OpenAI 官方提示工程指南中文版

AI应用信息2个月前发布 XIAOT
88 0

这份指南分享了如何更有效地利用像如 GPT-4 这样的大语言模型(有时候也叫 GPT 模型)来获得更好的结果。介绍的方法可以相互结合,以发挥更大的作用。我们鼓励你进行实验,寻找最适合你的技巧。

目前,这里演示的一些示例只适用于最先进的模型 gpt-4。一般来说,如果你尝试的模型在某个任务上未能成功,并且有更高级的模型可供使用,不妨用更高级的模型再尝试一次。

六大策略助你获得更佳结果

撰写清晰的指令

这些模型并不会读心术,无法猜到你的想法。如果模型的输出内容过长,你可以要求它简短回答。如果模型输出内容过于简单,你可以要求使用更专业的水平写作。如果你对输出格式不满意,可以直接展示你期望的格式。最好就是让模型不需要去猜你想要什么,这样你最有可能获得想要的结果。

技巧:

  • 在查询中添加详细信息,以获得更准确的答案
  • 请求模型扮演特定角色
  • 使用分隔符来清晰区分输入的不同部分
  • 明确指出完成任务需要的步骤
  • 提供实例作为参考
  • 明确指定希望输出的长度

提供参考文本

语言模型可能会自信地编造出虚假答案,特别是当回应一些深奥主题或被要求提供引文和 URLs 时。就像学生在考试中借助笔记能够帮助其取得更好的成绩一样,为这类模型提供参考文本也可减少其制造虚假信息的情况。

技巧:

  • 引导模型根据参考文本回答问题
  • 引导模型根据参考文本中的引用信息回答问题

把复杂的任务拆分成简单的子任务

就像在软件工程中,我们会习惯于把复杂的系统分解成一套模块化的组件,对于提交给语言模型的任务也是同样的道理。相较于简单的任务,复杂任务的错误率往往会更高。而更进一步,我们常常可以把这些复杂任务重新设定为一系列的工作流程,每一个流程就是一个更简单的任务,而且这些任务之间是相互联系的,前一个任务的输出会作为后一个任务的输入。

技巧:

  • 利用意图分类识别用户查询中最相关的指令
  • 对于需要长时间对话的对话应用,总结或筛选先前的对话内容
  • 分步总结长文档,并递归地构建完整的总结

给模型更多时间“思考”

如果被要求计算 17 乘以 28,我们可能不能立即给出答案,但可以花一些时间逐步计算出结果。同样,在 AI 模型试图立刻回答问题时,往往比理性思考后再做出回答更容易出错。所以,在模型给出答案之前,要求其展示一下”思考过程”,有助于模型更可靠地推导出正确的答案。

技巧:

  • 在仓促做出结论前,指导模型自己寻找解决方法
  • 通过内心独白或连串问题来掩盖模型的思考过程
  • 问模型在之前的步骤中是否有遗漏

运用外部工具

为了弥补模型的不足,我们可以利用其他工具的输出作为输入。例如,文本检索系统(有时被称为 RAG 或检索增强生成系统)可以向模型提供相关文档的信息。像 OpenAI 的代码执行引擎这样的工具,可以帮助模型进行数学运算和代码执行。如果某项任务通过工具来完成能比通过语言模型更可靠或更高效,那么就把任务交给这个工具处理,这样就能结合两者长处,达到最佳效果。

技巧:

  • 运用基于嵌入的搜索来高效实现知识检索
  • 利用代码执行进行更精确的计算或调用外部 API
  • 使模型能够访问特定功能

系统地对变更进行测试

如果能对性能进行量化,那么就能更好地提高性能。有时,对提示词的修改在少数特定例子上可能表现更佳,但在更具普遍性的样本集上可能会导致整体性能下降。因此,为了确保改动对总体性能产生积极的影响,可能需要设计一份全方位的测试(也被称为”评估”)。

技巧:

  • 根据标准答案的参考评估模型输出效果

实用策略

上述的每一种策略都可以通过具体的技巧来具体实施。这些技巧是为了给你提供可尝试的想法,但并不是完全详尽无遗的。你也可以尝试这里没有提到的一些新颖创意的方法。

    © 版权声明

    相关文章

    暂无评论

    暂无评论...