github地址：github.com/YueJingGe/p…
提示词工程
大模型本质上是文字接龙，通过优化提示词 prompt 和生成策略，从而获得更好的模型返回结果的工程技术，如下图：
好的Prompt需要不断调优，最终的结果是要得到稳定的输出。
提示词的构成
• 指示（Instruction）：描述要让它做什么？
• 上下文（C6ntext）：给出与任务相关的背景信息
• 例子（Examples）：给出一些例子，让模型知道怎么回复
• 输入（Input）：任务的输入信息
• 输出（Output Format）：输出的格式，想要什么形式的输出？
提示词工程 + 代码
1、定义清楚的提示词
减少模型幻觉，减少计算时间
2、结构化提示词、使用变量
• instruction =“"根据下面的上下文回答问题。保持答案简短且准确””
• context ="""Teplizumab起源于一个位于新泽西的药品公司"""
• query = """OKT3最初是从什么来源提取的？"""
• prompt = f"'''{instruction} ### 上下文 ｛context｝###问题：｛query｝"""
代码上类似于这样：
3、定义输出格式
4、样本学习shot learning
• one-shot learning： 只给一个example
• few-shot learning: examples
• zero-shot learning： 不给任何的examples
5、思维链
基本是大模型已经内置的一个能力，如果想要显示的使用可以加上：请逐步思考
提示词工程+具体业务
1、短视频脚本制作
最终版本：可以将上面的结果复制给另一个大模型进行评价修改，比如：
“以下是一个短视频脚本的设计，请对之进行评价，并给出修改建议。”
2、小红书爆款文章
如果没有行业经验，可以让大模型帮你做一些总结工作，然后再把它优化到你的提示词中。
总结
写清楚指令，将复杂任务拆分成更简单的子任务（让大模型帮你拆分任务）
提供参考文本，使用外部工具（搜提示词优化）
引入新信息，可靠的复制复杂的风格或方法
