ChatGPT无疑是一个强大的语言模型,它可以提供非常有趣和有见地的回答。但与真正的人类交流还是有一定差距,它的回答有时会模棱两可,语焉不详。怎样才能让ChatGPT给出更好的回答呢?
学习提问技巧的优势在于,如果你能够正确地提问这些大模型,你实际上可以打败在具体任务上进行微调的模型。下面这些技巧和原则可以显著提高ChatGPT等模型的回答质量和准确性。大家可以试着应用一下:
Chatgpt 提示词设计技巧
无需客气
提示词要简洁明确,避免无关信息。不需要添加“请”、“谢谢”等关键词。
重复关键词
多次重复某关键词,可以增加ChatGPT聚焦这个词的概率。
给予奖励
你可以开玩笑地说会额外“打赏”更好的回答,这可能会提高ChatGPT的回答质量。
例如:“如果你能提供更完整的回答,我会额外打赏你$100!”
直奔主题
使用“你必须”，“你的任务是”，等关键词。
你也可以使用一些情感压力,如“如果你无法提供好的解决方案,你会被惩罚”。在我看来,这种提示方式实际上非常有帮助。
明确角色定位
可以直接告诉ChatGPT以特定的角色或身份回答问题,比如老师、专家、初学者等。这可以让它更清楚应该用怎样的语言风格和知识深度来回答。
明确目标受众
如果想得到更通俗易懂的回答，可以用下面提示词
“请用符合11岁孩子理解能力的语言解释这个概念。”
如果得到更加学术性的答案，可以明确受众是该领域的专家
使用肯定措辞
告诉AI要做什么，如“执行”, 避免使用否定措辞,如“不要”。
结构化提示词
例如：
###任务###
{任务}
###角色###
{定义一些角色}
###工作流###
{每个角色应该做什么，写明具体工作流程}
鼓励AI获取足够的信息
让Ai问你问题。进一步获得详细信息。让模型通过向你提问来澄清具体的细节和需求，直到它获取足够的信息来提供所需的输出，例如：“从现在开始，请向我提出问题以便……”。
分解复杂问题
复杂的问题可以分成几个子问题,先让ChatGPT回答更简单的问题,然后在此基础上继续讨论更复杂的问题。
提供示例
给出1-2个回答样例,有助于ChatGPT更准确地领会你的需求。
Prompt设计原则
- 简洁和清晰： 通常，冗长或含糊不清的提示可能导致模型困惑或产生无关的响应。因此，提示应简洁明了，避免不必要的信息，使其具体到足以引导模型完成任务。这是提示工程的基本原则。
- 上下文相关性： 提示必须提供有助于模型理解任务背景和领域的相关上下文。包括关键词、领域专用术语或情境描述，以确保模型的响应与正确的上下文相关联。我们在提出的原则中强调了这一设计理念。
- 任务对齐： 提示应与任务密切对齐，使用能清晰指示任务性质的语言和结构。
- 示例演示： 对于更复杂的任务，在提示中包含示例可演示所需的格式或响应类型，特别是在“few-shot”或“zero-shot”学习场景中，经常展示输入-输出对。
- 避免偏见： 提示应设计为最小化由于模型的训练数据中存在的偏见而引发的激活。使用中性语言，并注意潜在的伦理问题，尤其是涉及敏感主题时。
- 渐进提示： 对于需要一系列步骤的任务，可以设计结构化提示，逐步引导模型完成过程。将任务分解为一系列提示，逐步引导模型完成步骤。此外，提示应根据模型的性能和迭代反馈进行调整，即它需要准备好根据初步输出和模型行为优化提示。提示还应根据模型的性能和响应进行调整，以及迭代的人类反馈和偏好。
- 最后，更高级的提示可能会融入编程式的逻辑以完成复杂任务。例如，在提示中使用条件语句、逻辑运算符，甚至在提示中使用伪代码来引导模型的推理过程。提示设计是一个不断发展的领域，特别是随着LLMs变得更加复杂。随着研究人员不断探索通过提示工程实现的极限，这些原则可能会得到进一步的完善和拓展。
最后
我认为提问技巧在未来几年不会消失,它会持续存在。除了这些原则之外,提高提问技巧还有几个更重要的考虑因素:
首先是对具体领域的专业知识。如果你在特定领域使用模型,你需要掌握该领域的专业知识,因为提问的关键是提出正确的问题,提供正确的上下文和形式,这是从 LLMs 获取正确答案的唯一途径。
在提问时,你需要精确、清晰,并具备领域专业知识,这样你可能能够从通用大语言模型中得到比微调模型更好的响应,前提是模型本身在该具体领域进行过训练。