提示词工程

提示词工程基础

提示词工程（Prompt Engineering， In-Context Prompting），是指在不更新模型权重的情况下如何与大模型交互以引导其行为而获得所需结果的方法。

提示词优化技巧：

1. 详细的描述

2. 让模型充当某个角色

3. 使用分隔符：中括号、XML标签、三引号等分隔符可以帮助划分需要区分的文本，也可以帮助模型更好地理解文本内容，常用'''''' 把内容包裹起来。

4. 指定任务步骤：对于可以拆分的任务尽量拆开，最好能为其指定一系列步骤，让模型更容易完成任务。

5. 提供例子：本质类似于 few shot learning，先给出举例，再让模型按照例子输出。

6. 使用参考文本作答：基于文本辅助大模型回答，降低模型幻觉（一本正经胡说八道）问题，让大模型使用我们提供的信息来组成答案。

零样本思想

零样本学习（Zero-shot Learning）是指在训练阶段不存在与测试阶段完全类别相同的样本，但模型可以使用学习过的知识推广到测试集中新类别上。

在提示词优化中，零样本思想用于基于已训练的能力，不提供任何示例，仅通过语言去描述任务的要求、目标和约束，让模型直接生成结果。

少样本思想

少样本学习（Few-shot Learning）是指当模型学习了大量特定类别的样本后，对于新类别，只需要少量的样本就能快速学习，单样本学习（One-shot Learning）是少样本学习的样本数为1的情况。

在提示词优化中，少样本主要用于基于少量示例，让模型参考示例生成结果。