提示工程进阶技巧与最佳实践

那么我们怎样才能教 LLM 正确地做到这一点呢？

让我们尝试一下思维链。使用思维链意味着：

1. 给 LLM 一个类似的例子。
2. 展示计算结果，以及如何正确计算。
3. 提供原始提示。

Prompt: "Lisa has 7 apples, throws 1 apple, gives 4 apples to Bart and Bart gives one back: 7 -1 = 6 6 -4 = 2 2 +1 = 3
Alice has 5 apples, throws 3 apples, gives 2 to Bob and Bob gives one back, how many apples does Alice have?"
Answer: 1

给 LLM 一个类似的例子。展示计算结果，以及如何正确计算。提供原始提示。注意我们如何用另一个示例、计算和原始提示编写更长的提示，然后得出正确答案 1。

正如你所看到的，思维链是一种非常强大的技术。

生成的知识

有时候，当你想要构建提示时，你希望使用你自己公司的数据来实现。你希望提示的一部分来自公司，另一部分是你感兴趣的实际提示。

举个例子，如果您从事保险业务，那么您的提示可能如下所示：

Explain
```	ext
{{company}}: {{company_name}}
{{products}}:
{{products_list}}
Please suggest an insurance given the following budget and requirements:
Budget: {{budget}}
Requirements: {{requirements}}

在上面，您可以看到如何使用模板构建提示。模板中有许多变量，用'{{variable}}'表示，这些变量将替换为公司 API 中的实际值。

以下示例展示了变量被公司内容替换后提示的外观：

Explain
```	ext
Insurance company: ACME Insurance
Insurance products (cost per month):
- Car, cheap, 500 USD
- Car, expensive, 1100 USD
- Home, cheap, 600 USD
- Home, expensive, 1200 USD
- Life, cheap, 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000
Requirements: Car, Home

通过 LLM 运行此提示将产生如下响应：

Explain
```	ext
, and Life insurance
Given the budget and requirements, we suggest the following insurance package from ACME Insurance:
- Car, cheap, 500 USD
- Home, cheap, 600 USD
- Life, cheap, 100 USD
Total cost: $1,200 USD

正如您所看到的，它还建议购买人寿保险，但事实并非如此。此结果表明我们需要通过更改提示来优化提示，使其更清楚地了解其允许的内容。经过一些试验和错误之后，我们得到以下提示：

Explain
```	ext
Insurance company: ACME Insurance
Insurance products (cost per month):
- type: Car, cheap, cost: 500 USD
- type: Car, expensive, cost: 1100 USD
- type: Home, cheap, cost: 600 USD
- type: Home, expensive, cost: 1200 USD
- type: Life, cheap, cost: 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000 restrict choice to types: Car, Home

请注意添加 type 和 cost 以及使用关键字 restrict 如何帮助 LLM 理解我们想要的内容。

现在我们得到以下响应：

Explain
```	ext
Given the budget and requirements, we suggest the Car, Cheap insurance product which costs 500 USD per month.

这个例子的目的是表明，即使我们使用像生成知识这样的基本技术，我们仍然需要在大多数情况下优化提示以获得所需的结果。

从少到多

从最少到最多提示的想法是将一个更大的问题分解为多个子问题。这样，您就可以帮助指导 LLMs 如何'克服'更大的问题。数据科学就是一个很好的例子，你可以要求 LLMs 来划分问题，如下所示：

Prompt: How to perform data science in 5 steps?

你的人工智能助理会回答：

• 收集数据
• 清理数据
• 分析数据
• 绘制数据
• 现有数据

自我完善，质疑结果

对于生成式人工智能和 LLMs，你不能相信其输出。你需要验证一下。毕竟，LLMs 只是向您展示下一个最有可能说的话，而不是正确的内容。因此，一个好主意是要求 LLMs 自我批评，这引导我们自我完善技术。

其工作原理是按照以下步骤操作：

1. 要求 LLM 解决问题的初始提示
2. LLM 产生答案
3. 质疑答案并要求人工智能改进
4. LLM 再次回答，这次考虑了质疑并提出了解决方案

您可以根据需要多次重复此过程。

这是使用此技术的示例：

Prompt: 'Create a Python Web API with routes products and customers'  
AI Answer:  
```python
import flask
app = Flask(__name__)
@app.route('/products')
def products():
return 'Products'
@app.route('/customers')
def customers():
return 'Customers'

Prompt: suggest 3 improvements of the above code
AI Answer:

Sure, here are three suggestions to improve the code:
Import the correct module: The first line should import Flask instead of flask. The correct import statement should be from flask import Flask.
Add a main function: Add a if __name__ == '__main__': block to the end of the file to run the application when the file is executed.
Use f-strings: Use f-strings to format the return statements in the route functions. For example, return 'Products' can be changed to return f'This is the {request.path} page'.

from flask import Flask, request
app = Flask(__name__)
@app.route('/products')
def products():
return f'This is the {request.path} page'
@app.route('/customers')
def customers():
return f'This is the {request.path} page'
if __name__ == '__main__':
app.run()

正如您所看到的，由于对第一个答案的批评，上述人工智能响应正在改进第一个建议的代码。

多维度的提示

多维度的提示是一种类似于自我完善的技术，但它更多的是要求 LLMs 解释自己。目标是减少 LLMs 输出不一致，以确保得出正确的答案。要遵循的工作流程是：

1. 请 LLM 回答问题
2. 对于答案的每一部分，请 LLM 更深入地解释。
3. 如果存在不一致，则丢弃不一致的部分。
4. 重复 2 和 3，直到您完成所有部分并对答案感到满意为止。

prompt: How can I create a crisis plan to mitigate for a pandemic in 5 steps? LLM answer:  
```text
1. Identify the risks
1. Identify the stakeholders
1. Identify the resources
1. Identify the actions
1. Identify the communication channels

它确定了 5 个步骤，但是我们可以确定这是否正确吗？让我们请 LLM 解释一下每一步：

prompt: Explain the first step in more detail, what are the risks in detail with a pandemic?  
```text
The risks are the following:
- Loss of life
- Loss of business
- Loss of reputation
- Loss of customers
- Loss of employees

此时，我们希望确保 LLM 是正确的，因此我们要求它更详细地解释第一个风险，并希望它与上面的答案一致：

prompt: In a Pandemic, which is the biggest risk and why?  
```text
The biggest risk is loss of life because it's the most important thing to protect.

What are the two biggest risks in a pandemic?

The two biggest risks are loss of life and loss of business.

在这一点上，LLMs 是一致的，并提到'生活'和'商业'是两大风险。我们现在可以继续下一步并感到相当有信心。然而，我们不应该盲目相信 LLM，我们应该始终验证输出。

改变您的输出

LLM 本质上是不确定的，这意味着每次运行相同的提示时都会得到不同的结果。例如尝试以下提示：

"Generate code for a Python Web API"  
```text
# Import necessary modules
import flask
from flask import request, jsonify
# Create a Flask app
app = flask.Flask(__name__)
# Create a route for the API
@app.route('/api', methods=['GET'])
def api():
# Get the data from the request
data = request.args
# Process the data
result = process_data(data)
# Return the result as JSON
return jsonify(result)
# Function to process the data
def process_data(data):
# Do something with the data
result = data + 1
# Return the result
return result
# Run the app
if __name__ == '__main__':
app.run()

再次运行相同的提示会生成略有不同的响应：

#import necessary packages
import flask
from flask import request, jsonify
#create the Flask application
app = flask.Flask(__name__)
app.config["DEBUG"] = True
#create a list of books
books = [
{'id': 0,
'title': 'A Fire Upon the Deep',
'author': 'Vernor Vinge',
'first_sentence': 'The coldsleep itself was dreamless.',
'year_published': '1992'},
{'id': 1,
'title': 'The Ones Who Walk Away From Omelas',
'author': 'Ursula K. Le Guin',
'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.',
'published': '1973'},
{'id': 2,
'title': 'Dhalgren',
'author': 'Samuel R. Delany',
'first_sentence': 'to wound the autumnal city.',
'published': '1975'}
]
#create an endpoint for the API
@app.route('/', methods=['GET'])
def home():
return '''<h1>Books API</h1>
<p>A prototype API for retrieving books.</p>'''
#create an endpoint to return all books
@app.route('/api/v1/resources/books/all', methods=['GET'])
def api_all():
return jsonify(books)
#create an endpoint to return a single book
@app.route('/api/v1/resources/books', methods=['GET'])
def api_id():
#check if an ID was provided as part of the URL
#if ID is provided, assign it to a variable
#if no ID is provided, display an error
if 'id' in request.args:
id = int(request.args['id'])
else:
return "Error: No id field provided. Please specify an id."
#create an empty list for our results
results = []
#loop through the data and match results that fit the requested ID
#IDs are unique, but other fields might return many results
for book in books:
if book['id'] == id:
results.append(book)
#use the jsonify function from Flask to convert our list of
#Python dictionaries to the JSON format
return jsonify(results)
app.run()

So is the varied output a problem?

取决于你想做什么。如果你想要一个具体的回应，那就是一个问题。如果您可以接受诸如'生成任意 3 个地理问题'之类的不同输出，那么这不是问题。

利用温度来改变输出

好的，所以我们决定将输出限制为更可预测，即更具确定性。我们该怎么做呢？

温度是 0 到 1 之间的值，其中 0 最具确定性，1 最具变化性。默认值为 0.7。让我们看看在温度设置为 0.1 的情况下两次运行相同的提示会发生什么：

"Generate code for a Python Web API"  
```python
#import necessary libraries
import flask
from flask import request, jsonify
#create an instance of the Flask class
app = flask.Flask(__name__)
#create an endpoint for the API
@app.route('/api/v1/endpoint', methods=['GET'])
def api_endpoint():
#get the request data
data = request.get_json()
#process the data
result = process_data(data)
#return the result
return jsonify(result)
#function to process the data
def process_data(data):
#process the data
result = {'result': 'success'}
#return the result
return result
#run the Flask app
if __name__ == '__main__':
app.run()

再次运行提示符会给我们这样的结果：

#import necessary libraries
import flask
from flask import request, jsonify
#create a Flask app
app = flask.Flask(__name__)
#create a route for the API
@app.route('/api', methods=['GET'])
def api_call():
#get the data from the request
data = request.get_json()

#process the data
result = process_data(data)

#return the result
return jsonify(result)
#define the process_data function
def process_data(data):
#do something with the data
result = data + 1

#return the result
return result
#run the app
if __name__ == '__main__':
app.run()

这两个输出之间只有很小的差异。这次我们反其道而行之，将温度设置为 0.9：

# Import necessary libraries
import flask
from flask import request, jsonify
# Create a Flask app
app = flask.Flask(__name__)
# Create a route for the API
@app.route('/api', methods=['GET'])
def api_call():
# Get the data from the request
data = request.args
# Process the data
result = process_data(data)
# Return the result
return jsonify(result)
# Function to process the data
def process_data(data):
# Do something with the data
result = data + 1
# Return the result
return result
# Run the app
if __name__ == '__main__':
app.run()

第二次尝试使用 0.9 作为温度值：

import flask
from flask import request, jsonify
# create the Flask app
app = flask.Flask(__name__)
app.config['DEBUG'] = True
# create some test data
books = [
{'id': 0, 'title': 'A Fire Upon The Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'},
{'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'},
{'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'}
]
# create an endpoint
@app.route('/', methods=['GET'])
def home():
return '''<h1>Welcome to our book API!</h1>'''
@app.route('/api/v1/resources/books', methods=['GET'])
def api_books():
return jsonify(books)
app.run()

正如您所看到的，结果各式各样。

最佳实践

您可以应用许多实践来尝试获得您想要的东西。当您越来越多地使用提示时，你会发现自己的风格。

除了我们介绍的技术之外，在调用 LLMs 时还需要考虑一些好的做法。

以下是一些值得考虑的良好做法：

1. 指定上下文。上下文很重要，您可以指定的领域、主题等越多越好。
2. 限制输出。如果您想要特定数量的项目或特定长度，请指定。
3. 指定内容和方式。请记住提及您想要什么以及您想要如何实现，例如'创建一个包含路由产品和客户的 Python Web API，将其分为 3 个文件'。
4. 使用模板。通常，您会希望使用公司的数据来丰富提示。使用模板来执行此操作。模板可以包含用实际数据替换的变量。
5. 拼写正确。LLMs 可能会为您提供正确的答案，但如果您拼写正确，您会得到更好的答案。