起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識讓AI精準寫營銷軟文的頂級技巧，提示詞優化方法，火速學習
如何充分利用大語言模型的潛力，特別是在預算有限的情況下，成為一個值得探討的話題。本文將深入介紹提示詞技巧的重要性和實用方法，最大化AI的價值。
如果你不想花一分錢，讓AI給你寫高質量文章，那么下面的內容一定會讓你興奮起來。
你是不是遇到過這樣的情況？
請你告訴我怎么能賺到錢！
AI的回答：
1.就業：找到一份工作，通過你的技能和勞動來獲得收入。
2.教育提升：提高你的教育水平或專業技能，以獲得更高的職位和收入。
3.創業：創立自己的公司或業務，提供產品或服務來賺錢。
等等這些答案！
是不是看起來回答了！
但是實際上，這些答案對你來說一點用處都沒有！
其實原因并不是AI無用！而是你沒有掌握正確向AI提問的方法！
想象一下，你正在給一個同事指派一個工作任務，如果只給了他一句話來描述這個需求，他的任務完成效果可能很難達到你的預期。
但如果你提供了明確的目標、建議的思考方向和執行策略等等，更多參考信息，他更有可能以高標準完成任務。
使用大語言模型也一樣，你的提問方式決定了大語言模型的回答質量。
不過現在你不用擔心了，因為本期作品，小俠會帶著大家學習優質提示詞技巧的知識，這些知識的掌握，能夠讓你的AI給你更加高質量的答案。
歡迎回到弼小俠AI，一個專注于AI商業化應用研究的AI知識博主，如果你對我的作品感興趣，記得點贊加關注，感謝您的支持。
本期視頻作為【AI入門科普課】第三期作品，學習之后你將收獲：
1.了解什么是提示詞和提示詞工程！
2.獲得更高質量的提示詞的方法和實用技巧！
視頻全篇干貨！伙伴們記得提前收藏加關注，避免后續找不到！
一、什么是提示詞和提示詞工程
提示詞，英文名叫Prompt。
是用戶發送給大語言模型的問題、指令或請求，用來明確地告訴模型用戶想要解決的問題或完成的任務，是大語言模型理解用戶需求并據此生成相關、準確回答或內容的基礎。
對于大語言模型來說，提示詞就是用戶輸入給大語言模型的文本信息。
通俗點就是你向AI輸入的內容，可以是問題，也可以是要求。
下面先看一個簡單的例子：
假設你問AI：
評價一下最近剛上映的電影！
這個提問就是提示詞。
AI接收到你的問題后回復：
我無法完成這項任務，因為我目前無法訪問實時數據或外部信息，包括最近上映的電影評價。如果您能提供具體的電影名稱，我可以嘗試根據我最后更新時的知識庫提供一般性的電影分析或討論電影評價的角度。
可以看出，AI的回復并不是你需要的答案！
出現這種問題原因是什么？
上面這個例子中，導致大語言模型無法順利完成任務的原因是我們沒有能夠讓AI理解到底要評價哪部電影。
盡管大語言模型經過了海量數據的預訓練，并獲得了理解和生成文本的能力。但不同于人類交流時，能夠通過語氣、非語言線索和背景知識來理解對方的意圖。
大語言模型僅能夠根據輸入的文本提示進行操作，如果文本的信息不足以讓他理解你的意圖，AI將沒辦法正確回答你的問題。
接著這個案例，我們對提示詞進行一些優化：
比如提問：
請結合《猩球崛起》整個系列評價最近剛剛上映的電影《猩球崛起：新世界》
AI回答：
《猩球崛起：新世界》作為《星球崛起》系列的最新篇章，延續了這一科幻經典IP的傳奇，盡管它……
在角色刻畫上，《猩球崛起：新世界》似乎得到了積極的反饋，尤其是對于反派和配角的描繪……
對于老粉絲而言，這部電影可能沒有提供必須觀看的新鮮理由，但對于新加入的觀眾……
總體而言，《猩球崛起：新世界》在保持系列精髓的同時，嘗試了某種程度的軟重啟，為新老觀眾都提供了值得一看的科幻體驗。雖然可能在創新性上有所欠缺，但它在情感深度、視覺震撼以及對未來敘事線索的鋪設上都交出了滿意的答卷。
通過對比可以發現，經過優化的提示詞更符合我們對結果的預期。精心設計和優化后的提示詞，使大語言模型輸出的結果更符合用戶預期，這一過程就稱之為“提示詞工程，英文名：Prompt Engineering”。
這個過程包括以下關鍵步驟：
1.理解任務需求；
2.構建有效提示詞；
3.評估提示詞效果；
4.持續迭代改進；
通過上述4個步驟，優化后的提示詞，將對AI對問題的處理能力大大提高。
插個題外話！基于AI的蓬勃發展，提示詞工程師也隨著AI的興起孕育而生，有些企業開設了提示詞工程師的崗位需求，伙伴們可以通過學習掌握提示詞的方法和技巧，獲得入職的機會。
回到正題，通過上述內容可以看出，提示詞的有效性會直接影響大語言模型的輸出質量。接下來我們可以一起來學習構建有效提示詞的技巧。
二、提示詞技巧
紙上得來終覺淺，絕知此事要躬行。學習這期內容，希望伙伴們能夠在課后訪問AI進行對話，做到邊學邊實踐，效果會更好！
技巧1：直接提問法
直接提問，也稱為零樣本提示（Zero-Shot Prompting），即不給大語言模型提供案例，完全依靠AI自身的理解和處理能力完成任務。前文給的提示詞例子，都屬于直接提問。
目前大部分開源和商用的大語言模型已經經過了大量的訓練和指令調試，能夠很好的理解并響應用戶的直接提問。
這種方法適用于目標明確、問題簡單、答案確定且唯一的場景。
直接提問時，伙伴們可以遵循以下原則：
- 簡潔：盡量用最簡短的方式表達問題。過于冗長的問題可能包含多余的信息，導致模型理解錯誤或答非所問。
- 具體：避免抽象的問題，確保問題是具體的，不含糊。
- 詳細上下文：如果問題涉及特定上下文或背景信息，要提供足夠的詳情以幫助模型理解，即使是直接提問也不例外。
- 避免歧義：如果一個詞或短語可能有多重含義，要么明確其含義，要么重新表述以消除歧義。
- 邏輯清晰：提問題時，應該邏輯連貫，避免出現邏輯上的混淆或矛盾，這樣才能促使模型提供有意義的回答。
為了大家更好的理解，小俠例舉以下提示詞例子，大家對比答案就能感受到不同提示詞對結果的影響。
不好的提示詞，比如：蘋果好看嗎？
AI回答：不好意思，我不清楚你所指的“蘋果”具體指的是什么，水果還是電子設備。
這個提示詞并沒有明確對“蘋果”進行明確描述，因此導致AI無法理解蘋果的真實含義。
好的提示詞，比如：這批紅色的蘋果水果外觀怎么樣，新鮮嗎？
AI回答：新鮮。
通過上述案例對比，可以看到表達清晰度對結果的影響還是很大的。
然而，直接提問效果在很大程度上取決于所使用模型的理解能力和泛化能力。
AI無法很好地處理復雜、模糊或多義性的問題，當需要較深入的背景知識或分析時，可能無法準確了解用戶的真正意圖。
我們可以嘗試在提示詞中增加示例樣本、分配角色、提示寫作風格、輸出格式或構建思維鏈和思維樹拆解復雜任務等方式來彌補AI能力上的不足。
技巧2：增加提示
在提示詞中提供少量提示，通常幾個或幾十個具有標簽的示例，也稱為少樣本提示（Few-Shot Prompting），用來幫助大模型更好地理解任務要求，從而獲得更高質量的答案。比如:
- 讓大模型跟隨我們所要求的規范、格式、概念、文本結構和語氣進行回答。
- 又或者提供進一步推理的參考，比如讓大模型學會數學運算或按照示例方式進行邏輯推理。
下面，小俠就例舉提示詞中增加示例和不增加示例的方式詢問大模型，看看大模型分別給出的答案有什么差別：
不增加示例的效果，比如：請根據以下電影評論，判斷其情感屬于正面、負面或中性中的哪一類。
以下是電影評論內容：這部電影音樂動人，但劇情略顯平淡，請你根據這個內容進行評價。
AI回答：中性！
雖然AI對評論進行了判斷，但是并沒有給出相關理由和解釋，因此這個判斷參考價值不高！
同樣，我們采用增加示例的方式進行提問，看看AI的回答。
比如：請根據以下電影評論，判斷其情感屬于正面、負面或中性中的哪一類。 以下是我提供的示例參考。
- 示例1：這部電影劇情引人入勝，但特效炸裂。情感評價：正面
- 示例2：雖然這部電影劇情單調，但特效卻非常炸裂。情感評價：負面+正面
- 示例3：這部電影不好不壞。情感評價：中性
以下是電影評論內容：這部電影音樂動人，但劇情略顯平淡，請你根據這個內容進行評價。
AI回答：
情感評價為正面+負面。
AI給出的解釋是：評論中提到“音樂動人”屬于正面評價，表明了對電影音樂部分的喜愛和贊賞。然而，緊接著的“但劇情略顯平淡”則為負面評價，表達了對電影劇情的不滿或失望。因此，整體評價是正面和負面情感的混合。
很顯然，增加了示例后，AI能夠學習示例中的回復技巧，并進行模仿，這種回答質量會更高！同時更有利于我們判斷AI的回答是否正確。
另外在日常工作中，讓AI幫忙翻譯是常有的事，但是很多專業性文檔的翻譯，會涉及大量的專屬名詞或者縮寫！
在這種情況下，讓AI進行翻譯工作，我們就需要提供一些縮寫翻譯示例給AI，然后讓AI根據示例進行翻譯，這樣能夠極大提高翻譯的準確性和質量，如圖所示：
當然，上述案例只適合文本量較少的翻譯工作，如果是非常專業且數量龐大的專業性翻譯，上述方法顯然AI是不能完成這項翻譯工作！
這時，我們可以讓大語言模型接入專業的術語庫，也就是把涉及到的專業詞匯整理成知識庫，讓AI能夠檢索知識庫里面的專業知識，這樣就能增強大語言模型的能力，這種方式也稱之為“檢索增強生成”，簡稱RAG，這方面的知識，小俠后面會跟大家單獨分享。
另外很多企業想要訓練私有AI客服，搭建了Agent后發現，回復的質量并不高！主要原因就是沒有做RAG優化，因此想要搭建一個高質量的AI客服，RAG是必須懂的知識。
回到正題，給AI提供的示例的質量和數量會直接影響AI回答的結果，增加示例時可參考以下技巧：
- 精選代表性樣本：選擇具有代表性的示例，覆蓋任務的各種情況和邊緣案例，確保模型能從有限的數據中學習到任務的核心特征。
- 保證示例的多樣性：盡可能覆蓋任務的各種角度和情景，包括正常情況和特殊邊緣案例，確保模型能從有限的數據中學習到任務的核心特征。
- 使用相似的格式和結構：使模型能夠清晰識別輸入與輸出的關系。
- 讓大語言模型生成示例：實踐時，我們還可以先讓 LLM 按照提示生成一些示例，再進行篩選或人工調整，以提高示例質量和針對性。
看到這里的伙伴，有沒有一種想法！
怎么這么復雜！還不如自己干！搞個AI要花這么多心思！
有同樣想法的伙伴可以評論區回復“麻煩”兩個字！
其實大家思考一個問題！假設你是企業老板，你想招聘一個銷售人員，人員到崗之后，你第一件事是要做什么？
讓他直接聯系客戶還是先崗前培訓？
當然是需要先崗前培訓！
其實用AI替代部分員工的工作，AI在上崗前也是需要進行崗前培訓，只有通過培訓后的AI才能滿足相關工作！
培訓確實會花費比較多的時間和精力，但是相比真人員工，AI上崗后，你要花費的心思就小很多了。
這其實就是AI在實際業務中的價值，如果你還是覺得麻煩！那當小俠什么都沒說！
技巧3：分配角色
賦予模型一個具體的角色或身份，比如告訴AI“假設你是一名經驗豐富的短視頻專家”，通過角色設定，引導模型在特定角色視角下回答問題，這種方式非常常見！大家一定要掌握。
下面一起看看分配角色適用哪些場景：
- 需要專業知識或特定視角的問題解答。例如，模擬老師、醫生、律師等回答相關領域的問題。
- 模擬特定人物或角色的語言風格。例如，模仿某個著名人物，例如歷史人物或文學角色，讓AI模仿他們的語言風格生成文本時需要用到。
- 進行角色扮演游戲或創作時。在創意寫作或角色扮演游戲中扮演指定的角色，讓AI與用戶進行互動。
- 在特定行業內進行決策模擬。例如讓AI模擬一個管理咨詢師，幫助分析商業案例或提供商業建議。
以上幾點，都是需要用到角色分配的場景。
下面，小俠列舉幾個不同風格角色的AI，讓他對同一個酒店評論進行評價，一起看看不同角色在回復的時候風格的區別：
通過表中示例可以看出，不同角色的AI在回答同一個問題時，語氣、風格、態度都有所不同，看過上一期【AI入門科普課】的伙伴應該知道！
AI在前期訓練時，研發人員會給AI投喂不同專業的數據讓其學習，如果使用的AI之前學習過相關角色的數據，當我們給AI賦予相應角色時，AI就能很好的模擬特定角色的風格和表達方式。
一般來說，通用大模型學習的知識都會比較全面，所以平時大家用AI的時候，讓AI模仿任何角色他都能很好的模仿出來！當然，如果你選定的角色比較獨特，也不排除AI在之前的訓練數據中沒有的角色風格，最后的結果就是模仿的效果并不理想。
另外使用過不同企業推出的大模型的伙伴，應該都感覺到不同企業的大模型，風格和能力會有所區別，這也是由于訓練數據質量和數量差距導致的結果。
根據上述分配角色技巧的案例，下面小俠針對角色分配的方法給出以下技巧：
1）明確角色身份與特性
- 確定角色的基本屬性，如年齡、性別、職業、性格、技能、價值觀等。
- 賦予角色相關領域的專業知識或特殊背景，如專家、學者、歷史人物、虛構角色等。
2）設定角色目標與動機
- 為角色設定對話的目標，如尋求信息、說服他人、解決問題、分享觀點等。
- 揭示角色的內在動機，如個人利益、道德信念、情感需求等，有助于塑造角色的真實性和深度。
3）設定角色語言風格：
- 根據角色性格、教育水平、文化背景等設定其語言習慣、用詞選擇、句式結構、口頭禪等。
- 規定角色在對話中的情緒狀態，如冷靜理智、激動憤怒、悲傷失落、幽默風趣等，影響其表達方式。
4）設定角色規則約束：
規定角色在對話中的行為約束，如不能人身攻擊、保持禮貌尊重、遵守討論主題等。
5）動態調整角色設定：
- 隨著對話深入，適時調整角色設定以適應新的情景和話題，如角色態度轉變、關系演變、目標更新等。
- 向模型反饋角色表現，如偏離設定、缺乏個性、對話僵化等，及時修正角色設定并引導模型調整。
本文由 @弼小俠AI之路 原創發布于人人都是產品經理，未經許可，禁止轉載
題圖來自Unsplash，基于 CC0 協議
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。
對ai知識感興趣的伙伴，歡迎關注【弼小俠AI】公眾號，分享更多知識給大家
那如果想讓AI寫營銷軟文的話也要喂示范的文章嗎？試了一下總感覺純靠提示詞寫不到位
更高質量需要用到一些技巧和配合，比如模型微調方面的知識