作者： 叶赛文 来源： 叶赛文

内容简介：

在2023年11月举行的新加坡首届GPT-4提示工程大赛中，张席拉（Sheila Teo）获得了冠军，并在这篇文章中，阐述了个人对提示词的心得体会。

她的文章里，写了4种提示词方法。

原文较长，拆分为了4部分。本文是第三部分——系统提示是什么，什么时候用到系统提示。

读完本节，会对GPT的自定义指令(Custom Instructions)，会有更深入的了解。

原作者：张席拉（Sheila Teo），发布于medium。叶赛文编译。

unsetunset3. [🔴] 创设带有LLM安全框架的系统提示unsetunset

在深入探讨之前，需要注意的是，本节内容仅适用于带有系统提示功能的LLM，这与本文的其他部分不同，其他部分适用于所有LLM。显然，最知名的带有此功能的LLM是GPT，因此我们将以GPT为例来说明本节内容。

系统提示的相关术语

首先，我们来厘清一下术语：就GPT而言，有许多资源几乎可以互换地使用以下三个术语：“系统提示(System Prompts)”、“系统消息(System Messages)”和“自定义指令(Custom Instructions)”。

这些术语让许多人（包括我自己）都感到困惑，因此OpenAI发布了一篇文章来解释这些术语。以下是它的简要总结：

• “系统提示(System Prompts)”和“系统消息(System Messages)”是在通过Chat Completions API以编程方式与GPT交互时使用的术语。

• 而“自定义指令(Custom Instructions)”则是在通过https://chat.openai.com/ 的用户界面与GPT交互时使用的术语。

然而，这三个术语实际上是指同一事物，所以不要被术语困扰！

在本节中，我们将统一使用“系统提示(System Prompts)”这个术语。现在，让我们深入了解！

什么是系统提示(System Prompts)？

系统提示是你提供的额外提示，指导LLM应如何行为。它被认为是额外的，因为它超出了你向LLM提供的“正常”提示（更常被称为用户提示）。

在一次对话中，每当你提出一个新的提示时，系统提示就像一个过滤器，LLM会在给出对你新提示的回应之前自动应用它。这意味着每次LLM在对话中回应时，都会考虑到系统提示。

何时应该使用系统提示(System Prompts)？

你可能会想：既然我可以在与LLM的新对话开始之前的第一个提示中提供指令，那我为什么要在系统提示中提供指令呢？

答案是因为LLM的对话记忆是有限的。在后一种情况下，随着对话的进行，LLM可能会“忘记”你最初提供的提示，导致这些指令变得无效。

另一方面，当指令在系统提示中提供时，这些系统提示指令将自动与聊天中提供的每个新提示一起考虑。这确保了LLM即使对话进行，无论对话变得多长，也会不断接收到这些指令。

总结：

使用系统提示(System Prompts)来提供你希望LLM在整个对话过程中记住的指令。

系统提示应包括什么？

系统提示中的指令通常包括以下几个类别：

• 任务定义，让LLM始终记住它在对话中要做什么。

• 输出格式，让LLM始终记住它应该以何种形式回应。

• 安全框架，让LLM始终记住它不应该如何回应。安全框架是LLM管理中的新兴领域，指的是LLM被允许操作的设定边界。

例如，一个系统提示可能是这样的：

你将使用这段文本回答问题：[插入文本]。

你将以这种格式回应一个JSON对象：{“Question”: “Answer”}。

如果文本没有足够的信息来回答问题，请不要捏造信息，并回答为“NA”。

你只被允许回答与[插入范围]相关的问题。绝不回答任何关于年龄、性别和宗教等人口统计信息的问题。

用表格表示这个系统提示：

任务定义你将使用这段文字回答问题：[插入文本]。

输出格式 你将以JSON对象格式回应，格式如下：{‘Question’: ‘Answer’} 。

守则（幻觉） 如果文本中没有包含足够的信息来回答问题，请不要编造信息，并且回答“N/A”。

守则（范围） 你只允许回答与[插入范围]相关的问题。永远不要回答任何与人口统计信息相关的问题，如年龄、性别和宗教信仰。

那么在“正常”的提示（“normal” prompts）中应该放入什么？

现在你可能会想：系统提示似乎已经包含了很多信息。那么我在对话中的“正常”提示（“normal” prompts，更常被称为用户提示）中还应该放些什么呢？

系统提示概括了当前的总体任务。在上述系统提示的例子中，任务被定义为只使用特定的文本来回答问题，并指导LLM以{“Question”: “Answer”}的格式回应。

你将使用这段文本回答问题：[插入文本]。你将以这种格式回应一个JSON对象：{“Question”: “Answer”}。

在这种情况下，对话中的每一个用户提示都只是你想要使用文本回答的问题。例如，一个用户提示可能是“这段文本是关于什么的？”。LLM将以{“这段文本是关于什么的？”: “这段文本是关于…"}的形式回应。

但让我们进一步概括这个任务示例。在实践中，你可能有多个文本要提问，而不仅仅是一个。在这种情况下，我们可以将上述系统提示的第一行

你将使用这段文本回答问题：[插入文本]。

改为

你将使用所提供的文本回答问题。

现在，对话中的每个用户提示将包括用于问答的文本和要回答的问题，例如：

[插入文字]

[插入问题]

这里，我们还使用XML标签作为分隔符，以结构化的方式向LLM提供两个所需的信息。XML标签中使用的名词text和question，与系统提示中使用的名词相对应，以便LLM理解标签与系统提示指令的关系。

总之，系统提示应该给出总体任务指导，每个用户提示应提供你希望任务使用的具体细节。在这个例子中，这些具体细节就是文本和问题。

额外内容：让LLM安全框架具备动态性

在上文中，通过系统提示中的几句话添加了安全框架。这些安全框架一经设置，就会固定不变，贯穿整个对话。

如果你希望在对话的不同阶段设置不同的安全框架，该怎么办呢？

对于GPT用户界面的用户来说，目前没有直接的方法可以实现这一点。然而，如果你是通过编程方式与GPT交互的用户，那么你就有幸了！对于建立有效LLM安全框架的关注不断增加，促进了开源软件包的开发，这些软件包允许你以编程方式设置更详细和动态的安全框架。

值得一提的是NVIDIA团队开发的NeMo Guardrails，它允许你配置用户与LLM之间的预期对话流程，并因此在对话的不同阶段设置不同的安全框架，实现随着对话进展而变化的动态安全框架。我强烈推荐你去了解一下！

unset

更多AI工具，参考Github-AiBard123，国内AiBard123