很大程度上，Prompt的结构与内容会对最后模型的输出能力产生极大影响，所以，我们需要做好Prompt的设计。这篇文章里，作者就对Prompt如何构建等问题做了分享，一起来看。
Prompt是什么？简单理解，用户输入给AI模型的一串指令或提示词（Prompt）让模型完成指定任务。前文提到，训练模型的【Pre-train,Prompt,Predict】这个范式，用特定语言的模板（prompt）挖掘预训练模型（Pre-train）的本身能力，因此可以降低语义差异。（其他训练范式请见上个系列）
理所当然的，输入的不同直接决定了输出的质量。Prompt 的结构与内容对最后模型的输出能力有极大影响，要想更好地得到输出，对Prompt的设计必不可少。
零样本提示，即直接给指令，不举例引导。其实这是最为能证明模型推理能力的情况，也是我们最理想的任务形式，我们让机器人做什么事，它就能直接做了。
例如：在机器没有专门针对进行股市描述分析训练，输出一份股市走势报告。
我们常发现这样的情况模型输出的效果不是很好，因此针对这样的情况，还会进一步补充更多的提示信息过渡。
即提供给模型几个示例，实现上下文学习(ICL – In Context Learning)，引导模型更好地输出任务。其中只提供了一个示例的是One-shot。
例如下图（与豆包对话），在这个Case中给出了两个示例，最后的输出也可以看到依赖了相关输入。
但Few shot仍然具有局限性，特别是对于推理性等复杂任务。
但大家发现，如果将问题分解成步骤，并向模型演示，可能会有所帮助，因此CoT(chain-of thought prompting)成为大家关注的方向，以解决复杂任务（例如算术、推理等）。
简单来讲，为了更好地解决复杂问题，我们需要模型了解中间推导/计算的过程，因此思维链其实是多了中间的推导。但CoT对小模型作用不大，对复杂问题的性能增益更大。（模型参数达到10B有效果，100B效果明显）
1）Zero shot CoT
这种思维链非常的取巧，即不再给模型任何的示例，只是发出指令让它自己“一步步想”。即利用：Let’s think step by step 以及 Therefore,the answer is 等提示得出答案。
例如下图的情况，虽然模型回答错了；
当然如果矫正这个问题，我们可以再给出一些提示，继续给出推导思路 (不属于Zero Shot)；
现在模型已回答正确，那么我们再提问一次，可以看到模型已经学到这样的推导逻辑。
2）Few shot CoT
是ICL（In-context learning)的一种特殊情况，将<Input,Output>扩充为<input,CoT,output>
Few shot CoT是在进行提示的时候，给出一个具体的推导示例，例如：
3）增强的CoT策略：Self- Consistency
这个名字看起来很复杂，翻译也比较复杂，利用自洽性提高语言模型中的思维链推理效果。其实你可以很简单的理解，就是模型通过了多种思维得出了多个结果，最后投票看哪个结果占比最多（可能也有其他维度），最后输出这个投票出来的结果。
例如刚刚的篮子数学题，豆包给了三种解法：
假设现在使用的是Self- Consistency，那么模型内部投票发现有两个结果的答案是4个水果，1个答案是5个水果，按照既定投票规则，最后输出的答案是4，就可以在很大程度上可以提高模型的效果。
针对思维链，行业内也整理了有效思维链的特点：
AIGC产品经理（及人工智能训练师）构建Prompt的能力是核心竞争力之一，Prompt影响最终模型输出，而使用者需要洞察当下产品需求。框架化、结构化组建Prompt可以更好地完成任务。
网上已经有很多介绍如何Prompt的体系和模板，但万变不离其宗，再多维的框架也有基础。针对文本类，我个人比较推荐QCIPSPE框架，大家可以根据不同的需求进行修改。注意，要避免说不做什么，直接说要做什么即可，做直接、具体、精确的输入。
对于生成类对话产品来说，Prompt决定了最后的输出。但是对于垂类场景来说，Prompt是用户对于BOT的指令，用户使用门槛是否过高还需提供框架精简用户输入，是否每个场景都合适生成式引入也需垂类产品考虑。
本文由 @JasmineWei 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。