假设我们要训练一个文本分类模型，其目的是将输入的文章分为新闻、体育、科技等类别。我们可以使用 prompt learning 和 instruction learning 两种方式进行模型训练：
prompt learning： 我们可以在 GPT-3.5 预训练模型的基础上，通过制定一些特定的 prompt （提示）来微调模型，使其更加适应分类任务。例如，对于新闻分类任务，我们可以将以下 prompt 加入到模型训练中：“为以下文章分配类别：新闻、体育、科技” 。这样，模型就会在学习预训练模型知识的同时，学习如何正确分类文章。
instruction learning： 我们也可以使用教学的方式来训练模型。例如，我们可以通过像人一样直接告诉 GPT-3.5 模型如何进行分类任务。例如，我们可以让模型学习一些分类规则和标准的指导，例如 “如果文章中有比赛得分，那么很可能是体育类” 等。这些指导将会被用于训练模型，从而帮助模型更好地完成分类任务。
从上述例子可以看出，prompt learning 和 instruction learning 的特点和区别在于：
prompt learning 倾向于使用 prompt（提示）作为输入，让模型自行学习如何完成某项任务，而 instruction learning 倾向于直接告诉模型如何完成某项任务。
prompt learning 更加灵活，可以适应不同的任务和场景，且不需要大量的预先准备。instruction learning 的优点是可以传授更多的知识给模型，但需要花费更多的时间和精力来准备教学所需的指导和材料。
prompt learning 更倾向于处理小数据集的情况，而 instruction learning 通常用于大规模数据集的训练。
简单通俗点就是：prompt 提示 模型要怎么做 ；instruction 直接告诉模型如何完成某项任务
