分享OpenAI官方发布的prompt提示工程指南
作者： AI洞察笔记 来源： AI洞察笔记
提示词的重要性不言而喻，今天看到官方发布的这篇新的提示工程技巧，分享给有需要的你。
OpenAI 官网发布的提示工程指南，分享了如何更有效地利用像如 GPT-4 这样的大语言模型来获得更好的结果。
另外，这份指南的示例主要针对 GPT-4 模型，但理论上来说也适用其他模型。其中主要有六个策略，每个策略下再有具体的技巧。
策略一：撰写清晰的指令
这些模型并不会读心术，无法猜到你的想法。如果模型的输出内容过长，你可以要求它简短回答。如果模型输出内容过于简单，你可以要求使用更专业的水平写作。如果你对输出格式不满意，可以直接展示你期望的格式。最好就是让模型不需要去猜你想要什么，这样你最有可能获得想要的结果。
技巧：
- 在查询中添加详细信息，以获得更准确的答案 - 请求模型扮演特定角色 - 使用分隔符来清晰区分输入的不同部分 - 明确指出完成任务需要的步骤 - 提供实例作为参考 - 明确指定希望输出的长度
技巧：在你的查询中包含详尽的信息，以获取更为准确的答案
为了得到更准确的回答，确保你的提问中包含了所有重要的细节和背景信息。否则你就是在让模型猜测你的意图。
较差的提问 较好的提问
我该如何在 Excel 中进行加法计算？ 我该如何在 Excel 中自动计算一行中的美元总额？我想要的是自动为整张表格的每行进行计算，最终所有的总计数都显示在右侧名为“总计”的列中。
当前的总统是谁？ 2021 年，谁是墨西哥的总统？墨西哥的选举是多久举行一次的？
编写一个计算斐波那契序列的代码。 编写一个 TypeScript 函数，用以高效计算斐波那契序列。请详细注释代码，解释每部分代码的作用以及为何这样编写。
总结一下会议记录。 请用一个段落总结会议记录。接着，用 markdown 列表的形式列出所有发言者及其关键观点。最后，如果有的话，列出发言者提出的下一步计划或建议的行动项。
技巧：让模型扮演一个角色
通过系统消息，我们可以指定模型在回答中所扮演的角色。
系统 当我请求帮助撰写某些内容时，你的回答中每个段落至少应包含一个幽默的笑话或俏皮的评论。
用户 请写一封感谢信给我的钢螺栓供应商，感谢他们及时且在短时间内的急速交付。正是由于他们的及时交付，我们才能按时完成一个重要的订单。
技巧：利用分隔符清晰区分输入的不同部分
使用三重引号、XML 标签、章节标题等作为分隔符，能够有效地区别并处理不同的文本内容。
用户 请使用三重引号中的文本进行总结，并用俳句的形式表达。
“““输入文本”””
系统 你将会接收到两篇关于相同主题的文章（用 XML 标签分隔）。首先分别总结这两篇文章的主要论点。接着评价哪篇文章的论据更具说服力，并说明理由。
用户
系统 你将获得一篇论文的摘要和一个建议的标题。论文标题应该能让读者对论文的主题有个清晰的认识，同时也要足够吸引人。如果现有的标题不够吸引人或不够明确，那么请提出五个备选标题。
用户 摘要：输入摘要
标题：输入标题 对于诸如此类的简单任务，使用分隔符可能不会对输出质量产生影响。但任务越复杂，就越需要清楚地区分每个任务的细节，以避免混淆。要让模型很准确地理解你究竟需要什么。
技巧：明确说明完成任务所需的每个步骤
对于某些任务，最好将其分解成一系列明确的步骤。将步骤清晰地写出来，可以帮助模型更有效地遵循指令。
系统 请按照以下步骤来回应用户的输入。
第 1 步 - 用户会给你提供带有三重引号的文本。请将这段文本总结为一句话，并以“摘要：”作为前缀。
第 2 步 - 将第 1 步中的摘要翻译成西班牙语，并以“翻译：”作为前缀。
技巧：提供示例
通常，给出适用于所有情况的通用指导比展示各种任务示例更高效。但在某些情况下，通过提供具体示例来说明可能更直观。比如，你想让模型学习某种特定的回应方式，这种方式可能难以用语言明确描述，这就是所谓的“少样本 (Few-shot)”提示方法。
策略二：提供参考文本
语言模型可能会自信地编造出虚假答案，特别是当回应一些深奥主题或被要求提供引文和 URLs 时。就像学生在考试中借助笔记能够帮助其取得更好的成绩一样，为这类模型提供参考文本也可减少其制造虚假信息的情况。
技巧：
- 引导模型根据参考文本回答问题 - 引导模型根据参考文本中的引用信息回答问题
这块讲的就是少样本提示的内容，详细的可以参考之前的这篇文章：普通人如何轻松提问AI，一步到位写出动人散文
策略三：把复杂的任务拆分成简单的子任务
就像在软件工程中，我们会习惯于把复杂的系统分解成一套模块化的组件，对于提交给语言模型的任务也是同样的道理。相较于简单的任务，复杂任务的错误率往往会更高。而更进一步，我们常常可以把这些复杂任务重新设定为一系列的工作流程，每一个流程就是一个更简单的任务，而且这些任务之间是相互联系的，前一个任务的输出会作为后一个任务的输入。
技巧：
- 利用意图分类识别用户查询中最相关的指令 - 对于需要长时间对话的对话应用，总结或筛选先前的对话内容 - 分步总结长文档，并递归地构建完整的总结
策略四：给模型更多时间“思考”
如果被要求计算 17 乘以 28，我们可能不能立即给出答案，但可以花一些时间逐步计算出结果。同样，在 AI 模型试图立刻回答问题时，往往比理性思考后再做出回答更容易出错。所以，在模型给出答案之前，要求其展示一下"思考过程"，有助于模型更可靠地推导出正确的答案。
技巧：
- 在仓促做出结论前，指导模型自己寻找解决方法 - 通过内心独白或连串问题来掩盖模型的思考过程 - 问模型在之前的步骤中是否有遗漏
策略五：运用外部工具
为了弥补模型的不足，我们可以利用其他工具的输出作为输入。例如，文本检索系统（有时被称为 RAG 或检索增强生成系统）可以向模型提供相关文档的信息。像 OpenAI 的代码执行引擎这样的工具，可以帮助模型进行数学运算和代码执行。如果某项任务通过工具来完成能比通过语言模型更可靠或更高效，那么就把任务交给这个工具处理，这样就能结合两者长处，达到最佳效果。
技巧：
- 运用基于嵌入的搜索来高效实现知识检索 - 利用代码执行进行更精确的计算或调用外部 API - 使模型能够访问特定功能
策略六：系统地对变更进行测试
如果能对性能进行量化，那么就能更好地提高性能。有时，对提示词的修改在少数特定例子上可能表现更佳，但在更具普遍性的样本集上可能会导致整体性能下降。因此，为了确保改动对总体性能产生积极的影响，可能需要设计一份全方位的测试（也被称为"评估"）。
技巧：
- 根据标准答案的参考评估模型输出效果
对于上面提到的每一种技巧，都有非常详细的参考示例。
官网原文链接：
https://platform.openai.com/docs/guides/prompt-engineering/strategy-write-clear-instructions
精彩回顾
1. 从 ChatGPT 系统提示中，分享几个拿来就能用的prompt提示工程技巧
欢迎分享、在看、点赞
更多AI工具，参考Github-AiBard123，国内AiBard123
