【基础篇】ChatGPT提示手册——8类基础提示词快速上手 ...

譕訫

写在前面

自从ChatGPT大火之后，各类提示工程（Prompt Engineering）的教学井喷式爆发，但是由于大大都所谓的教程都是从国外的教程翻译过来的，受到翻译人员翻译程度以及责任心的影响，各类教程的质量参差不齐。而我写这个专栏文章的目的就是但愿各位对大语言模型提示工程感兴趣的伴侣可以斗劲系统地展开学习，尽量不花冤枉钱，多捞干货，少当韭菜。

而通过阅读本专栏内的文章，你将会有如下收获：
1）大语言模型的基础提示工程以及提示案例；
2）大预言模型的进阶提示工程以及提示案例；  
3）大语言模型以及提示工程的应用场景以及提示案例；
4）当前常用AI东西的清单。

友情提示：首先由于Prompt Engineering本身是一个会不竭迭代的东西，所以本专栏的文章也会不竭地更新；第二，由于文章傍边的常识点没有连贯性，专栏傍边的所有文章都可以按照目录当东西书查阅，所以请点赞保藏，便利后面食用~
小概述：什么是提示工程(Prompt Engineering)

总体来说，你通过自然语言（英语、汉语或者其他什么语言）来给AI下指示，从而让AI完成你指定给他的工作的过程都可以称之为提示工程，你可以把提示工程看作某种意义上的自然语言编程。可能有人会好奇，既然都是用自然语言，那干嘛还要学，我说母语还用得着你来教吗？非也~

首先，自然语言本身是及其不严谨的，同样一句话在分歧语境下会表达出截然相反的意思；第二，目前的大语言模型的逻辑推理能力斗劲有限。这些就导致了当你用自然语言来给AI下指令的时候，AI会返还的成果是不成控的。而通过提示工程，AI所返还给你的成果就会变得可控得多。尤其对于复杂问题，一套精心设计的提示词甚至能解决代码都无法解决的问题，所以此刻已经有公司把提示词放在和代码同等的地位了，都是属于该公司的核心智力资产。

内容导读

• 零样本提示（Zero-Shot Prompting）：最简单常用的提示方式，虽然简单，但是指令、上下文、输出要求可以让模型交互更可控。
  
• 角色扮演提示（Role Prompting）：不是你想的那样的...
  
• 少样本提示（Few-Shot Prompting）：模型不是万能的，给一些样本之后模型可以更清楚知道你想要什么。
  
• 参数设置：你的ChatGPT可以更跳脱，也可以更严谨~
  
• 思维链提示（Chain of Thought Prompting）：对于一些需要较为复杂的推理才能得出的答案很实用
  
• 零样本思维链提示（Zero-Shot Chain of Thought Prompting）：Let's think step by step~
  
• 自我一致性提示（Self-Consistency Prompting）：不确定成果？让模型本身投票吧
  
• 常识生成提示（Generated Knowledge Prompting）：AI可能比你懂得多，要善用AI已经具备的常识
  

<hr/>1. 零样本提示（Zero-Shot Prompting）

这篇文章咱们就从最简单常用的零样本提示开始。
1.1. 零样本提示概要

Few-Shot、Zero-Shot本身是深度学习算法傍边的概念，指的是仅通过少量样本，甚至不通过样本，模型就可以学习到数据傍边的特征，而这里对这个含义做了引申，也就是说我们不用给模型任何布景常识，直接给模型下指令，模型就可以按照我们的指令来进行对应的工作。
我们在日常工作和生活傍边当要求别人帮我们做什么的时候，经常用零样本提示的方式来给对方下指令，比如下面这样：

帮我整理一份深度学习常用训练框架的清单。

我们来看看用这个问题来问ChatGPT会怎么样。


仿佛还可以，但是这种搞法感觉和搜索引擎没多大区别。
那咱们此刻换一种方式来提示呢？


有没有感觉逼格瞬间就上来了~
咱们还是拿平时请别人干事作为例子，在我们请别人干啥事儿的时候，除了“处事”这个指令本身，实际上还有其他很多隐藏的需求我们是在沟通的过程傍边不竭地输送给对方的，如果不把这些信息透露给对方的话，概略率就是丈二和尚摸不着头脑。
这个道理对AI也是不异的，在给AI下指令的时候，我们同样需要把除了“指令”本身之外的关键信息给到AI，下面咱们来看一下一条尺度的提示词应该具备哪些信息。

• 指令：你需要模型完成的任务。
  
• 上下文信息：这里所谓的上下文信息实际上有两个感化，一是在给AI划定一个信息范围，二是给AI提供一些额外的信息，从而让AI能更好的执行你的指令。
  
• 问题：你需要模型解答的问题。
  
• 输出要求：你需要模型的回答所遵照的要求，这里的要求可以是格式、条数这种定死的要求，也可以是回答风格（例如幽默的，严谨的）这种相对灵活的要求。
  

1.2. 提示案例展示

提示词：

文章内容： “ 华经财富研究院数据显示：2023年1-2月贵州省房地产投资额341.23亿元，较2022年同期对比减少了15.75亿元，同比下降4.4%，此中住宅投资额267.7亿元，较2022年同期对比减少了6.59亿元，同比下降2.4%。2023年1-2月贵州省房地产施工面积23178.95万平方米，较2022年同期对比减少了811.95万平方米，同比下降3.4%；新开工面积329.69万平方米，较2022年同期对比增加了47.59万平方米，同比增长16.9%；竣工面积95.07万平方米，较2022年同期对比增加了18.18万平方米，同比增长23.6%。从各类型房屋来看，2023年1-2月贵州省商品住宅、办公楼及商业营业用房施工面积分袂为：16248.2万平方米、428.37万平方米、2593万平方米，较2022年同期对比：减少488.84万平方米、减少51.81万平方米、减少178.2万平方米，同比增速：下降2.9%、下降10.8%、下降6.4%；商品住宅、办公楼及商业营业用房新开工面积分袂为：237.95万平方米、0.24万平方米、23.78万平方米，较2022年同期对比：增加28.91万平方米、减少2.73万平方米、增加11.15万平方米，同比增速：增长13.8%、下降92%、增长88.3%；商品住宅、办公楼及商业营业用房竣工面积分袂为：56.32万平方米、1.34万平方米、16.91万平方米，较2022年同期对比：增加0.16万平方米、增加0.68万平方米、增加12.5万平方米，同比增速：增长0.3%、增长102.7%、增长283%。2023年1-2月贵州省房地产商品房发卖面积635.87万平方米，较2022年同期对比减少了49.89万平方米，同比下降7.3%，此中商品房现房发卖面积102.69万平方米，较2022年同期对比增加了28.05万平方米，同比增长37.6%；商品住宅发卖面积588.54万平方米，较2022年同期对比增加了0.23万平方米，此中商品住宅现房发卖面积84.15万平方米，较2022年同期对比增加了27.35万平方米，同比增长48.2%。2023年1-2月贵州省房地产商品房发卖额338.28亿元，较2022年同期对比减少了23.18亿元，同比下降6.4%；商品住宅发卖额308.8亿元，较2022年同期对比增加了6.32亿元，同比增长2.1%。 ”

请列出上述文章内容傍边的所有经济指标，不能有遗漏！然后告诉我你对这些经济指标在2023年的走势预测（例如上升、下降、持平等）。然后用100字摆布的文字向我阐述你所预测的这些经济指标的走势对房地产市场会带来何种影响。 你需要按照如下格式来回答问题： |指标名称|走势预测|影响分析|

（上面的提示词里面哪些是上下文、哪些是指令大师本身甄别~）
ChatGPT回答：


2. 少样本提示（Few-Shot Prompting）

2.1. 少样本提示概要

通过零样本提示，我们可以通过语言向AI描述我们需要它做什么？但是如果我们的要求过于复杂了呢？
在咱们上学的时候，当老师要教一个很复杂的常识点的时候，一般会劈里啪啦先把概念丢一堆出来。看到下面学生一脸懵逼，这个时候老师会说“举个例子”。
这些“例子”，也就是咱们呢Few Shot里面的“Shot”，我们可以通过给AI举例来告诉它咱们究竟想让它干嘛。
2.2. 提示案例展示

假设此刻给你一个任务，你此刻有很多篇包含很多个公司的评论文章，你此刻需要统计这些文章傍边对这些公司的评论是正面还是负面的，而且还需要给出支撑这些评论的论点，以此来支撑公司的投资决策。
这时你但愿ChatGPT接收到文章之后，按如下格式给出它的回答：

公司名称【正面or负面】：论点

提示词：

“7月29日，第三方市场研究机构Canalys发布了2022年第二季度中国智能手机出货量情况。受到疫情影响，大师的购机热情没有以往高涨，本年第二季度智能手机出货量同比下降了10%，出货量仅为6740万部。此中，vivo出货量为1320万台，排名第一；荣耀紧随其后，出货量为1300万部；OPPO（包罗一加）以1180万部的出货量排在第三名；小米以1060万台的出货量排名第四；苹果排名第五，出货量为990万台。在手机市场整体疲软的布景下，本年第二季度，手机厂商们的出货量呈现出了两位数的下滑，只有荣耀和苹果实现了逆势增长。此中，荣耀年增长率达到88%，可以说过于夸张。苹果年增长率也达到了25%，较为稳健。”
vivo【中性】：虽然出货量第一，但是出货量有必然的下滑
荣耀【正面】：发卖量仅此于vivo，且实现了逆势增长
小米【中性】：出货量中规中矩
苹果【正面】：虽然出货量较少，但也实现了逆势增长  

“在新能源汽车这样的增长势头下，2023年就不只是新能源汽车市场洗牌了，而是已经开始挤压燃油车型的保留空间。日系、德系的三大销冠车型轩逸、新朗逸、卡罗拉销量在年末甚至呈现了腰斩现象，这意味着明年对于燃油车型更加艰难。德系、日系销量的腰斩，也将进一步影响合资厂，以上汽、一汽、广汽为代表的央企汽车集团主要利润都来自于合资车型的分润，德系日系倒下，他们的吃亏也将长短常惊人的。新能源汽车的洗牌，已经洗到了深水区。比亚迪本年销量实现了2倍以上的增长，一家厂商的销量占比超过33%，这在国内汽车行业是缔造历史的纪录，随着比亚迪走出国门，在多个地域的销量也取得了较好的成就，这是产物竞争力的浮现。在国内新能源汽车销量达到100%的增长情况下，吉利汽车、广汽埃安、奇瑞汽车、长安汽车、哪吒汽车、零跑汽车跑赢了大盘。而特斯拉、抱负汽车、小鹏汽车、蔚来汽车、一汽大众、上汽大众都不尽如人意。尤其是南北大众曾是燃油车时代的领跑者，如今随着德系电动化转型较慢，自主品牌青黄不接，市场份额已经是零头，无疑面临着极大的转型压力。上汽通用五菱虽然凭借着min EV系列赚足了眼球，但没有新的爆款产物，增长以及停滞；而长城汽车新能源车型的销量增长已经陷入停滞，侧面说明其新能源化转型的严重滞后，与同段位的吉利、奇瑞形成了鲜明对比，已经呈现了掉队的征兆。”

ChatGPT回答：


3. Role Prompting

这个很好理解，就是让你的AI扮演一个你要求的角色，AI会基于这个角色来执行你所给的指令，某种意义上来说这个角色也是你提供给AI的上下文信息。
这里也不多废话了，直接来看示例吧：

PS：个人感觉这个提示方式其实没太大的感化，只不外当你设计提示词AI给你的答复你不是很对劲的时候可以试一下角色扮演的方式，搞不好会有不测收获~

4. 参数设置

4.1. 参数概览

上面提到了可以用诸如上下文、角色扮演、给示例这些方式来控制输出，但实际上ChatGPT是有一些可以直接设置的参数来对输出进行控制的，这里咱们来看一下都有哪些常用参数：

• Temperature：翻译过来是温度的意思，是一个介于0~1之间的浮点数，这个参数是用来控制AI生成文字的随意性的，越靠近0则AI生成的内容越严谨越专注；而越靠近1，AI生成的文字内容就越信马由缰；
  
• diversity_penalty：这是一个可以取值为（0，1，2）的整数，这个参数是用来控制生成的内容在一致性和多样性之间做一个取舍。当取值为0时，则生成的内容更趋于一致性，也就是说你在多轮对话傍边有可能会得到完全不异的答复；当取值为1时，AI所生成的内容会在多样性与一致性之间寻找一个平衡点；当取值为2时，AI生成的内容会取向于多样性，这可能会导致在多轮对话傍边得到纷歧致的答复；
  
• Max tokens：整形参数，这个参数时用来设置输出文字的长短的，这里需要注意汉字数量与token数量并不是一一对应的关系；
  
• Top_p：介于0~1之间的浮点数。在介绍这个参数之前，我们先来简单科普一下ChatGPT这类模型的道理，本质上来说，基于Transformer架构的模型都是在拟合一个条件概率函数。比如说当模型接收到文字“我是你”这三个字的时候，它预测下一个呈现概率最大的文字是“爹”，概率高达99.9%，那这个“爹”字就是模型的输出。而Top_p可以理解成对取得预测成果的概率做一个阈值设定，Top_p越接近1，则发生的预测成果不确定性越大，反之越小。
  
• frequency_penalty：一个介于-2到2之间的浮点数，如果这个参数越靠近2，那AI越容易拽那种不常见的词汇；反之则越容易用常用的词。
  
• presence_penalty：一个介于[-2, 2]之间的浮点数，这个参数是用来控制AI生成的文字内容傍边包含用户输入所使用的词汇的频率。该参数越接近2，则AI输出的内容会尽可能的避免使用用户输入傍边包含的词汇；反之AI则会复用很多用户输入所使用的词汇。
  

4.2. 参数设置示例

PS：像这种参数的设置实际上并没有一个固定的模式，你需要按照你的需求来不竭地调整，直到输出达到你的要求为止。

5. 思维链提示（Chain of Though Prompting）

5.1 思维链提示概要

在上一个章节傍边我们说过，Transformer模型本质上来说就是拟合一个条件概率函数，它要预测的就是给定当前字符串之后，下一个要呈现的文字是什么，理论上来说它是不具备逻辑推理的能力的。但是随着各个大厂纷纷开始搞AI军备竞赛之后，鼎力出奇迹，此刻的大模型涌现出了一种类似逻辑推理的能力。
只不外此刻大模型的这种所谓的推理能力是有限的。
举个例子：


这里我们给ChatGPT出了一道斗劲简单的逻辑推理题，但是很显然答案都不是正确错误的问题，的确不知所云。
那在这种情况下我们怎么来提升ChatGPT的逻辑推理能力呢？
这就要提到我们这个小节要说的思维链提示了（Chain of Thought）.
本质上来说思维链提示也是一种少样例提示（Few-Shot Prompting）,只不外我们提供的样例实际上包含了推理过程，这个推理过程可以是和我们真正想问的问题毫无关系的。这么说可能斗劲抽象，咱们还是以这个逻辑推理题为例来看看例子吧。
5.2 提示词案例

提示词：

Q: 小明已有5个乒乓球，之后他又买了2盒乒乓球，每盒乒乓球傍边有10个球，请问此时小明共有几个乒乓球？ A: 小明一开始有5个乒乓球，之后又买2盒，已知每盒有10个球，那也就是一共2 * 10 = 20个乒乓球，再加上之前的5个，也就是20 + 5 = 25，此时小明一共有25个乒乓球。
Q: 假设有一个池塘，里面有无穷多的水。现有2个空水壶，容积分袂为5升和6升。请问如何只用这2个水壶从池塘里取得3升的水?
A:

其实可以看到，我们给的乒乓球的样例和我们真正想问的问题在推理过程上毫无关系，但是咱们来看一下通过这种方式ChatGPT给的回答。
ChatGPT回答：


虽然说在给出的第四步中有个语病（5升水倒满之后应该中此时其实有4升水），但了这个小瑕疵之外，这个答案已经非常接近正确答案了。
6. 零样本思维链提示（Zero-Shot CoT prompting）

在上面的思维链提示傍边，我们实际上是给ChatGPT一个推理过程的样例。但是在这篇论文傍边：


来自东京大学的作者偶然发现了一个魔法咒语：

Let&#39;s think step by step.

通过在提示词中插手上面这句话，大语言模型本身就会发生具有推理过程的答案。通过该方式在多种任务上便可获得精度的提升：



但是按照我本身的经验，这个方式其实并不是那么好用，我们还是用刚才的逻辑推理题来举例子：



ChatGPT给出的答案同样有些不知所云，所以各位读者记住这个方式就行，可能有用也可能没用，需要按照实际情况本身测验考试。
7. 自我一致性提示（Self-Consistency Prompting）

这个标题看起来斗劲唬人，但其实说白了就是投票~
当我们但愿用ChatGPT或者类似的大语言模型来措置较为复杂的文本的时候，为了确保措置成果的准确性，我们凡是会使用同一段提示词发生多个成果，然后取呈现次数最多的阿谁成果作为最终成果。
举个例子，你们团队此刻在做二级市场的投资，你们每天会从网上爬取大量的上市公司的相关文本，并通过AI来判断市场对这个公司的认知，从而来决定你们的投资动作，这种时候为了提高AI对文本内容判断的准确率，就可以使用投票的方式，让AI对文本内容进行多次判断，然后取呈现次数最高的判断成果。






8. 常识生成提示（Generated Knowledge Prompting）

8.1 常识生成提示概述

类似于像ChatGPT这样的大模型是用全网能获得的公共数据训练出来的，千亿级别甚至万亿级此外参数傍边储藏的常识是很恐怖的，所以当我们想要生成内容的时候，实际上可以明确且直接地借助模型已经具备的常识来生成我们想要的内容。
8.2 提示词案例

提示词：

请你列举出5条油性皮肤在选择洗面奶时的注意事项，并给出详细说明。然后基于你所列举的这些注意事项，以小红书的风格生成一篇爆款笔记。

ChatGPT回答：







最后

以上就是ChatGPT提示手册基础篇的内容，实际上通过这些基础的提示方式已经可以满足大大都需求了。但是大师有没有发现，咱们上面的这些提示词几乎都是一些较为简单的文字生成和文字措置工作，而没有要求AI模型做逻辑推理，至于如何让ChatGPT基于我们的要求做带有必然逻辑推理的工作，那就是进阶篇傍边的内容啦。
参考阅读

[1]https://uxplanet.org/use-chatgpt-like-a-pro-discover-parameters-and-unlock-ai-writing-secrets-8f68a342bdea#:~:text=What%20are%20parameters%3F,style%2C%20tone%2C%20and%20creativity
[2]Basic Applications | Learn Prompting: Your Guide to Communicating with AI
[3]Prompt Engineering Guide
[4]https://medium.com/@basics.machinelearning/temperature-and-top-p-in-chatgpt-9ead9345a901