如果你不想花一分钱，让AI给你写高质量文章，那么下面的内容一定会让你愉快起来。
你是不是碰着过这样的情形？
请你见告我怎么能赚到钱！
AI的回答：
1.就业：找到一份事情，通过你的技能和劳动来得到收入。
2.教诲提升：提高你的教诲水平或专业技能，以得到更高的职位和收入。
3.创业：创立自己的公司或业务，供应产品或做事来赢利。
等等这些答案！
是不是看起来回答了！
但是实际上，这些答案对你来说一点用途都没有！
实在缘故原由并不是AI无用！
而是你没有节制精确向AI提问的方法！
想象一下，你正在给一个同事指派一个事情任务，如果只给了他一句话来描述这个需求，他的任务完成效果可能很难达到你的预期。
但如果你供应了明确的目标、建议的思考方向和实行策略等等，更多参考信息，他更有可能以高标准完成任务。
利用大措辞模型也一样，你的提问办法决定了大措辞模型的回答质量。
不过现在你不用担心了，由于本期作品，小侠会带着大家学习优质提示词技巧的知识，这些知识的节制，能够让你的AI给你更加高质量的答案。
欢迎回到弼小侠AI，一个专注于AI商业化运用研究的AI知识博主，如果你对我的作品感兴趣，记得点赞加关注，感谢您的支持。
本期视频作为【AI入门科普课】第三期作品，学习之后你将收成：
1.理解什么是提示词和提示词工程！
2.得到更高质量的提示词的方法和实用技巧！
视频全篇干货！
伙伴们记得提前收藏加关注，避免后续找不到！
一、什么是提示词和提示词工程
提示词，英文名叫Prompt。
是用户发送给大措辞模型的问题、指令或要求，用来明确地见告模型用户想要办理的问题或完成的任务，是大措辞模型理解用户需求并据此生成干系、准确回答或内容的根本。
对付大措辞模型来说，提示词便是用户输入给大措辞模型的文本信息。
普通点便是你向AI输入的内容，可以是问题，也可以是哀求。
下面先看一个大略的例子：
假设你问AI：
评价一下最近刚上映的电影！
这个提问便是提示词。
AI吸收到你的问题后回答：
我无法完成这项任务，由于我目前无法访问实时数据或外部信息，包括最近上映的电影评价。如果您能供应详细的电影名称，我可以考试测验根据我末了更新时的知识库供应一样平常性的电影剖析或谈论电影评价的角度。
可以看出，AI的回答并不是你须要的答案！
涌现这种问题缘故原由是什么？
上面这个例子中，导致大措辞模型无法顺利完成任务的缘故原由是我们没有能够让AI理解到底要评价哪部电影。
只管大措辞模型经由了海量数据的预演习，并得到了理解和天生文本的能力。但不同于人类互换时，能够通过语气、非措辞线索和背景知识来理解对方的意图。
大措辞模型仅能够根据输入的文本提示进行操作，如果文本的信息不敷以让他理解你的意图，AI将没办法精确回答你的问题。
接着这个案例，我们对提示词进行一些优化：
比如提问：
请结合《猩球崛起》全体系列评价最近刚刚上映的电影《猩球崛起：新天下》
AI回答：
《猩球崛起：新天下》作为《星球崛起》系列的最新篇章，延续了这一科幻经典IP的传奇，只管它……
在角色刻画上，《猩球崛起：新天下》彷佛得到了积极的反馈，尤其是对付反派和配角的描述……
对付老粉丝而言，这部电影可能没有供应必须不雅观看的新鲜情由，但对付新加入的不雅观众……
总体而言，《猩球崛起：新天下》在保持系列精髓的同时，考试测验了某种程度的软重启，为新老不雅观众都供应了值得一看的科幻体验。虽然可能在创新性上有所欠缺，但它在情绪深度、视觉震荡以及对未来叙事线索的铺设上都交出了满意的答卷。
通过比拟可以创造，经由优化的提示词更符合我们对结果的预期。精心设计和优化后的提示词，使大措辞模型输出的结果更符合用户预期，这一过程就称之为“提示词工程，英文名：Prompt Engineering”。
这个过程包括以下关键步骤：
1.理解任务需求；
2.构建有效提示词；
3.评估提示词效果；
4.持续迭代改进；
通过上述4个步骤，优化后的提示词，将对AI对问题的处理能力大大提高。
插个题外话！
基于AI的发达发展，提示词工程师也随着AI的兴起孕育而生，有些企业开设了提示词工程师的岗位需求，伙伴们可以通过学习节制提示词的方法和技巧，得到入职的机会。
回到正题，通过上述内容可以看出，提示词的有效性会直接影响大措辞模型的输出质量。接下来我们可以一起来学习构建有效提示词的技巧。
二、提示词技巧
纸上得来终觉浅，绝知此事要躬行。学习这期内容，希望伙伴们能够在课后访问AI进行对话，做到边学边实践，效果会更好！
技巧1：直接提问法
直接提问，也称为零样本提示（Zero-Shot Prompting），即不给大措辞模型供应案例，完备依赖AI自身的理解和处理能力完成任务。前文给的提示词例子，都属于直接提问。
目前大部分开源和商用的大措辞模型已经经由了大量的演习和指令调试，能够很好的理解并响运用户的直接提问。
这种方法适用于目标明确、问题大略、答案确定且唯一的场景。
直接提问时，伙伴们可以遵照以下原则：
简洁：只管即便用最简短的办法表达问题。过于冗长的问题可能包含多余的信息，导致模型理解缺点或答非所问。详细：避免抽象的问题，确保问题是详细的，不暗昧。详细高下文：如果问题涉及特定高下文或背景信息，要供应足够的详情以帮助模型理解，纵然是直接提问也不例外。避免歧义：如果一个词或短语可能有多重含义，要么明确其含义，要么重新表述以肃清歧义。逻辑清晰：提问题时，该当逻辑连贯，避免涌现逻辑上的稠浊或抵牾，这样才能匆匆使模型供应故意义的回答。为了大家更好的理解，小侠例举以下提示词例子，大家比拟答案就能感想熏染到不同提示词对结果的影响。
不好的提示词，比如：苹果好看吗？
AI回答：不好意思，我不清楚你所指的“苹果”详细指的是什么，水果还是电子设备。
这个提示词并没有明确对“苹果”进行明确描述，因此导致AI无法理解苹果的真实含义。
好的提示词，比如：这批赤色的苹果水果外不雅观怎么样，新鲜吗？
AI回答：新鲜。
通过上述案例比拟，可以看到表达清晰度对结果的影响还是很大的。
然而，直接提问效果在很大程度上取决于所利用模型的理解能力和泛化能力。
AI无法很好地处理繁芜、模糊或多义性的问题，当须要较深入的背景知识或剖析时，可能无法准确理解用户的真正意图。
我们可以考试测验在提示词中增加示例样本、分配角色、提示写作风格、输出格式或构建思维链和思维树拆解繁芜任务等办法来填补AI能力上的不敷。
技巧2：增加提示
在提示词中供应少量提示，常日几个或几十个具有标签的示例，也称为少样本提示（Few-Shot Prompting），用来帮助大模型更好地理解任务哀求，从而得到更高质量的答案。比如:
让大模型跟随我们所哀求的规范、格式、观点、文本构造和语气进行回答。又或者供应进一步推理的参考，比如让大模型学会数学运算或按照示例办法进行逻辑推理。下面，小侠就例举提示词中增加示例和不增加示例的办法讯问大模型，看看大模型分别给出的答案有什么差别：
不增加示例的效果，比如：请根据以下电影评论，判断其情绪属于正面、负面或中性中的哪一类。
以下是电影评论内容：这部电影音乐动人，但剧情略显平淡，请你根据这个内容进行评价。
AI回答：中性！
虽然AI对评论进行了判断，但是并没有给出干系情由和解释，因此这个判断参考代价不高！
同样，我们采取增加示例的办法进行提问，看看AI的回答。
比如：请根据以下电影评论，判断其情绪属于正面、负面或中性中的哪一类。 以下是我供应的示例参考。
示例1：这部电影剧情引人入胜，但殊效炸裂。情绪评价：正面示例2：虽然这部电影剧情单调，但殊效却非常炸裂。情绪评价：负面+正面示例3：这部电影不好不坏。情绪评价：中性AI回答：
情绪评价为正面+负面。
AI给出的阐明是：评论中提到“音乐动人”属于正面评价，表明了对电影音乐部分的喜好和讴歌。然而，紧接着的“但剧情略显平淡”则为负面评价，表达了对电影剧情的不满或失落望。因此，整体评价是正面和负面情绪的稠浊。
很显然，增加了示例后，AI能够学习示例中的回答技巧，并进行模拟，这种回答质量会更高！
同时更有利于我们判断AI的回答是否精确。
其余在日常事情中，让AI帮忙翻译是常有的事，但是很多专业性文档的翻译，会涉及大量的专属名词或者缩写！
在这种情形下，让AI进行翻译事情，我们就须要供应一些缩写翻译示例给AI，然后让AI根据示例进行翻译，这样能够极大提高翻译的准确性和质量，如图所示：
当然，上述案例只适宜文本量较少的翻译事情，如果是非常专业且数量弘大的专业性翻译，上述方法显然AI是不能完成这项翻译事情！
这时，我们可以让大措辞模型接入专业的术语库，也便是把涉及到的专业词汇整理成知识库，让AI能够检索知识库里面的专业知识，这样就能增强大措辞模型的能力，这种办法也称之为“检索增强天生”，简称RAG，这方面的知识，小侠后面会跟大家单独分享。
其余很多企业想要演习私有AI客服，搭建了Agent后创造，回答的质量并不高！
紧张缘故原由便是没有做RAG优化，因此想要搭建一个高质量的AI客服，RAG是必须懂的知识。
回到正题，给AI供应的示例的质量和数量会直接影响AI回答的结果，增加示例时可参考以下技巧：
精选代表性样本：选择具有代表性的示例，覆盖任务的各种情形和边缘案例，确保模型能从有限的数据中学习到任务的核心特色。担保示例的多样性：尽可能覆盖任务的各种角度和情景，包括正常情形和分外边缘案例，确保模型能从有限的数据中学习到任务的核心特色。利用相似的格式和构造：使模型能够清晰识别输入与输出的关系。让大措辞模型天生示例：实践时，我们还可以先让 LLM 按照提示天生一些示例，再进行筛选或人工调度，以提高示例质量和针对性。看到这里的伙伴，有没有一种想法！
怎么这么繁芜！
还不如自己干！
搞个AI要花这么多心思！
有同样想法的伙伴可以评论区回答“麻烦”两个字！
实在大家思考一个问题！
假设你是企业老板，你想招聘一个发卖职员，职员到岗之后，你第一件事是要做什么？
让他直接联系客户还是先岗前培训？
当然是须要先岗前培训！
其实用AI替代部分员工的事情，AI在上岗前也是须要进行岗前培训，只有通过培训后的AI才能知足干系事情！
培训确实会花费比较多的韶光和精力，但是比较真职员工，AI上岗后，你要花费的心思就小很多了。
这实在便是AI在实际业务中的代价，如果你还是以为麻烦！
那当小侠什么都没说！
技巧3：分配角色
授予模型一个详细的角色或身份，比如见告AI“假设你是一名履历丰富的短视频专家”，通过角色设定，勾引模型在特定角色视角下回答问题，这种办法非常常见！
大家一定要节制。
下面一起看看分配角色适用哪些场景：
须要专业知识或特定视角的问题解答。例如，仿照老师、年夜夫、状师等回答干系领域的问题。仿照特定人物或角色的措辞风格。例如，模拟某个著名人物，例如历史人物或文学角色，让AI模拟他们的措辞风格天生文本时须要用到。进行角色扮演游戏或创作时。在创意写作或角色扮演游戏中扮演指定的角色，让AI与用户进行互动。在特定行业内进行决策仿照。例如让AI仿照一个管理咨询师，帮助剖析商业案例或供应商业建议。以上几点，都是须要用到角色分配的场景。
下面，小侠列举几个不同风格角色的AI，让他对同一个酒店评论进行评价，一起看看不同角色在回答的时候风格的差异：
通过表中示例可以看出，不同角色的AI在回答同一个问题时，语气、风格、态度都有所不同，看过上一期【AI入门科普课】的伙伴该当知道！
AI在前期演习时，研发职员会给AI投喂不同专业的数据让其学习，如果利用的AI之前学习过干系角色的数据，当我们给AI授予相应角色时，AI就能很好的仿照特定角色的风格和表达办法。
一样平常来说，通用大模型学习的知识都会比较全面，以是平时大家用AI的时候，让AI模拟任何角色他都能很好的模拟出来！
当然，如果你选定的角色比较独特，也不用除AI在之前的演习数据中没有的角色风格，末了的结果便是模拟的效果并不理想。
其余利用过火歧企业推出的大模型的伙伴，该当都觉得到不同企业的大模型，风格和能力会有所差异，这也是由于演习数据质量和数量差距导致的结果。
根据上述分配角色技巧的案例，下面小侠针对角色分配的方法给出以下技巧：
1）明确角色身份与特性
确定角色的基本属性，如年事、性别、职业、性情、技能、代价不雅观等。授予角色干系领域的专业知识或分外背景，如专家、学者、历史人物、虚构角色等。2）设定角色目标与动机
为角色设定对话的目标，如寻求信息、说服他人、办理问题、分享不雅观点等。揭示角色的内在动机，如个人利益、道德信念、情绪需求等，有助于塑造角色的真实性和深度。3）设定角色措辞风格：
根据角色性情、教诲水平、文化背景等设定其措辞习气、用词选择、句式构造、口头禅等。规定角色在对话中的感情状态，如镇静理智、激动愤怒、悲哀失落落、诙谐风趣等，影响其表达办法。4）设定角色规则约束：
规定角色在对话中的行为约束，如不能人身攻击、保持礼貌尊重、遵守谈论主题等。
5）动态调度角色设定：
随着对话深入，应时调度角色设定以适应新的情景和话题，如角色态度转变、关系演化、目标更新等。向模型反馈角色表现，如偏离设定、缺少个性、对话僵化等，及时改动角色设定并勾引模型调度。本文由 @弼小侠AI之路 原创发布于大家都是产品经理，未经容许，禁止转载
题图来自Unsplash，基于 CC0 协议
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。