LLM 学习系列 1：提示工程
掌握 LLM 提示词的艺术 像 GPT-4 和 Claude 这样的大型语言模型 (LLM) 拥有非凡的能力。然而，要释放它们的全部潜力，需要通过精心设计的提示词 (prompts) 进行有效沟通。本指南深入探讨了提示工程 (prompt engineering) 的艺术，提供了一个从基本原则到高级技巧的分步方法，以驾驭 LLM 的真正力量。 第一步：选择最佳模型 最新且最强： 像 GPT-4 Turbo 这样的较新模型相比 GPT-3.5 Turbo 等前代产品提供了显著优势，包括更流畅的自然语言理解能力。对于较简单的任务，通过大量的提示工程来弥补模型能力的必要性可能会降低。 基准测试： 利用 LLM 排行榜 和基准测试结果等资源来比较模型，并找出最适合你特定需求的模型。 示例： 对于细致入微的语言翻译，GPT-4 Turbo 的上下文理解能力可能优于旧模型。 对于既需要能力又需要速度的任务，Llama-3-70b 开源模型是一个绝佳的选择。 第二步：建立清晰的沟通 清晰度和具体性 明确的指令： 将 LLM 视为通过需要清晰指导的合作者。明确定义任务、期望的结果、格式、风格和输出长度，避免歧义。 上下文背景： 提供相关的背景信息和语境，以引导 LLM 做出期望的回应，同时考虑目标受众和目的。 关注点分离： 使用 ### 或 """ 将指令与上下文内容清晰地分隔开。 以示例为向导： 用精选的示例来演示期望的输出格式和风格。 线索提示： 使用短语如 “Key points:"（关键点：）、“Summary:"（摘要：）或 “Code:"（代码：）来指示期望的输出格式。 示例： 不要只说 “写一篇博客文章”，而应指定 “写一篇关于可再生能源影响的 500 字博客文章，目标受众是行业专业人士。” 对于诗歌生成任务，你可以指定期望的基调、韵律和主题。 少样本学习 (Few-Shot Learning) 提供几个展示了期望输出格式和风格的示例，以减少歧义并设定清晰的预期。 ...