ChatGPT Prompt Engineering 提示词工程研究指南-开篇介绍

　　提示工程是一个相对较新的学科，它用于开发和优化提示，以便有效地使用语言模型（LMs）进行各种应用和研究主题。提示工程技能有助于更好地理解大型语言模型（LLMs）的能力和局限性。研究者使用提示工程来提高LLMs在一系列常见且复杂的任务，如问题回答和算术推理等方面的性能。开发者使用提示工程设计稳健有效的提示技术，与LLMs和其他工具接口。

　　提示工程不仅是设计和开发提示。它包含了与LLMs交互和开发的广泛技巧和技术。它是一个重要的技能，用于接口、构建并理解LLMs的能力。你可以使用提示工程来提高LLMs的安全性，构建新的功能，如用领域知识和外部工具增强LLMs。

　　本指南介绍了提示的基础知识，以便给出如何使用提示与LLMs进行交互和指导的大致概念。除非另有说明，所有示例均在使用OpenAI的游乐场上，通过text-davinci-003模型进行的测试。该模型使用默认配置，即temperature=0.7和top-p=1。

LLM（大语言模型）设置

　　在使用提示时，您可以通过API或直接与LLMs进行交互。您可以配置几个参数，以获得不同的提示结果。

　　温度（Temperature）- 简而言之，温度越低，结果越确定，即始终选择最有可能的下一个标记。增加温度可能会导致更多的随机性，从而鼓励产生更多样化或创造性的输出。本质上，您是在增加其他可能标记的权重。在应用方面，对于基于事实的问答等任务，您可能希望使用较低的温度值，以鼓励提供更准确和简练的回答。对于诗歌生成或其他创意任务，增加温度值可能会有益。

　　Top-p（Top_p）- 类似地，通过设置top_p参数，您可以使用一个名为nucleus采样的技术来控制模型在生成响应时的确定性。如果您想要确切和事实性的答案，请将该值保持较低。如果您想要更多样化的回答，请增加该值。

　　一般的建议是只修改其中一个参数，而不是两个参数都修改。在开始一些基本示例之前，请记住，您的结果可能会因为所使用的LLMs版本而有所不同。

提示词的基本元素

　　在我们讨论更多的示例和使用提示工程的应用时，您会注意到某些元素构成了一个提示。一个提示包含以下任意一个元素：

指令（Instruction）- 您希望模型执行的特定任务或指令

背景（Context）- 外部信息或附加上下文，可以引导模型提供更好的回答

输入数据（Input Data）- 我们感兴趣的输入或问题，希望找到一个回答

输出指标（Output Indicator）- 输出的类型或格式。

　　你不需要在一个提示中使用所有四个元素，格式取决于当前任务。在接下来的指南中，我们将涉及更具体的示例。

　　关于提示词的介绍先到这里，下一章将介绍具体的提示词写法。