优雅训服大模型：深入理解与实战 Prompt 技巧
ChatGPT 以降，彻底引爆了 AI 领域，大语言模型（Large Language Model, LLM）进入了公众视野。虽然大模型可以达到「类人」的水平，但仍需要以「大模型角度」去思考和对话才能最大限度地利用其威力。这便是 Prompt Engineer（提示词工程师）需要做的事情。本文将总结一些核心的 Prompt 技巧，帮助你优雅地训服大模型。
本质是提问的技巧
大模型第一次达到了「类人」水平，用户可以用自然语言与计算机进行交流。为了达到事半功倍的效果，我们需要精进提问的技巧，这便是 Prompt Engineering。核心在于把大模型视为精通某一领域的专业顾问，以与专业顾问（如导游、咨询师）对话的角度来看待问题。
例如，五一假期想去上海玩，如果只问『五一假期去上海玩，推荐一些行程』，大模型通常会给出一个中规中矩的万能日程，参考价值有限。这并非大模型的错，如果你如此问一个导游，负责的导游会直接反问你一大堆细节问题，因为这是行程所必须的。
为了达到最好的沟通效果，避免「Garbage In, Garbage Out」（垃圾进，垃圾出），需要遵循以下原则：
- 角色设定：视为在与专业人士对话，明确大模型的角色。
- 专注主题：一次对话尽可能专注于一个问题或一个主题。
- 要素清晰：把问题描述清楚，列出关键要素，如时间、地点、人物、关键事件等。
- 限定范围：补充问题细节，限定回答的范围，例如可以做什么、不可以做什么、时间节点要求等。
- 恰当分隔：多多使用标点符号对提问进行分隔，帮助大模型抓住重点。
优化后的提示词示例：『五一假期，从南京出发，坐高铁，目的地上海，亲子 3 日游，不去迪士尼，不去动物园，安排详细行程』。这回得到的回答肯定具有更大的参考价值。
及时补充上下文
大语言模型较以往 AI 的最大进步在于超长的上下文记忆能力，这是它能达到「类人」水平的最主要原因。在与大模型对话时，要及时补充上下文信息。
一方面，你不可能一次性把提问信息全写对，一旦想到新的提示，就要及时给到大模型；另一方面，大模型有时会胡编乱造（这与其温度参数 temperature 控制的行为有关），一旦发现跑偏，需要提供新的提示进行纠正。
此外，如果感觉问题不好理解或对输出有特殊要求，可以提供输出示例（Few-Shot Prompting）。大模型能够很好地捕获这一模式，这对让大模型输出优质回答非常有帮助。
不用担心输入字数过多导致溢出，现代大模型的上下文能力至少在 4096 个 Token 以上，对于大部分常规问题来说足够了。
掌握常见的命令和特殊标记
大模型的输入是自然语言，但计算机毕竟是程序化的机器，因此存在一些特殊的命令和标记来代表常用功能。这些标记的作用在于简化输入，提升效率，特别是在复杂的专业领域问题中，标准化的标记能加强共识程度。
- 命令：简洁、清晰且无歧义的动词，如描述、拟定、写出、规划等。
- 特殊标记：像方括号
[]、三个引号"""、三个###等，用于界定内容块或强调特定部分。
理解专业领域知识
前面的几点是通用的提示优化小技巧，适用于常规的通用问题。如果是专业领域的问题，光有技巧是不够的，还需要领域知识。对领域要有深刻理解，熟悉专业术语，将抽象泛化的需求转化为具体的提示词。
Code Prompts
要想让大模型写出更好的代码，必须尽可能详细地给出代码要素：
- 编程语言：必须指明（如 Python, Java）。
- 参数与格式：输出参数的类型、返回值格式必须指明。
- 限制条件：说明不能用什么库，或者时间/空间复杂度的限制。
- 需求明确：实现什么功能的代码。
# 错误示范
写一个排序函数。
# 正确示范
请用 Python 编写一个快速排序算法函数，要求时间复杂度为 O(n log n)，并包含详细的注释和测试用例。
def ():
