掌握 Prompt 技巧：多种经典提示技术详解

模型设置

在使用提示词与大语言模型交互时，合理配置模型参数对输出质量至关重要。常见设置包括温度（Temperature）、Top_p、最大长度（Max Length）、停止序列（Stop Sequences）、频率惩罚（Frequency Penalty）和存在惩罚（Presence Penalty）等。

Temperature 参数：控制生成的随机性。值越小（如 0.2），模型结果越确定，适用于需要高质量、准确性的任务；值调高（如 0.8-1.0），结果更随机，可能带来更多样化或创造性产出，适合诗歌生成或头脑风暴任务。

Top_p 参数：用于控制模型返回结果的累积概率分布。值调低可获得准确事实答案，值调高则响应更多样化。较低值会选择最有信心的 token 进行采样，有助于减少幻觉。

Max Length 参数：控制大模型生成的 token 数量上限。防止生成冗长或不相关响应，同时有助于控制 API 调用成本。

Stop Sequences 参数：定义阻止模型继续生成特定字符串的终止符。可精确控制大模型响应的长度和结构，例如在对话中指定换行符作为结束。

Frequency Penalty 和 Presence Penalty 参数：对重复的 token 施加惩罚。前者与 token 出现次数成比例，后者对所有重复 token 惩罚相同。一般调整其中一个参数即可，避免过度抑制多样性。

常见的提示词可以包含以下任意要素，组合使用效果更佳：

特点：不提供任何样例数据，直接让模型完成任务。

示例：

将文本分类为中性、负面或正面。
文本：我认为这次假期还可以。
情感：

输出：中性

特点：提供少量示例（1-shot, 3-shot 等）帮助模型理解任务模式。

示例：

'whatpu'是坦桑尼亚的一种小型毛茸茸的动物。一个使用 whatpu 这个词的句子的例子是：我们在非洲旅行时看到了这些非常可爱的 whatpus。
'farduddle'是指快速跳上跳下。一个使用 farduddle 这个词的句子的例子是：

输出：当我们赢得比赛时，我们都开始庆祝跳跃。

对于更困难的任务，可以增加演示数量（如 5-shot、10-shot），但需注意上下文窗口限制。

特点：通过中间推理步骤实现复杂推理能力。将问题分解为逐步推导的过程。