提示词基础

　　使用简单的提示可以实现很多功能，但结果的质量取决于您提供的信息量和提示的质量。一个提示可以包含指令或问题，还可以包含其他细节，如上下文、输入或示例。您可以使用这些元素更好地指导模型，从而获得更好的结果。让我们通过一个简单提示的基本示例开始：

　　正如您所看到的，语言模型输出了一个在上下文“天空是”下有意义的字符串延续。输出可能出乎意料，与您想要完成的任务相去甚远。

这个基本示例还突出了更多上下文或指令的必要性，以便更明确地说明您想要实现的目标。

让我们尝试稍微改进一下：

这样好些了吗？您告诉模型去完成这个句子，结果看起来好多了，因为它完全按照您告诉它要做的（"完成这个句子"）进行了。这种通过设计最佳提示来指导模型执行任务的方法被称为提示工程。

以上示例是对当今语言模型可能性的基本说明。现在的语言模型能够执行各种高级任务，从文本摘要到数学推理再到代码生成，应有尽有。

提示词格式

我们在上面尝试了一个非常简单的提示。一个标准的提示应该有以下的格式：

<问题>？或者 <指示>
你可以将其格式化成问答（QA）的形式，这在许多问答数据集中是标准的，格式如下：

Q: <问题>?
A:
在上述提示的情况下，也被称为zero-shot提示，也就是说，你直接提示模型做出回答，而没有给出任何任务实现方面的示例或演示。一些大型语言模型确实具备进行zero-shot提示的能力，但这取决于任务的复杂性和知识。

根据上述标准格式，一种常见且有效的提示技术被称为few-shot提示，你可以提供示例（即演示）。你可以按照以下方式格式化few-shot提示：

<问题>?
<答案>
<问题>?
<答案>
<问题>?
<答案>
<问题>?
QA格式的版本如下所示：

Q: <问题>?
A: <答案>
Q: <问题>?
A: <答案>
Q: <问题>?
A: <答案>
Q: <问题>?
A:
请记住，并不一定要使用QA格式。提示的格式取决于具体的任务。例如，你可以执行一个简单的分类任务，并给出如下的示例来展示任务：

提示：
这太棒了！// 正面
这很糟糕！// 负面
哇，那部电影太赞了！// 正面
多么糟糕的节目！//
输出：

负面

Few-shot提示可以实现在上下文中进行学习，也就是语言模型在给出少数示例的情况下学习任务的能力。

PS：本文所有Chat测试均通过“灵象智问AI”提供的AI服务，官网https://www.lxzw888.com/