Prompt 工程核心：两条极简原则与实践指南

2. 给模型更多的思考空间

这个原则主要针对那些需要逻辑推理和创新解答的问题。对于这类问题，模型需要有足够的自由度来考虑多种可能的答案，进行比较和选择。在这种情况下，一个好的 Prompt 应当能够鼓励模型自主思考，而不是仅仅按照既定的路径进行回应。

目前，主要有两种思路来启发模型的思考：

1) CoT (思维链：Chain-of-Thought)

2022 年 10 月，Google 发布了一篇论文'Chain-of-Thought Prompting Elicits Reasoning in Large Language Models'。在这篇文章中，他们在 Prompt 中的举例说明部分中，不仅仅给出问题的答案，还给出得到答案的步骤，实验表明这种方法能够产生更可靠的答案。

随后，东京大学和谷歌于 2022 年 10 月下旬发布了论文'Large Language Models are Zero-Shot Reasoners'，在文章中提出不需要给出具体示例，只需要在原始 Prompt 后面加一句'Let's think step by step'就可以得到更高质量的答案。

2) Self-Consistency

谷歌在 2023 年发表'Self-Consistency Improves Chain of Thought Reasoning in Language Model'论文，该论文的主要思想就是利用少数服从多数原则，对于一个问题生成多个版本的答案，选择最高频的那个作为最终答案。具体的分为三步：

1. 使用思维链（CoT）的方法，生成一个 Prompt。
2. 通过调整大模型的输出多样性参数来生成多组答案。
3. 选择答案集合中最一致的答案输出。

除了上述两种方法，近期香港中文大学和华为共同发表文章'Progressive-Hint Prompting Improves Reasoning in Large Language Models'，提出 PHP 方法。该方向的核心思想是将上一轮模型生成的答案融入到下一轮的 Prompt 中，直到答案收敛。

三、调试与迭代

编写一个优秀的 Prompt 通常需要迭代的过程，不是一蹴而就的。这个过程与机器学习工作的优化流程有类似之处，主要步骤包括：构思、实施、评估结果、错误分析和产生新的构思。

• 构思：首先，你需要生成一个想法，也就是你希望通过 Prompt 实现的目标。
• 实施：接着，你将想法转化为具体的 Prompt，并使用 LLM 进行测试。
• 评估结果：查看 LLM 的回应，判断是否满足你的预期。
• 错误分析：这是关键的一步。如果结果不符合预期，需要详细分析哪些地方出了问题。对于一些逻辑推理的问题，答案是否正确相对明确。但对于生成性的问题，如编写邮件或广告文案，可能需要更深入的分析。这时，一个有效的方法是让 LLM 自我评估，指出其生成的答案的不足之处。
• 产生新的构思：基于错误分析，生成新的想法，修改并优化 Prompt。

在解决问题的过程中，要始终保持对之前提到的两条原则的关注：提供清晰而具体的指示，以及为模型留出更多的思考空间。持续迭代并遵循这些原则，最终将帮助你编写出高效的 Prompt。

四、进阶技巧与工具

为了进一步提高 Prompt 的质量，除了掌握核心原则外，还可以借助工具和高级技巧。

1. 工具辅助

可以使用专门的 Prompt 优化工具，例如 PromptPerfect。这是一个优化提示词的产品，只需要选择一个大模型（如 ChatGPT，GPT-4，Claude 等），输入你的原始 Prompt，系统就会返回一个调优过之后的 Prompt，并给出两个 Prompt 对应的大模型的输出结果用于比较。

2. 用 LLM 辅助生成更好的 Prompt

这里只需要使用下面的 Prompt，然后和 LLM 进行交互即可：

你是一名 Prompt 工程师，非常清楚通过哪些问题能让 AI 提供令人满意的答案。我是向你咨询的客户，我很难表达清楚我的需求，我希望你能一步步通过问题引导我完成我的需求描述，使它变成具体、简洁又详细带有背景的 Prompt。

3. 常用模板结构

在实际工作中，建立一套标准的 Prompt 模板可以提高效率。推荐的结构如下：

1. Role Definition: 定义 AI 的角色。
2. Task Description: 明确的任务描述。
3. Context/Background: 任务的背景信息。
4. Constraints: 输出的限制条件（长度、格式、风格）。
5. Input Data: 待处理的具体数据。
6. Output Format: 期望的输出格式。

五、未来发展

随着大型语言模型（LLM）的能力日益增强，对 Prompt 质量的要求可能会逐步降低。这是因为高级模型可能无需过多的'思维链（CoT）'，就能在逻辑推理或问答等任务中提供准确的答案。相比原则二，原则一（清晰明确地表达需求）会更重要一些，只有准确地传达我们的需求，大模型才能提供我们希望的结果。

为了进一步简化原则一，一个可能的解决方法是通过类似智能助手的应用来学习用户的表达习惯。这样，大模型就可以更准确地理解用户的需求，达到心灵相通的效果。未来，Prompt Engineering 可能会逐渐演变为一种隐式的交互方式，用户只需表达意图，系统自动优化指令。

六、总结

Prompts 不仅仅是一个引导，而是实现人工智能交互的关键元素。优秀的 Prompt 能够引领 ChatGPT 为我们提供高质量、精确、富有创造性的输出。因此，熟练使用 Prompt，正是充分发挥 LLM 潜力的关键。

但我们要记住，理论只是第一步，真正的技能掌握源于大量的实践。只有不断尝试，才能发现 Prompt 的无限可能，才能更好地理解和使用 LLM。不论你是要编写文章，还是需要解决具体问题，或者只是想享受与人工智能的对话，都鼓励你尽情探索，实践你的想法，发挥出 LLM 的巨大潜力。

在 AI 时代，人工智能不再是遥不可及的科幻概念，而是我们日常生活和工作中的实用工具。学习和应用高质量的 Prompt 不仅可以帮助我们更好地利用 LLM，还能促使深入理解沟通的本质。未来无论是在工作还是在生活中，都将拥有更强大的竞争优势。