提示工程（Prompt engineering）可以提升大模型输出质量。

然而，这也具有一定挑战性，因为它需要理解模型的能力和局限性，以及所涉及的领域和任务。

以下是微软官网给出的9个撰写提示词的建议。

更多内容可在文末点击阅读原文查看。

1. 提供明确的指示

确保提示词具体说明你希望模型生成的内容，包括预期的格式、长度和语气。

例如，如果你希望模型生成新闻文章的摘要，可以指定句子的数量、需要涵盖的主要观点以及写作风格。

2. 使用关键词、符号或标签

这有助于大模型更清晰地识别有意义的信息，并消除歧义。

你可以在单个提示词中使用多种策略，例如用“Summary:”和“<|end|>”等短语标明完成的开始和结束。

你还可以指示大模型查找特定格式提供的上下文，这有助于将更复杂的提示词模板化。

例如：“总结用三重引号分隔的文本。使用少于25个单词。‘’‘<待总结文本>’‘’”。

3. 提供上下文

提供一些关于应用、领域和用户意图的背景信息。这些上下文有助于模型生成更相关和连贯的输出。

例如，如果你希望模型生成代码，可以包括一些导入语句以使模型专注于相关的库和模块。

你还可以提供一些注释或描述来解释代码的目的和逻辑。对于对话任务，可以提供一些关于用户、话题和对话目标的背景信息。

4. 从零样本学习开始，然后进行少样本学习

当你没有或只有有限的数据用于任务时，零样本（zero-shot）学习可能很有用，或者当你想测试模型的创造力和多样性时，零样本学习也很有用。

少样本（few-shot）学习在你有一些任务数据，或者当你想引导模型的行为，输出示范的文本时很有用。你可以根据需要尝试不同数量的示例，并根据输入或反馈动态选择这些示例。

例如，如果你希望模型生成产品评论，可以从零样本学习开始，看看模型生成什么内容。然后提供一些正面或负面的评论示例来引导模型的情感和风格。

5. 尝试重新排列你的提示词

提示词中元素的顺序会影响模型的注意力和影响力。提示词底部的少样本示例或其他信息，比顶部的更能影响完成结果。

你可以尝试不同的提示词排列方式，看看模型如何响应以及哪种方式最适合你的任务。

例如，如果你希望模型生成新闻文章的标题，可以尝试将文章放在提示词的顶部或底部，看看模型如何捕捉文章的主要思想和语气。

6. 调整历史消息长度

在多轮对话应用中，如聊天机器人，提示中包含的历史对话消息长度可以为模型提供足够的上下文，以生成自然和一致的响应。

然而，你也需要监控模型的行为，发现以下问题时，清除或限制历史消息条数。

• • 偏离对话的话题或目标
• • 自我重复
• • 自相矛盾

你可以通过以下方法识别：

• • 根据对话的复杂性和连贯性调整历史长度
• • 查看是否和主题相关
• • 情感分析
• • 检测重复性

7. 优化少样本例子

你提供给模型的少样本（few-shot）示例，会显著影响模型的性能和泛化能力。你可以在你的数据上训练或微调语义相似性模型，以选择更相关的少样本示例。

语义相似性模型可以根据文本的意义和内容，而不是表面形式或句法，衡量两个文本之间的相似性。

你可以使用语义相似性模型对数据进行排序和过滤，并选择与输入或任务最相似的示例。

例如，如果你希望模型生成食谱，可以使用语义相似性模型选择一些具有类似成分、菜系或步骤的食谱示例。

8. 指导模型如何推理

你可以通过思维链（CoT）和自问自答等技术提高大模型的一些推理能力。

例如，思维链（CoT）使大模型能够将多步骤问题分解为中间步骤，从而解决标准提示方法无法解决的复杂推理问题。

9. 帮助大模型处理模糊上下文

通过指导其重新表述问题，使其更容易清晰回答。

论文 Rephrase and Respond 提供了起始提示和有用指导，说明这种技术如何让大模型重新构建人类提出的问题，使其更容易推理，并向用户提供重新表述查询的方法建议。

这种技术可以与其他推理方法如思维链结合使用，以提高推理性能并提供更具对话性和用户友好的聊天体验。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】