在上一章中，我们系统性地讲解了大语言模型提示词的基础概念和核心框架，并深入解析了 LLM 的关键参数，这些知识对 LLM 应用的理解与开发至关重要。本章将重点介绍构建高效 Prompt 的两大核心原则。
一、打造高效Prompt核心原则
1：编写明确和具体的指令
为了让模型精准理解我们的意图，编写清晰、明确且具体的指令至关重要。这不仅能避免模型产生误解，还能显著提升输出结果的相关性和准确性。
策略1：使用分隔符清晰界定输入部分
在构建prompt时，使用分隔符将特定文本部分与提示的其他部分清晰隔开，能有效避免提示词冲突。任何能让模型识别出单独部分的符号都可作为分隔符，常见的包括：
● 章节标题：通过不同层级的标题区分不同内容模块。
● 三重双引号：""" ，在代码编写中常用于包裹较长的文本字符串。
● 三重单引号：''' ，功能与三重双引号类似，适用于不同的语法环境。
● 三重破折号：--- ，在文本中起到明显的分隔作用。
● 角括号：<> ，常被用于标记特定元素。
● XML标签：，利用结构化的标签形式区分不同内容。
示例1：假设我们需要对一段产品描述进行总结，可通过如下方式使用分隔符：
product_description = f"""这是一款全新的智能手表，具备心率监测、睡眠追踪等健康功能，还支持多种运动模式记录，拥有高清显示屏和长达7天的续航能力。"""
prompt = f"""请总结以下产品描述：'''{product_description}'''"""
示例2：如果要让模型对一段用户评论进行情感分析，示例如下：
user_comment = f"""这款手机的拍照效果真的太棒了，色彩还原度高，夜景模式也很出色，唯一不足的是电池续航有点短。"""
prompt = f"""分析以下用户评论的情感倾向：''' {user_comment}''' """
这种方式能够确保模型明确区分指令和待处理文本，避免因指令混淆而产生错误输出。
策略2：要求结构化输出
为了便于后续对模型输出进行解析和处理，我们可以要求模型以特定的结构化格式输出，如HTML或JSON。这种方式能极大提高数据处理的效率，尤其是在Python编程环境中，结构化输出可直接读入字典或列表中，方便进一步的分析与操作。
示例 1：要求模型以 JSON 格式输出。
prompt = "请以json格式列出每个nodeType所体现的用户诉求、客服方案。每一个json-value不超过20个字"
# 数据源（与指令区分）
user_datasource = """XXX……"""
# 模型输出
{
"IVR": {
"用户诉求": "微信使用问题求助",
"客服方案": "引导正常使用或自助处理"
},
"ASYNC": {
"用户诉求": "账号封禁等相关申诉",
"客服方案": "按规则处理或引导自助"
},
"AI": {
"用户诉求": "支付相关问题咨询",
"客服方案": "要求用户详细描述问题"
}
}
示例2：以HTML格式输出一个简单的书籍。
prompt = "请以HTML格式列出三本你推荐的科幻小说及其作者。"
# 模型输出
<ul>
<li>《三体》 - 刘慈欣</li>
<li>《基地》 - 艾萨克·阿西莫夫</li>
<li>《银河帝国：机器人五部曲》 - 艾萨克·阿西莫夫</li>
</ul>
策略3：要求模型检查条件是否满足
在面对复杂任务时，如果在一些假设条件，而这些条件并非总是成立，那么我们需要引导模型首先对这些假设进行检查。若条件不满足，模型应明确指示并停止继续执行任务，以避免无效计算和错误结果。同时，考虑潜在的边缘情况，并为模型设定相应的处理规则，能够有效减少意外错误，确保模型输出的稳定性和可靠性。
示例：假设我们要求模型计算一个数学表达式，但前提是表达式所有都为正数。
expression = "5 + 3 - (-2)"
prompt = f"""首先检查表达式 '{expression}' 中的所有数字是否都为正数。如果是，请计算该表达式的值；如果不是，请输出'表达式中存在非正数，无法计算'。"""
# 模型输出
表达式中存在非正数，无法计算
策略4：Few-shot prompting（少样本提示）
在要求模型执，提供成功完成任务的示例，能够帮助模型更好地理解任务要求和期望输出的格式。通过这些示例，模型可以学习到任务的模式和规律，从而在处理实际输入时生成更符合预期的结果。少样本提示尤其适用于处理一些复杂或具有特定格式要求的任务，能够显著提升模型的表现。
示例：要求模型按照特定格式将中文词汇翻译成英文并造句。
prompt = """
示例1：
中文词汇：苹果
翻译：apple
造句：I like to eat apples.
示例2：
中文词汇：学校
翻译：school
造句：I go to school every day.
中文词汇：图书馆
翻译：
造句：
"""
# 模型输出
翻译：library
造句：I often read books in the library.
2、给予模型充足的思考时间
当模型因急于得出结论而出现推理错误时，我们需要通过优化式，为模型提供更清晰的推理路径，引导其进行更深入、全面的思考。
策略1：明确完成任务所需的步骤
为模型详细指定完成任务所需遵循的步骤，能够帮助模型有条不推理和计算。通过这种方式，模型可以更清晰地理解任务的逻辑结构，避免因思路混乱而产生错误。例如，要求模型按照特定格式输出，能够引导其在处理过程中注重信息的组织和呈现方式。
示例：要求模型分析一首古诗，格式为“诗歌主题 - 主要意象 - 表达情感”。
poem = "床前明月光，疑是地上霜。举头望明月，低头思故乡。"
prompt = f"""请按照“诗歌主题 - 主要意象 - 表达情感”的格式分析这首诗：{poem}"""
# 模型输出
思乡之情 - 明月 - 对故乡的深切思念
策略2：引导模型在得出结论前充分思考方案
明确指示模型在得出最终结论前，先进行充分的推理和分析，往往能获得更优的结果。这种方式能够促使模型深入挖掘问题的本质，综合考虑各种因素，从而避免因片面或仓促的判断而导致的错误。
示例：问模型“如何提高公司的员工满意度”。
prompt = "在回答如何提高公司的员工满意度之前，请先思考至少三个方面的因素，然后综合这些因素给出全面的建议。"
# 模型输出
首先，从薪酬福利方面，可适当提高薪资水平、完善福利体系，如增加带薪休假天数等；其次，从职业发展角度，为员工提供更多培训机会和晋升通道；再者，从工作环境来看，营造舒适、和谐的办公氛围，加强团队建设活动。综合这些方面，提高公司员工满意度可以从优化薪酬福利、提供职业发展机会以及改善工作环境等措施入手。
二、模型的局限性与应对策略
尽管语言模型在大量数据的训练下展现出强大的能力，但它们并非完美无缺。其中，“幻觉”现象是模型面个重要挑战。
模型“幻觉”
即使模型在训练过程中接触了海量知识，但它并不能完美记住所有信息，也难以精准把握自身知识的边界。这就导致在面对晦涩主题的问题时，模型可能会编造出看似合理但实际上错误的内容，这就是所谓的“幻觉”。
解决幻觉的一种策略
为了有效应对幻觉问题，我们可以要求模型在回答问题前，首先从给定文本中寻找相关引用，并依据这些引用来构建答这种方式，模型的回答将基于可靠的信息来源，而非凭空臆测，从而大大提高回答的准确性和可信度。同时，这种方法还能够实现答案的可追溯性，便于对模型输出进行验证和审查。这就需要建立内容丰富、强大的RAG系统。
示例：给定一段关于历史事件的文本，要求模型回答相关问题。
text = """1861年，美国爆发了南北战争，这场战争是美国历史上的重要转折点，它主要围绕奴隶制的存废问题展开，北方主张废除奴隶制，南方则坚持保留。最终北方取得了胜利，为美国的工业化发展铺平了道路。"""
prompt = f"""请从上述文本中找出相关信息，回答南北战争主要围绕什么问题展开？"""
# 模型输出
南北战争主要围绕奴隶制的存废问题展开，北方主张废除奴隶制，南方则坚持保留。
原文地址：https://mp.weixin.qq.com/s/cswPA01laxTalkjNThdvWw
