OpenAI---提示词工程的6大原则

OpenAI在官方的文档里上线了Prompt engineering，也就是提示词工程指南，其中OpenAI有提到写提示词的6条大的原则，它们分别是：

（1）Write clear instructions（写出清晰的指令）

（2）Provide reference text（提供参考文本）

（3）Split complex tasks into simpler subtasks（将复杂的任务拆分为简单的子任务）

（4）Give the model time to "think"（给模型时间“思考”）

（5）Use external tools（使用外部工具）

（6）Test changes systematically（系统地测试变更）

写出清晰的指令

1. 把话说详细：尽量多的提供任何重要的详细信息和上下文。

用一个段落总结会议记录。然后写下演讲者的 Markdown 列表以及他们的每个要点。最后，列出发言人建议的后续步骤或行动项目（如果有）。

2. 让模型充当某个角色：把大模型想象成一个演员，告诉他饰演的角色。

充当一个喜欢讲笑话的喜剧演员，每当我请求帮助写一些东西时，你会回复一份文档，其中每个段落至少包含一个笑话或有趣的评论。

3. 使用分隔符指示输入的不同部分
三引号、XML 标签、节标题等分隔符可以帮助划分要区别对待的文本节。可以帮助大模型更好的理解文本内容。

用50个字符总结由三引号分隔的文本。"""在此插入文字"""。

4. 指定完成任务所需的步骤
将任务拆解为一系列步骤，明确地写出这些步骤，让模型更容易去实现它们。

5. 提供示例：few-shot

请按以下内容的风格来书写文章："""落霞与孤鹜齐飞，秋水共长天一色。渔舟唱晚，响穷彭蠡之滨"""。

6. 指定内容输出长度
可以要求模型生成给定目标长度的输出。目标输出长度可以根据单词、句子、段落、要点等的计数来指定。但是不是精确的答案。

用两个段落、100个字符概括由三引号分隔的文本。"""在此插入文字"""。

提供参考文本

1. 让模型使用参考信息作答

使用提供的由三重引号引起来的文章来回答问题。如果在文章中找不到答案，请回答“找不到答案”。"""<在此插入文档>"""，"""<在此插入文档>"""。
问题：<在此插入问题>

2. 让模型通过引用参考文本来回答
可以要求模型通过引用所提供文档中的段落来为其答案添加引用。可以提高正确性，增加可验证性。

您将获得一份由三重引号和一个问题分隔的文档。您的任务是仅使用提供的文档回答问题，并引用用于回答问题的文档段落。如果文档不包含回答此问题所需的信息，则请回答：“信息不足”。如果提供了问题的答案，则必须附有引文注释。使用以下格式引用相关段落（{“引用”：…}）。
"""<在此插入文档>"""
问题：<在此插入问题>

将复杂的任务拆分为简单的子任务

1. 使用意图分类来识别与用户查询最相关的指令
2. 对于对话中的历史记录，总结或过滤之前的对话
3. 分段总结长文档并递归构建完整总结

章节摘要可以连接和总结，生成摘要的摘要。这个过程可以递归地进行，直到总结整个文档。 https://openai.com/research/summarizing-books

给模型时间“思考”

链式思考（CoT），Chain-of-Thought Prompting，think step by step。
1. 让模型在给出结论之前找出自己的解决方案
2. 使用内心独白来隐藏模型的推理过程
3. 询问模型在之前的过程中是否遗漏了什么内容

如果源文档很大，模型通常会过早停止并且无法列出所有相关信息。在这种情况下，通过使用后续的promtp让模型查找之前传递中错过的任何相关信息，通常可以获得更好的性能。例如根据文档来列出这个问题在文档中的相关片段：“北京烤鸭到底好吃在哪”，然后让他用JSON格式输出
[{"相关片段"："..."}，
在输出停止以后，可以再问一句：
还有更多相关片段吗？注意不要重复摘录。还要确保相关片段包含解释它们所需的所有相关上下文 - 换句话说，不要提取缺少重要上下文的小片段。

使用外部工具

1. 使用基于嵌入的搜索实现高效的知识检索

检索增强生成 (RAG)，Retrieval Augmented Generation，常见步骤：加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 在文本向量中匹配出与问句向量最相似的top k个 -> 匹配出的文本作为上下文和问题一起添加到prompt中 -> 提交给大模型生成回答。

2. 使用代码执行来进行更准确的计算或调用外部API

3. 给模型提供特定的功能

通过 API 请求，传递一系列特定的函数描述。告诉模型哪些函数是可用的，以及这些函数的参数应该是什么样的。然后模型模可以生成相应的函数参数，这些参数随后会以 JSON 格式通过 API 返回。拿到JSON数组，跟数据库交互，做数据查询、数据处理等等。
处理完以后再返回一个JSON数组给大模型，让大模型变成人类语言输出给用户。