国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

在當今信息爆炸的時代，高效地使用提示詞（prompt）已成為各行各業(yè)提升工作效率的關鍵之一。然而，提示詞的寫法和適用場景卻常常讓人困惑。本文將深入探討提示詞的常用寫法，并通過實際案例展示其在不同場景下的應用。

Google發(fā)布的最新框架CRISPE

• CR：Capacity and Role（能力與角色）。你希望 ChatGPT 扮演怎樣的角色。
• I： Insight（洞察），背景信息和上下文。
• S:（陳述），你希望 ChatGPT 做什么。
• P：Personality（個性），你希望 ChatGPT 以什么風格或方式回答你。
• E：Experiment（實驗），要求 ChatGPT 為你提供多個答案。

常見的prompt的寫法：Zero-shot、Few-shot、CoT、CoT+SC、Step-Back

• Zero-shot（零樣本學習）：是一種機器學習技術，要求模型在沒有見過任何特定任務的訓練樣本的情況下，僅根據(jù)任務的描述和自身已有的知識來完成任務。模型需要依靠其在預訓練階段學習到的通用知識和模式識別能力，對全新的、未見過的任務進行推理和預測。例如在圖像分類中，模型在訓練時未見過某種特定類型的圖片，在測試時卻要對該類圖片進行分類；或者在語言翻譯中，直接讓模型翻譯從未見過的句子，僅通過任務指令來驅(qū)動模型輸出結果。
• Few-shot（少樣本學習）：與 Zero-shot 相對，模型在進行預測任務時，只需要少量的樣本作為參考。通常情況下，模型在預訓練階段學習了大量的通用知識，然后在面對新的具體任務時，僅利用很少的幾個標注樣本對模型進行微調(diào)或引導，使其適應新任務。例如在文本分類任務中，可能只給模型提供幾個屬于某一類別的文本示例，模型就能根據(jù)這些少量樣本以及預訓練的知識來對新的文本進行分類，判斷其是否屬于該類別。
• CoT（Chain of Thought，思維鏈）：是一種提示技術，旨在引導語言模型生成一系列中間推理步驟，以幫助其更好地回答復雜問題。通過在輸入中提供一些示例，展示問題解決的步驟和邏輯鏈條，讓模型學習模仿這種推理方式，從而提高模型在復雜任務上的性能。例如在數(shù)學問題求解中，給模型提供 “2+3=？首先計算 2+3，得到結果 5” 這樣帶推理步驟的示例，模型就能學會按照這樣的思維鏈來解決其他數(shù)學問題，而不是直接給出答案。
• CoT+SC（Chain of Thought + Self-Consistency，思維鏈 + 自洽性）：是在 CoT 基礎上的進一步擴展。在使用思維鏈引導模型生成推理路徑后，通過從模型中采樣多個不同的推理路徑，并選擇其中最一致或最合理的結果作為最終答案，來提高模型回答的準確性和可靠性。例如對于一個復雜的邏輯問題，模型可能生成多條不同的推理鏈，通過比較這些推理鏈之間的一致性和合理性，選擇出最優(yōu)的結果，避免模型只依賴單一的推理路徑而可能出現(xiàn)的錯誤。
• Step-Back：可以理解為一種在解決問題或進行推理時退后一步、從更宏觀或更基礎的角度去思考的策略。在模型應用中，可能是指讓模型暫時跳出當前具體問題的細節(jié)，回顧一些基本概念、原理或更廣泛的知識，以便更好地理解問題和找到解決方案。比如在處理一個復雜的科學問題時，模型先回顧相關的科學定律和基礎知識，再基于這些進行具體問題的分析和解答，而不是直接從問題的表面入手。

當然5種不同的提示詞寫法應當應用在不同的場景下：

一、無提示詞Zero-shot

（一）常識推理領域

任務：如果一個人在月球上跳躍，會比在地球上跳得更高還是更低？

Zero-shot 方式：向模型提問 “一個人在月球上跳躍和在地球上跳躍，哪里跳得更高”，模型依據(jù)對地球和月球重力等常識的理解來回答，正常情況下會輸出 “在月球上跳得更高”，不需要提前給它關于在月球和地球跳躍對比的具體例子。

（二）情感分析領域

任務：分析 “這部電影真的太精彩了，我從頭到尾都被吸引住了” 的情感傾向。

Zero-shot 方式：輸入 “請分析‘這部電影真的太精彩了，我從頭到尾都被吸引住了’表達的是積極情感還是消極情感”，模型根據(jù)語句中的詞匯和語義來判斷并輸出 “積極情感”，無需事先用大量標注好情感傾向的影評來訓練它針對這句話的判斷。

（三）文本分類領域

任務：判斷 “今天的天氣真好，陽光明媚，適合出門游玩” 屬于什么類型的文本。

Zero-shot 方式：給模型輸入 “請判斷‘今天的天氣真好，陽光明媚，適合出門游玩’屬于以下哪種文本類型：新聞、日記、詩歌、散文”，模型根據(jù)對各種文本類型的理解和句子內(nèi)容進行判斷，可能輸出 “日記傾向的日常記錄文本” 等答案，而不需要事先給它提供大量已標注好類型的類似文本作為示例。

拓展：對于更復雜的文本分類，如判斷一段關于人工智能技術原理的描述屬于科普文本、學術論文摘要還是技術博客，也可通過 Zero-shot 讓模型進行判斷。

二、Few-shot（少樣本學習）

（一）文本生成

給模型提供幾個特定風格的文本片段，如提供幾句古風詩詞，然后要求模型以同樣的古風風格創(chuàng)作一首完整的詩。模型根據(jù)這幾個樣本學習古風詩詞的用詞、韻律、句式等特點，生成新的內(nèi)容。

（二）命名實體識別

只給模型提供少量標注好的包含人名、地名、組織名等實體的句子，例如 “小明去了北京的清華大學” 標注出 “小明” 是人名，“北京” 是地名，“清華大學” 是組織名，讓模型據(jù)此識別其他文本中的各種命名實體。

（三）語義角色標注

給出少量已經(jīng)標注好語義角色的句子，如 “小明 [施事] 把書 [受事] 放在桌子上 [地點]”，讓模型學習不同語義角色的特點和關系，然后對新的句子進行語義角色標注。

三、CoT（Chain of Thought，思維鏈）

（一）數(shù)學領域

簡單算術問題：問題為 “小明有 5 個蘋果，小紅的蘋果比小明多 3 個，請問小紅有幾個蘋果？” 思維鏈可以是 “首先，已知小明有 5 個蘋果，小紅比小明多 3 個。那么我們要做的就是在小明的蘋果數(shù)基礎上加上多出的數(shù)量，即 5 + 3 = 8。所以，小紅有 8 個蘋果?！?/p>

幾何問題：“一個三角形的底邊長為 6 厘米，高為 4 厘米，求它的面積。” 思維鏈可以是 “首先，我們知道三角形的面積公式是 S = 1/2× 底 × 高。題目中給出底邊長為 6 厘米，高為 4 厘米。那么將數(shù)值代入公式可得，S = 1/2×6×4 = 3×4 = 12 平方厘米。所以這個三角形的面積是 12 平方厘米。”

（二）邏輯推理領域

真假判斷問題：“有三個人，A 說 B 在說謊，B 說 C 在說謊，C 說 A 和 B 都在說謊，請問誰說的是真話？” 思維鏈可以是 “假設 A 說的是真話，那么 B 在說謊。因為 B 說 C 在說謊，所以 C 說的是真話，可 C 說 A 和 B 都在說謊，這與假設 A 說真話矛盾，所以 A 說的是假話。假設 B 說的是真話，那么 C 在說謊，C 說 A 和 B 都在說謊就是假的，即 A 和 B 至少有一個說的是真話，因為假設 B 說真話，A 說假話是符合的，所以該假設成立，B 說的是真話。假設 C 說的是真話，那么 A 和 B 都在說謊，可 A 說 B 在說謊就成了真話，這與 C 說的話矛盾，所以 C 說的是假話。綜上，B 說的是真話?！?/p>

（三）排序問題

“小明、小紅和小李參加跑步比賽，小明比小紅跑得快，小李比小明跑得慢，請問三人的名次順序是怎樣的？” 思維鏈可以是 “首先，根據(jù)小明比小紅跑得快，可知小明的名次在小紅前面。又因為小李比小明跑得慢，所以小明的名次也在小李前面。那么三人的名次順序就是小明第一，然后小李在小明之后，所以小李第二，最后小紅第三。”

任務：分析 “這部電影真的太精彩了，我從頭到尾都被吸引住了” 的情感傾向。

Zero-shot 方式：輸入 “請分析‘這部電影真的太精彩了，我從頭到尾都被吸引住了’表達的是積極情感還是消極情感”，模型根據(jù)語句中的詞匯和語義來判斷并輸出 “積極情感”，無需事先用大量標注好情感傾向的影評來訓練它針對這句話的判斷。

四、CoT+SC（Chain of Thought + Self-Consistency，思維鏈 + 自洽性）

（一）醫(yī)學診斷與治療方案設計

任務：根據(jù)患者癥狀、檢查結果和病史，制定治療方案。

CoT+SC方式：1 基于指南推薦的標準流程推導。2 參考類似病例的成功治療方案。3 考慮患者過敏史和藥物相互作用。

（二）法律咨詢與合同審查

任務：分析合同條款是否存在法律風險或歧義。

CoT+SC方式：1 從合同法角度解析條款合法性。2 對比行業(yè)標準合同模板的差異。3 模擬不同履約場景下的責任劃分。

這類場景還有很多，COT 指示通過分步驟加大了 LLM 的深度。 SC 則是在增加深度的基礎上再增加寬度。

五、Step-Back

（一）工作項目問題

任務：當前項目延期的原因是什么

Step-Back方式：

1. 要想得到項目延期的真實原因，你需要知道哪些前提問題

2. 這些前提問題的答案分別是什么

3. 基于這個前提問題，你的結論是什么

（二）生活問題

任務：怎么解決我們的家庭裝修中空間布局不合理的問題

Step-Back方式：

1. 要想得到項目延期的真實原因，你需要知道哪些前提問題

2. 這些前提問題的答案分別是什么

3. 基于這個前提問題，你的結論是什么

五、總結

對于同樣的模型，同樣的任務，使用不同的 Prompt，輸出的結果也有不小的差異

一般來說，使用Prompt技巧的結果 回比不使用任何技巧要好

對于簡單的任務并不是疊加所有的技巧就會更好，到達一定結果后。再疊加技巧不會提升效果

這是一個讓大家理解 Prompt 編寫技巧的小教程，所以采用了同一個任務方便對比，但是有些復雜技巧適合與更難的任務，只有在更難的任務上才能看出差異