幾個月來，ChatGPT、GPT-4 等大模型陸續發布。這些模型表現出了強大的涌現能力，但模型生成的結果是隨機的，時好時壞，部分原因與 Prompt 的設計密切相關。

很多人將 Prompt 比喻為大模型的咒語，在引導模型生成內容方面影響很大，如何選擇 Prompt 成了每個 AI 研究者關注的問題。最近微軟官方出了一份教程，該教程介紹了 Prompt 設計和工程中的一些高級玩法，涵蓋系統消息、少樣本學習、非聊天場景等內容。

每部分內容都有技術介紹和示例展示，下面我們看看具體內容有哪些。

關于 Prompt，你應該了解這些

系統消息

系統消息包含在 Prompt 的開頭，用于為模型提供上下文、說明或與用例相關的其他信息。用戶可以通過系統消息描述模型應該回答什么、不應該回答什么，以及定義模型回復的格式。

下圖示例展示了系統消息和模型生成的回復：

通常，系統消息還可以是這樣的：

• 上表中 Assistant 是一個由 OpenAI 訓練的大語言模型。
• Assistant 是一個智能聊天機器人，旨在幫助用戶回答問題。要求模型只能使用給定的上下文來回答問題，如果不確定答案，你可以說「我不知道」。
• Assistant 是一個智能聊天機器人，例如其能幫助用戶回答稅務相關問題。
• 又比如你是一個 Assistant，旨在從文本中提取實體。用戶將粘貼一串文本，你將以 JSON 對象的形式回應你從文本中提取的實體。

這是輸出格式的示例：

{
"name": "",
"company": "",
"phone_number": ""
}

上面就是關于系統消息的介紹，不過一個重要的細節是，即使是設計良好的系統消息，模型仍有可能生成與系統消息指令相矛盾的錯誤回復。

小樣本學習

讓語言模型適應新任務的一種常見方法是使用小樣本學習。小樣本學習提供了一組訓練樣本作為 Prompt 的一部分，以便為模型提供額外的上下文信息。

用戶和 Assistant 之間的一系列信息（以新的 Prompt 格式編寫）可以作為小樣本學習的示例。這些示例可用于引導模型以某種方式做出響應、模擬特定行為并為常見問題提供種子答案。

Prompt 的基本結構。

非對話場景

雖然當前大模型的主要應用場景是對話生成場景，但也可以用在非對話場景。例如，對于情感分析場景，你可能會使用以下 Prompt：

使用明確的指令

一般來講，信息在 Prompt 中出現的順序很重要。由于 GPT 類模型是以特定方式構建的，該構建過程定義了模型對輸入的處理方式。研究表明，在 Prompt 開始時告訴模型你希望它執行的任務，然后再共享其他上下文信息或示例，可以幫助模型產生更高質量的輸出。

最后重復一遍指令

模型容易受到最新偏差的影響，在這種情況下，末尾 Prompt 信息可能比開頭 Prompt 信息對輸出的影響更大。因此，在 Prompt 末尾重復指令值得一試。

對輸出的操作

這種情況是指在 Prompt 末尾包含幾個單詞或短語以獲得符合所需形式的模型響應。例如，使用諸如「Here’s a bulleted list of key points:\n- 」之類的 Prompt 可以幫助確保輸出格式為項目符號列表。

添加語法

為 Prompt 添加語法，例如標點符號、標題等，這樣做使輸出更容易解析。

下面示例中，不同的信息源或 step 之間添加了分隔符（在本例中為 ---）。這種操作允許使用 --- 作為生成的停止條件。此外，部分標題或特殊變量以大寫形式出現以進行區分。

把任務分解

如果將任務分解為更小的 step，大型語言模型 (LLM) 通常會表現得更好。

注意，這里使用了語法來區分各個部分并對輸出進行初始化。在這個簡單的例子中，將任務從一個 step 分解為兩個 step 結果并不很明顯，但是當試圖對包含許多事實聲明的大塊文本進行此操作時，將任務分解會產生顯著的差異。

思維鏈提示

這是分解任務技術的一種變體。在這種方法中，不是將任務拆分為更小的 step，而是指示模型響應逐步進行并呈現所有涉及的 step。這樣做可以減少結果不準確，并使評估模型響應更加容易。

提供真實上下文

在該方法下，本文建議提供給模型真實數據。一般來講，原始數據越接近最終答案，模型需要做的工作就越少，這意味著模型出錯的機會就越少。在下面示例中，系統消息提供了最新的文章，然后要求模型給出一些早期客戶，模型準確的給出了答案。

除此以外，微軟在這份指南中還介紹了關于 Prompt 其他技巧，大家可以前去原文查看，獲取更多信息。