提示工程
OpenAI 的提示工程指南：掌握 ChatGPT 进行高级应用
了解提示工程
提示工程 是设计输入（提示）以从 AI 模型（如 ChatGPT）中获得所需输出的艺术和科学。它是最大化这些模型有效性的关键技能。
ChatGPT 建立在 OpenAI 的 GPT-3 和 GPT-4 架构之上，已经取得了显著的进步，变得更加响应和上下文感知。了解其演变对于掌握提示工程至关重要。
像一位熟练的指挥家领导乐队一样，提示工程使我们能够指导这些模型执行复杂的任务，从编写详细的技术文档到生成创造性和吸引人的内容。本指南将带您了解转变您与 AI 交互的策略和战术，从基本的交流到细致和有意义的对话。
考虑一下询问“如何在 Excel 中添加数字？”与“如何在 Excel 中自动求一列美元金额的总和，并在右侧的“总计”列中显示总计？”之间的区别。后者更详细的提示，减少了 AI 的解释空间，导致更准确和有用的响应。同样，了解使用人物、分隔符和分步指令的作用可以对 AI 的输出质量产生深远的影响，特别是对于复杂的任务。
本指南不仅涵盖提示工程的理论方面，还提供了实践的、实用的例子。您将学习如何有效地使用策略，例如提供参考文本来引导 AI 远离虚构，或者如何将复杂任务分解为更简单的子任务以获得更准确的结果。
1. 清晰度和细节
为 AI 模型（如 GPT-4）设计有效的提示需要精确、上下文和清晰度的结合。设计良好的提示和设计不良的提示之间的区别可以是模糊的、通用的响应和相关的、具体的答案之间的区别。
示例 1：利用 ChatGPT 的语言理解进行技术查询
- 无效提示： “如何修复我的代码中的 bug？”
- AI 输出： “要修复代码中的 bug，首先需要识别 bug，了解为什么会发生，然后修改代码来纠正它。”
- 有效的技术查询： “我正在使用 Python 编码，尝试访问字典时出现 KeyError。代码片段是：[代码片段]。这个错误的原因是什么以及如何修复它？”
- AI 输出： “您的 Python 代码中的 KeyError 很可能是由于尝试访问字典中不存在的键所致。以下是如何修改代码来处理此错误：[修改后的代码片段，附有说明]。”
示例 2：具有风格模仿的创作写作
- 无效提示： “写一个短篇故事。”
- AI 输出： “从前，在一个遥远的土地上，有一个王国面临着巨大的危险…”
- 有效的风格模仿提示： “以欧内斯特·海明威的风格写一个短篇故事，重点是两个老朋友在意外相遇时的对话。”
- AI 输出： “太阳照在尘土飞扬的道路上，杰克和汤姆，两个老朋友，碰巧相遇。‘已经过去很多年了，’杰克说，他的声音和空气一样干燥。‘自从战争以来，’汤姆回答。[故事继续以海明威简洁、对话驱动的风格写成]。”
示例 3：旅行建议
- 无效提示： “在巴黎我可以做什么？”
- AI 输出： “在巴黎，您可以参观像埃菲尔铁塔、卢浮宫和巴黎圣母院这样的地标。”
- 有效提示： “我将在夏天访问巴黎三天，重点是艺术和历史。您可以建议一个详细的行程吗？”
- AI 输出： “第一天：上午参观卢浮宫，接着前往巴黎圣母院。[更多详细行程]。”
关于设计更好提示的见解
- 具体性： 尽可能具体。您的提示越详细，响应就会越有针对性。
- 上下文信息： 包括所有相关的上下文。这有助于 AI 理解您请求的确切性质。
- 明确的目标： 清楚地说明您期望的输出。无论是配方、旅行计划还是技术解决方案，请明确您的目标。
- 避免模糊性： 模糊的提示会导致通用的响应。澄清您的请求以获得精确的答案。
- 利用已知格式： 如果适用，请以特定的格式请求信息，例如列表、分步指南或图表。
2. 使用参考文本增强 AI 响应
在提示工程中战略性地使用参考文本可以显著提高 AI 模型（如 GPT-4）响应的质量和准确性。通过在查询中提供相关的可靠信息，您可以引导 AI 根据提供的材料组成答案，使响应更加可靠和上下文准确。
示例 1：科学解释
- 传统提示： “黑洞是如何形成的？”
- AI 输出： “黑洞是由一颗大型恒星死亡并在超新星爆炸中形成的。如果核心的质量足够大，它就会在自己的重力下坍缩成一个黑洞。”
- 增强提示，带有参考文本：
- 提供的参考文本： “[关于恒星演化和黑洞的科学论文]”
- 提示： “使用提供的科学论文中的信息，解释黑洞形成的过程。”
- AI 输出： “根据提供的科学论文，黑洞是在一颗巨大的恒星耗尽其核燃料并且其核心坍缩时形成的。该论文详细介绍：[论文中的相关摘录]”
示例 2：法律解释
- 传统提示： “知识产权盗窃的法律影响是什么？”
- AI 输出： “知识产权盗窃可能导致法律后果，例如诉讼、罚款，严重的情况下甚至可能导致监禁。”
- 增强提示，带有参考文本：
- 提供的参考文本： “[关于知识产权法的法律期刊文章]”
- 提示： “参考提供的法律期刊文章，解释知识产权盗窃的具体法律影响。”
- AI 输出： “法律期刊文章指出，知识产权盗窃可能导致民事诉讼、法定损害赔偿和潜在的刑事指控。具体来说，该文章提到：[文章中的直接引用]”
关于在提示中使用参考文本的见解
- 选择相关文本： 选择与您的查询直接相关的参考文本。
- 提示规范： 清楚地指示 AI 使用提供的参考文本来组成其答案。
- 引用： 请求 AI 在其响应中引用参考文本的特定部分，以确保准确性和可验证性。
- 处理不足信息： 指示 AI 如果提供的文本中不包含回答问题所需的必要信息，则应明确说明。
3. 使用子任务分解简化复杂任务
将复杂任务分解为更简单的子任务是有效处理 AI 模型（如 GPT-4）复杂任务的关键。这种方法不仅简化了流程，还提高了 AI 响应的准确性和相关性。以下示例通过特定的示例展示了使用意图分类、摘要技术和结构化对话来处理复杂查询的优势。
示例 1：客户服务查询
- 无效方法： 提出一个询问一般帮助的单一提示。
- 用户提示： “我在我的帐户上遇到问题。”
- AI 输出： “您能否请具体说明您帐户问题的性质？”
- 有效方法： 将查询分类并提供有针对性的帮助。
- 用户提示： “我在访问我的帐户时遇到问题。”
- AI 指令： “将查询分类为“帐户管理”，然后提供访问问题的特定步骤。”
- AI 输出： “听起来您在访问您的帐户时遇到问题。让我们从重置您的密码开始。[接着是详细的步骤]。”
示例 2：长文档摘要
- 无效方法： 尝试一次性总结长文档。
- 用户提示： “为我总结这本 300 页的书。”
- AI 输出： “我很抱歉，但我无法处理比我的上下文窗口更长的文档。”
- 有效方法： 逐步提取摘要，递归构建完整的摘要。
- AI 指令： “逐章总结，然后创建一个摘要的摘要，递归进行。”
- 用户提示： “总结这本书的第一章。”
- AI 输出： “第一章摘要：[第一章的简要摘要].”
- 继续过程： 对每个章节应用相同的过程，然后是最终的总结，汇总所有单独的总结。
子任务分解和上下文提示工程的好处
- 提高准确性： 通过关注复杂任务的特定方面，AI 可以提供更准确和相关的响应。
- 增强效率： 将任务分解为更易于管理的部分，并降低错误或不相关输出的可能性。
- 更好的用户体验： 用户获得有针对性的、分步骤的指导，这比通用响应更有帮助。
- 成本效益： 较小、有针对性的提示可能比较大、更复杂的提示更具成本效益。
4. 给 GPT 留出思考时间
给模型留出“思考”时间并将复杂任务分解为可管理的步骤，显著提高了 AI 模型（如 GPT-4）响应的质量。
示例 1：数学问题评估
- 无效方法： 直接询问模型评估学生的解决方案。
- 用户提示： “学生对这个数学问题的解决方案是正确的吗？”
- AI 输出： “学生的解决方案似乎是正确的/不正确的。”
- 有效方法： 指示模型首先自己解决问题，然后评估学生的工作。
- 用户提示： “首先解决这个数学问题。然后，将您的解决方案与学生的解决方案进行比较并评估其正确性。”
- AI 输出： “我的解决方案：[详细解决方案]。将其与学生的解决方案进行比较，我发现他们计算[特定部分]时有一个错误。正确的方法应该是[正确方法]。”
示例 2：文档分析
- 无效方法： 尝试一次分析整个文档。
- 用户提示： “总结这份整个文档的要点。”
- AI 输出： “我无法处理整个文档，因为它太长了。”
- 有效方法： 采用顺序提取和后续查询的方式进行全面分析。
- 用户提示： “从这份文档中提取与[特定主题]相关的关键摘录。”
- AI 输出： “摘录 1：[相关段落]。摘录 2：[另一相关段落]。”
- 后续用户提示： “是否有更多相关摘录？请确保它们包含完整的上下文。”
- AI 输出： “附加摘录：[进一步相关段落]。”
好处和见解
- 分析深度： 通过首先解决问题或分析，AI 可以提供更准确和深入的评估。
- 引导式学习： 在辅导场景中，使用内部独白和提示鼓励学生独立找到解决方案，提高了他们的学习体验。
- 全面覆盖： 对于文档分析，顺序和递归方法确保了彻底的覆盖而不会错过重要细节。
- 避免偏见： 通过首先生成自己的解决方案，AI 避免了直接评估给定答案可能产生的偏见。
5. 利用外部工具
将外部工具和资源集成到 AI 交互中可以大大提高 AI 模型（如 GPT-4）生成的响应的准确性和相关性。本节演示了使用基于嵌入的搜索进行知识检索、代码执行进行准确计算以及函数调用来增强 AI 模型的功能。
示例 1：使用代码执行进行准确计算
- 无代码执行： 仅依赖模型的计算能力。
- 用户提示： “529 的平方根是多少？”
- AI 输出： “529 的平方根约为 23。”
- 带代码执行： 确保计算精确。
- 用户提示： “计算 529 的平方根。”
- AI 指令： “编写和执行 Python 代码来计算这个值。”
- AI 输出： “
python 导入 math math.sqrt(529)529 的平方根正好是 23。”
示例 2：使用 API 调用进行动态交互
- 无 API 调用： 仅限静态、预编程响应。
- 用户提示： “提醒我的朋友我们明天的会议。”
- AI 输出： “提醒：不要忘记向你的朋友发送关于明天会议的消息。”
- 带 API 调用： 与外部系统交互以进行实时操作。
- 用户提示： “向我的朋友约翰提醒我们明天的会议。”
- AI 指令： “使用消息 API 发送提醒。”
- AI 输出： “
python 导入 message message.write(to='John', message='嘿，记得我们明天的会议！')已向约翰发送了关于明天会议的提醒。”
好处和见解
- 扩展知识库： 通过使用基于嵌入的搜索，AI 可以访问和整合大量最新信息，提高其响应的相关性和准确性。
- 计算精度： 代码执行允许 AI 执行准确的数学计算，这在技术或科学背景下特别有用。
- 交互能力： API 调用使 AI 能够与外部系统交互，促进了如发送消息或设置提醒等实际操作。
6. 系统测试
系统测试或评估程序对于确定 AI 系统中更改的有效性至关重要。这种方法涉及将模型输出与一组预先确定的标准或“金标准”答案进行比较，以评估准确性。
示例 1：识别答案中的矛盾
- 测试场景： 检测模型响应与专家答案之间的矛盾。
- 系统指令： 确定模型的响应是否与专家提供的答案的任何部分相矛盾。
- 用户输入： “尼尔·阿姆斯特朗成为第二个登上月球的人，继巴兹·奥尔德林之后。”
- 评估过程： 系统检查与专家答案的一致性，专家答案指出尼尔·阿姆斯特朗是第一个登上月球的人。
- 模型输出： 模型的响应直接与专家答案相矛盾，表明存在错误。
示例 2：比较答案的详细程度
- 测试场景： 评估模型的答案是否与专家答案在详细程度上保持一致、超过或不及。
- 系统指令： 比较模型的响应和专家答案的信息深度。
- 用户输入： “尼尔·阿姆斯特朗于 1969 年 7 月 21 日 02:56 UTC 首次登上月球。”
- 评估过程： 系统评估模型的响应是否提供了与专家答案相同、更多或更少的详细信息。
- 模型输出： 模型的响应提供了更多详细信息（确切时间），这与专家答案一致且有所扩展。
好处和见解
- 准确性和可靠性： 系统测试确保 AI 模型的响应在处理事实信息时是准确和可靠的。
- 错误检测： 它有助于识别模型响应中的错误、矛盾或不一致之处。
- 质量保证： 这种方法对于在教育、历史或其他对事实敏感的背景下保持 AI 生成内容的高标准至关重要。
结论和要点
通过讨论的示例和策略，我们已经看到提示的具体性如何以戏剧性的方式改变输出，以及如何将复杂的任务分解为更简单的子任务，使令人望而生畏的挑战变得可控。我们探索了外部工具在增强 AI 能力的作用以及系统测试在确保 AI 响应的可靠性和准确性方面的重要性。访问 OpenAI 的提示工程指南 以获取补充我们对高级技术和策略的全面探索的基础知识，用于优化 AI 交互。
