很大程度上，Prompt的結構與內容會對最后模型的輸出能力產生極大影響，所以，我們需要做好Prompt的設計。這篇文章里，作者就對Prompt如何構建等問題做了分享，一起來看。

Prompt是什么？簡單理解，用戶輸入給AI模型的一串指令或提示詞（Prompt）讓模型完成指定任務。前文提到，訓練模型的【Pre-train,Prompt,Predict】這個范式，用特定語言的模板（prompt）挖掘預訓練模型（Pre-train）的本身能力，因此可以降低語義差異。（其他訓練范式請見上個系列）

理所當然的，輸入的不同直接決定了輸出的質量。Prompt 的結構與內容對最后模型的輸出能力有極大影響，要想更好地得到輸出，對Prompt的設計必不可少。

一、Prompt有哪些分類

1. Zero-shot

零樣本提示，即直接給指令，不舉例引導。其實這是最為能證明模型推理能力的情況，也是我們最理想的任務形式，我們讓機器人做什么事，它就能直接做了。

例如：在機器沒有專門針對進行股市描述分析訓練，輸出一份股市走勢報告。

我們常發現這樣的情況模型輸出的效果不是很好，因此針對這樣的情況，還會進一步補充更多的提示信息過渡。

2. Few-Shot

即提供給模型幾個示例，實現上下文學習(ICL – In Context Learning)，引導模型更好地輸出任務。其中只提供了一個示例的是One-shot。

例如下圖（與豆包對話），在這個Case中給出了兩個示例，最后的輸出也可以看到依賴了相關輸入。

但Few shot仍然具有局限性，特別是對于推理性等復雜任務。

但大家發現，如果將問題分解成步驟，并向模型演示，可能會有所幫助，因此CoT(chain-of thought prompting)成為大家關注的方向，以解決復雜任務（例如算術、推理等）。

3. CoT（Chain of Thought）

簡單來講，為了更好地解決復雜問題，我們需要模型了解中間推導/計算的過程，因此思維鏈其實是多了中間的推導。但CoT對小模型作用不大，對復雜問題的性能增益更大。（模型參數達到10B有效果，100B效果明顯）

1）Zero shot CoT

這種思維鏈非常的取巧，即不再給模型任何的示例，只是發出指令讓它自己“一步步想”。即利用：Let’s think step by step 以及 Therefore,the answer is 等提示得出答案。

例如下圖的情況，雖然模型回答錯了；

當然如果矯正這個問題，我們可以再給出一些提示，繼續給出推導思路 (不屬于Zero Shot)；

現在模型已回答正確，那么我們再提問一次，可以看到模型已經學到這樣的推導邏輯。

2）Few shot CoT

是ICL（In-context learning)的一種特殊情況，將<Input,Output>擴充為<input,CoT,output>

Few shot CoT是在進行提示的時候，給出一個具體的推導示例，例如：

3）增強的CoT策略：Self- Consistency

這個名字看起來很復雜，翻譯也比較復雜，利用自洽性提高語言模型中的思維鏈推理效果。其實你可以很簡單的理解，就是模型通過了多種思維得出了多個結果，最后投票看哪個結果占比最多（可能也有其他維度），最后輸出這個投票出來的結果。

例如剛剛的籃子數學題，豆包給了三種解法：

假設現在使用的是Self- Consistency，那么模型內部投票發現有兩個結果的答案是4個水果，1個答案是5個水果，按照既定投票規則，最后輸出的答案是4，就可以在很大程度上可以提高模型的效果。

針對思維鏈，行業內也整理了有效思維鏈的特點：

1. 具有邏輯性，即思維鏈的邏輯相互連接，形成了一個完整的思考過程
2. 具有全面性：即全面細致地思考問題，這里可以采用MECE法則（獨立且窮盡每一個關鍵步驟）
3. 可行性：每個步驟都可行
4. 可驗證性：每個步驟都可驗證

二、如何構建Prompt

AIGC產品經理（及人工智能訓練師）構建Prompt的能力是核心競爭力之一，Prompt影響最終模型輸出，而使用者需要洞察當下產品需求?？蚣芑?、結構化組建Prompt可以更好地完成任務。

網上已經有很多介紹如何Prompt的體系和模板，但萬變不離其宗，再多維的框架也有基礎。針對文本類，我個人比較推薦QCIPSPE框架，大家可以根據不同的需求進行修改。注意，要避免說不做什么，直接說要做什么即可，做直接、具體、精確的輸入。

• Q：Question type：問題類型，例如建議、查詢、比較等
• C：Capacity and role ：角色
• I：Insight：提供上下文
• P：Priorty:：表明問題中的優先級
• S：Statement：需求澄清
• P：Personality：回答的風格
• E：Experiment：多個答案或者比較

三、Prompt需要避免的問題

• 過于精簡的信息：如果BOT能根據缺失信息再觸發多輪問詢是最好的，但如果BOT不支持，可能就會出現回答過于寬泛或者不準確的問題。如框架所示，附上背景描述或示例參考有助于模型更好的輸出。
• 過于修飾的詞藻：復雜的語義反而會擾亂模型輸出，Prompt簡單、直接、完整，即可最高效的得到答復。
• 前后語義互斥：保證指令的準確性，不要將沖突信息放在一起。這里特殊地，盡量要求模型做什么，不要說不可以做什么。

對于生成類對話產品來說，Prompt決定了最后的輸出。但是對于垂類場景來說，Prompt是用戶對于BOT的指令，用戶使用門檻是否過高還需提供框架精簡用戶輸入，是否每個場景都合適生成式引入也需垂類產品考慮。