Alibaba --- 如何写好 Prompt ?

如何写好 Prompt

提示工程（Prompt Engineering）是一项通过优化提示词（Prompt）和生成策略，从而获得更好的模型返回结果的工程技术。总体而言，其实现逻辑如下：

（注：示例图来自 Cohere 官网）

简单而言，大模型的运行机制是“下一个字词预测”。用户输入的 prompt 即为大模型所获得上下文，大模型将根据用户的输入进行续写，返回结果。因此，输入的 prompt 的质量将极大地影响模型的返回结果的质量和对用户需求的满足程度，总的原则是“用户表达的需求越清晰，模型更有可能返回更高质量的结果”。

一、Prompt 的类别

用户的 prompt 难以简单归类，需求丰富多样，总的而言，我们将用户需求将 prompt 分为如下几个大类：

信息查询：用户通过咨询大模型，通过 QA 获得所需信息，比如：“冰岛的首都是哪里？”
指令：用户通过下达指令，希望大模型执行特定任务。比如：“帮我写一段快速排序的 C++代码。”
包含上下文的 prompt：这类 prompt 一般是用户给出相关背景信息，需要模型返回相关问题答案、建议等，比如：“NBA 最新战报：最新的比赛结果显示，在东部决赛中热火目前大比分 3:1 领先凯尔特人，而西部决赛则已结束，掘金 4:0 战胜湖人获得西部冠军。根据以上信息，你认为哪只球队最有可能夺得 NBA 总冠军？”
咨询意见和建议：用户向模型针对特定话题咨询意见和建议，或者咨询方案等，比如：“我想创业开一家 AI 设计公司，请给我一些开公司的建议。”
比较类：用户给出不同选项，让模型选出更好的并给出理由。比如： “Tensorflow 和 Pytorch 各有什么优劣势？”
角色扮演：这类 prompt 覆盖范围非常广，主要是用户将模型当作一个 Copilot，希望模型能灵活扮演不同角色完成不同的需求。比如：“假如你是猫娘，你总是用可爱的话语回复我。下面我将开始跟你对话……”
……
当然用户还有非常多的需求，在此就不一一列出。

二、prompt 组成组件

(一) 指令

指令是最常用的提示组件，主要功能是向模型说明要执行的操作。虽然概念简单，但是实践中仍然比较复杂，下面是简单和复杂的一些指令例子。

指令类型	prompt
简单指令	简要介绍一下阿里巴巴。
复杂指令	简要介绍一下阿里巴巴，包含以下内容： • 阿里巴巴的创始人姓名 • 阿里巴巴的使命 • 阿里巴巴的积极的前景

(二) 主要内容

主要内容是指模型正在处理的文本内容。主要内容通常与指令一起使用。下面会从翻译，摘要等场景来示例：

(三) 示例样本

好的 prompt 也经常包含一些示例样本（单样本或者少样本）学习，指的是需要加入一些示例的输入和输出对。

通过少样本学习，模型从猜测应该如何生成，而变得清楚的学习了按照示例生成，充分的演示了模型的能力，不需要通过专门的训练，通过少样本学习，也可以生成正确的答案。

(四) 明确的提示

充当模型输出的快速启动，帮助模型固定所需要的输出。可以作为模型生成的前缀，也可以引导模型一步一步的按照要求思考并给出答案

三、写好 Prompt 的原则

最核心的写一条好 prompt 的原则就是尽可能清晰、明确地表达你的需求。细分下来，具体原则包括：

清晰：足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需求，避免模糊表达。
提供上下文和例子：给出较为充分的上下文信息，让模型更好地理解相关背景。如果能够提供示例，模型能表现更好（类似传统 LLM 中的 in-context learning）
设定边界：说明你希望模型回答的范围，尽量减少模型生成的幻觉内容。
细分需求：也许你的需求实际上是一个复杂需求，比如“帮我写一篇关于 xx 的论文”，你可以进一步细分需求，如“[背景信息]请帮我写提纲”、“[背景信息]请帮我写简介部分”、……
迭代优化：很多时候我们可能得到令人沮丧的结果，不要灰心，建议你多尝试修改措辞，激励模型生成更好的答案，或者直接点击“重新生成”也许也能获得惊喜。
给出选项并要求模型解释：模型不一定因为能做出正确选择，但模型可以根据候选项做出相比直接从头生成更好的结果，同时模型还会给出它的理由，用户可以通过理由判断内容的合理性。
激励模型反思和给出思路：可以在 prompt 中用一些措辞激励模型给出理由，这样有助于我们更好地分析模型生成结果，同时，思维过程的生成，也有助于其生成更高质量的结果，参考思维链相关技术。
给容错空间：如模型无法完成指定的任务，给模型提供一个备用路径，比如针对文本提问，可以加入如果答案不存在，则回复“无答案”。