT-4這樣的大語言模型，它什么都懂，但恰恰也是因為太廣泛，而導(dǎo)致如果你不給它提示的話，你得到的回答經(jīng)常是車轱轆話。

這時候（提示）的重要性不言而喻，并且不僅僅是一個詞，或是一個簡單的句子，如果你想實現(xiàn)更復(fù)雜的功能，也同樣需要更復(fù)雜的提示詞。

也需要大家開腦洞，想出更新奇或是更適合自己的玩法，它的“獨家性”也很強。比如之前獲獎的《太空歌劇院》，作者號稱自己花了80多個小時、900多次迭代才出來這幅作品chatgpt提示詞網(wǎng)站，至今也拒絕共享用了什么提示詞。

當(dāng)然，本身，可能只是一種階段性的需求，Sam 曾說：五年之后，可能不再需要提示工程師這個職位，因為AI會產(chǎn)生自我學(xué)習(xí)的能力。但不可否認的是，這個“階段性需求”，是真正助力AI切入商業(yè)各個環(huán)節(jié)的重要利器。

我們現(xiàn)在也不需要從零開始摸索，國內(nèi)外有很多不錯的社區(qū)，大家都在交流提示詞使用心得，甚至列出了有哪些當(dāng)下熱門的提示詞，我們會在文末附錄中列出。

從創(chuàng)業(yè)/投資角度說，如今大家都在討論應(yīng)用層的機會到底在哪里，常去這些提示詞熱門網(wǎng)站看看，也許能從那些新發(fā)布的熱門提示詞中，找到一些應(yīng)用場景的創(chuàng)新靈感。看得再多，不如下場一試。

附錄：一些提示詞討論網(wǎng)站

1、 AI 社區(qū)：

（一個海外熱門的提示詞網(wǎng)站，可以按熱度排序，覆蓋場景非常齊全。）

2、 on (r/)：

（上的 版塊是一個非常活躍的社區(qū)，用戶可以發(fā)布和回應(yīng)各種寫作提示詞。）

3、 列舉了100條最佳提示詞

（為您的工作流提供支持的100個最佳提示詞。）

4、 一個中文提示詞網(wǎng)站：

（可以按熱度排序，覆蓋的場景非常齊全，從寫作、編程到金融、醫(yī)療等等。）

5、 另一個中文提示詞網(wǎng)站：提示精靈

（小紅書文案排序最高，對提示詞有更直觀的展示。）

本文來自微信公眾號，作者：經(jīng)緯創(chuàng)投主頁君，36氪經(jīng)授權(quán)發(fā)布。