01  提示工程介绍

提示工程（Prompt工程）是创建提示或询问或指令的过程，以引导像ChatGPT这样的语言模型的输出。它允许用户控制模型的输出并生成适合其特定需求的文本。

ChatGPT是一种最先进的语言模型，能够生成类似人类的文本。它建立在Transformer架构上，能够处理大量数据并生成高质量的文本。

然而，为了从ChatGPT中获得最佳结果，了解如何正确引导模型非常重要。

提示允许用户控制模型的输出并生成相关、准确和高质量的文本。

在使用ChatGPT时，了解其能力和限制非常重要。

该模型能够生成类似人类的文本，但如果没有正确的指导，它可能无法始终产生期望的输出。

这就是提示工程的作用，通过提供清晰而具体的提示，您可以引导模型的输出并确保其相关。

提示公式是指提示的特定格式，通常由三个主要元素组成：

任务：对提示要求模型生成的内容进行清晰而简明的陈述。

指令：生成文本时模型应遵循的指示。

角色：模型在生成文本时应扮演的角色。

在本文中，我们将探讨可以与ChatGPT一起使用的各种提示工程技术。我们将讨论不同类型的提示以及如何使用它们来实现您想要的特定目标。

02  指示提示技术

现在，让我们开始探讨“指示提示技术”以及它如何用于从ChatGPT中生成高质量的文本。

指示提示技术是通过为模型提供具体指示来引导ChatGPT的输出的一种方式。这种技术对于确保输出的相关性和高质量非常有用。

要使用指示提示技术，您需要为模型提供清晰简洁的任务，以及具体的指示来引导模型执行。

例如，如果您要生成客户服务回复，则可以提供一个任务，如“生成对客户查询的回复”，以及指示，如“回复应该专业并提供准确的信息”。

提示公式：“根据这些指示生成[任务]：[指示]”

例如：

生成客户服务回复：

任务：生成对客户查询的回复

指示：回复应该专业并提供准确的信息

提示公式：“根据这些指示生成专业准确的对客户查询的回复：回复应该专业并提供准确的信息。”

生成法律文件：

任务：生成一份法律文件

指示：文件应符合相关法律法规

提示公式：“根据这些指示生成一份符合相关法律法规的法律文件：文件应符合相关法律法规。”

在使用指示提示技术时，需要记住指示应该清晰明确。这将有助于确保输出相关且高质量。指示提示技术可以与下一章节中解释的“角色提示”和“种子词提示”相结合，以增强ChatGPT的输出。

03  角色提示

角色提示技术是一种通过为模型提供特定角色来引导ChatGPT输出的方法。这种技术有助于生成针对特定上下文或受众量身定制的文本。

要使用角色提示技术，您需要为模型提供一个明确具体的角色。例如，如果您正在生成客户服务响应，您可以提供一个角色，如“客户服务代表”。

提示公式：“作为[角色]，生成[任务]”

例子：生成客户服务响应：

任务：生成对客户问题的回复

角色：客户服务代表

提示公式：“作为客户服务代表，生成对客户问题的回复。”

生成法律文件：

任务：生成法律文件

角色：律师

提示公式：“作为律师，生成法律文件。”

使用角色提示技术与指令提示和种子词提示结合使用可以增强ChatGPT的输出。以下是如何结合使用指令提示、角色提示和种子词提示技术的示例：

任务：为新智能手机生成产品描述

指令：描述应该是信息性的、有说服力的，突出智能手机的独特特点

角色：市场代表

种子词：“创新”

提示公式：“作为市场代表，生成一份信息性、有说服力的产品描述，突出新智能手机的创新特点。该智能手机具有以下特点[插入您的特点]。”

在这个例子中，指令提示用于确保产品描述是信息性的和有说服力的。角色提示用于确保描述是从市场代表的角度书写的。种子词提示用于确保描述重点关注智能手机的创新特点。

04  标准提示

标准提示是一种简单的方式，通过提供一个特定的任务来引导ChatGPT生成相应的文本。例如，如果你想要生成一篇新闻文章的摘要，你可以提供一个任务，比如“总结这篇新闻文章”。

提示公式：“生成一个[任务]”

例如，生成一篇新闻文章的摘要：

任务：总结这篇新闻文章

提示公式：“生成这篇新闻文章的摘要”

生成一篇产品评论：

任务：撰写一篇新款智能手机的评论

提示公式：“生成这款新智能手机的评论”

另外，标准提示也可以和其他技巧结合使用，比如角色提示和种子词提示，来增强ChatGPT的输出效果。

以下是一个示例，展示了标准提示、角色提示和种子词提示技巧如何结合使用：

任务：为一款新款笔记本电脑撰写产品评论

指导：评论应该客观、信息丰富，并突出该笔记本电脑的独特功能

角色：技术专家

种子词：“强大”

提示公式：“作为一名技术专家，生成一篇客观而且信息丰富的产品评论，突出这款新笔记本电脑的强大功能。”

在这个示例中，标准提示技巧用于确保模型生成一篇产品评论。角色提示用于确保评论是从技术专家的角度撰写的。种子词提示用于确保评论集中于笔记本电脑的强大功能。

05  小样本示例提示

小样本（零样本、单样本）示例提示是用于使用ChatGPT生成文本的技术，其中几乎没有或没有示例可用。当特定任务的数据有限或任务是新的且定义不清时，这些技术非常有用。

当没有任务示例可用时，使用零样本示例提示技术。为模型提供一般任务，它基于其对任务的理解生成文本。

当只有一个任务示例可用时，使用单样本示例提示技术。为模型提供示例并基于其对示例的理解生成文本。

当有少量任务示例可用时，使用少样本示例提示技术。为模型提供示例并基于其对示例的理解生成文本。

提示公式：“基于 [数量] 个示例生成文本”

例如：

如果没有任何示例可用，则生成新产品的产品描述：

任务：为新的智能手表编写产品描述

提示公式：“基于零个示例为此新智能手表生成产品描述”

如果只有一个示例可用，则进行产品比较：

任务：将新款智能手机与最新的 iPhone 进行比较

提示公式：“基于一个示例（最新的 iPhone）比较此新智能手机的产品”

如果只有少量示例可用，则生成产品评论：

任务：为新电子阅读器撰写评论

提示公式：“基于少量示例（另外 3 个电子阅读器）为此新电子阅读器生成评论”

这些技术可用于生成基于模型对任务或提供的示例的理解的文本。

06  “让我们思考一下”提示语

“让我们思考一下”提示是一种鼓励ChatGPT生成反思性和沉思性文本的技术。这种技术适用于写作文章、诗歌或创意写作等任务。

“让我们思考一下”提示的公式是简单的短语“让我们思考一下”后面跟着一个主题或问题。

例如：

生成一篇反思性文章：

任务：就个人成长这个话题写一篇反思性文章

提示公式：“让我们思考一下：个人成长”

生成一首诗：

任务：写一首关于季节变化的诗

提示公式：“让我们思考一下：季节变化”

这个提示是在要求一个特定的话题或思想的对话或讨论。演讲者邀请ChatGPT参与关于手头主题的对话。

然后，模型使用其训练数据和算法生成与提示相关的回复。这种技术允许ChatGPT根据提供的提示生成相关的、连贯的文本。

要使用“让我们思考这个提示”技术与ChatGPT，您可以遵循以下步骤：

确定您想要讨论的主题或思想。

制定一个清楚表明主题或思想的提示，并开始对话或文本生成。

在提示前加上“让我们思考”或“让我们讨论”，表示您正在开始对话或讨论。

以下是一些使用此技术的提示示例：

提示：“让我们思考气候变化对农业的影响”

提示：“让我们讨论当前人工智能的现状”

提示：“让我们谈谈远程工作的利弊”

您还可以添加一个开放性的问题、陈述或一段您希望模型继续或延伸的文本。

提供提示后，模型将使用其训练数据和算法生成与提示相关的响应，并以连贯的方式继续对话。

这个独特的提示可以帮助ChatGPT从不同的角度和角度给出答案，从而产生更加动态和信息丰富的段落。

使用该提示的步骤简单易行，可以真正在您的写作中产生巨大的差异。不妨试一试，看看效果如何。

07  自一致性提示

自一致性提示是一种技术，用于确保ChatGPT的输出与所提供的输入一致。这种技术对于任务如事实核查、数据验证或文本生成中的一致性检查非常有用。

自一致性提示的提示公式是输入文本，后跟指示“请确保以下文本自我一致”。

或者，可以提示模型生成与提供的输入一致的文本。

提示示例及其公式：

示例1：文本生成

任务：生成产品评论

说明：评论应与输入中提供的产品信息一致

提示公式：“生成一篇与以下产品信息一致的产品评论[插入产品信息]”

示例2：文本摘要

任务：总结一篇新闻文章

说明：摘要应与文章中提供的信息一致

提示公式：“以与提供的信息一致的方式总结以下新闻文章[插入新闻文章]”

示例3：文本完成

任务：完成一个句子

说明：完成应与输入中提供的上下文一致

提示公式：“以与提供的上下文一致的方式完成以下句子[插入句子]”

输入文本：“文章称该城市的人口为500万，但后来又说人口为700万。”

示例4：

事实核查：

任务：检查给定新闻文章的一致性

输入文本：“文章称该城市的人口为500万，但后来又说人口为700万。”

提示公式：“请确保以下文本自我一致：文章称该城市的人口为500万，但后来又说人口为700万。”

数据验证：

任务：检查给定数据集的一致性

输入文本：“数据显示7月的平均温度为30度，但最低温度记录为20度。”

输入文本：“数据显示7月的平均温度为30度，但最低温度记录为20度。”

提示公式：“请确保以下文本自我一致：数据显示7月的平均温度为30度，但最低温度记录为20度。”

08  种子词提示

种子词提示是一种通过提供特定的种子词或短语来控制ChatGPT输出的技术。

种子词提示的提示公式是种子词或短语，后跟指令“请根据以下种子词生成文本”。

示例：

文本生成：

任务：生成一篇关于龙的故事

种子词：“龙”

提示公式：“请根据以下种子词生成文本：龙”

语言翻译：

任务：将一句英语句子翻译成西班牙语

种子词：“你好”

提示公式：“请根据以下种子词生成文本：你好”

这种技术允许模型生成与种子词相关的文本并扩展它。这是控制模型生成文本与某个特定主题或上下文相关的方式。

种子词提示可以与角色提示和指令提示相结合，以创建更具体和有针对性的生成文本。

通过提供种子词或短语，模型可以生成与该种子词或短语相关的文本，并通过提供有关期望输出和角色的信息，模型可以以与角色或指令一致的特定风格或语气生成文本。这允许更好地控制生成的文本，对于各种应用非常有用。

以下是提示示例及其公式：

示例1：文本生成

任务：生成一首诗

说明：诗应与种子词“爱”相关，并以十四行诗的风格书写。

角色：诗人

提示公式：“以诗人的身份生成与种子词“爱”相关的十四行诗。”

示例2：文本完成

任务：完成一个句子

说明：完成应与种子词“科学”相关，并以研究论文的风格书写。

角色：研究人员

提示公式：“以研究人员的身份，在与种子词‘科学’相关的研究论文风格中完成以下句子。”

示例3：文本摘要

任务：摘要一篇新闻文章

说明：摘要应与种子词“政治”相关，并以中立和公正的语气书写。

角色：记者

提示公式：“以记者的身份，用中立和公正的语气摘要以下新闻文章，与种子词“政治”相关。”

09  知识生成提示

知识生成提示是一种用于从ChatGPT中获取新的和原创的信息的技术。

知识生成提示的提示公式是“请生成关于X的新的和原创的信息”，其中X是感兴趣的主题。

这是一种利用模型的现有知识生成新信息或回答问题的技术。

要使用这个提示与ChatGPT，模型应该提供一个问题或主题作为输入，以及一个指定生成文本任务或目标的提示。提示应包括有关所需输出的信息，例如要生成的文本类型和任何特定要求或约束。

以下是提示示例及其公式：

示例1：知识生成

任务：生成有关特定主题的新信息

说明：生成的信息应准确且与主题相关

提示公式：“生成有关[具体主题]的新且准确的信息”

示例2：问题回答

任务：回答一个问题

说明：答案应准确且与问题相关

提示公式：“回答以下问题：[插入问题]”

示例3：知识整合

任务：将新信息与现有知识整合

说明：整合应准确且与主题相关

提示公式：“将以下信息与[具体主题]的现有知识整合：[插入新信息]”

示例4：数据分析：

任务：从给定的数据集中生成有关客户行为的见解

提示公式：“请从此数据集生成有关客户行为的新和原创信息”

10  知识整合提示

该技术利用模型的现有知识来整合新信息或连接不同的信息。这种技术有助于将现有知识与新信息相结合，生成更全面的特定主题的理解。

如何在ChatGPT中使用：

应该向模型提供新信息和现有知识作为输入，以及指定生成文本的任务或目标的提示。提示应包括关于期望输出的信息，例如要生成的文本类型以及任何特定的要求或限制。

提示示例及其公式：

示例1：知识整合

任务：将新信息与现有知识整合

说明：整合应准确、与主题相关

提示公式：“将以下信息与关于[特定主题]的现有知识整合：[插入新信息]”

示例2：连接信息片段

任务：连接不同的信息片段

说明：连接应相关和逻辑性

提示公式：“以相关和逻辑性的方式连接以下信息片段：[插入信息1] [插入信息2]”

示例3：更新现有知识

任务：使用新信息更新现有知识

说明：更新后的信息应准确且相关

提示公式：“使用以下信息更新有关[特定主题]的现有知识：[插入新信息]”

11  多项选择提示

该技术向模型提供一个问题或任务以及一组预定义的选项作为潜在答案，生成文本被限制在特定的选项集合中，适用于问答、文本补全和其他任务。模型可以生成限制在预定义选项的文本。

要使用ChatGPT的多选提示，模型应该提供一个问题或任务作为输入，同时提供一组预定义的选项作为潜在答案。提示还应包括有关所需输出的信息，例如要生成的文本类型以及任何特定的要求或限制。

提示示例及其公式：

例1：问答

任务：回答一个多项选择题

说明：答案应该是预定义选项之一

提示公式：“通过选择以下选项之一回答以下问题：[插入问题][插入选项1][插入选项2][插入选项3]”

例2：文本补全

任务：使用预定义选项完成一句话

说明：完成应该是预定义选项之一

提示公式：“通过选择以下选项之一完成以下句子：[插入句子][插入选项1][插入选项2][插入选项3]”

例3：情感分析

任务：将文本分类为正面、中性或负面

说明：分类应该是预定义选项之一

提示公式：“通过选择以下选项之一将以下文本分类为正面、中性或负面：[插入文本][正面][中性][负面]”

12  解释性软提示章节

解释性软提示是一种技术，它允许控制模型生成的文本同时为模型提供一些灵活性。这是通过向模型提供一组受控输入和有关所需输出的附加信息来完成的。这种技术可以生成更可解释和可控的生成文本。

提示示例及其公式：

示例1：文本生成

任务：生成一个故事

说明：故事应基于给定的角色和特定主题

提示公式：“根据以下角色[插入角色]和主题[插入主题]生成一个故事。”

示例2：文本完成

任务：完成一个句子

说明：完成应符合特定作者的风格

提示公式：“以[特定作者]的风格完成以下句子：[插入句子]。”

示例3：语言建模

任务：以特定风格生成文本

说明：文本应符合特定时期的风格

提示公式：“以[特定时期]的风格生成文本：[插入上下文]。”

13  控制生成提示

控制生成提示是一种技术，允许在输出文本上具有高度控制。

这是通过向模型提供特定的输入，例如模板、特定的词汇表或一组约束条件来实现的，这些输入可用于指导生成过程。

以下是一些提示示例及其公式：

示例1：文本生成

任务：生成一个故事

说明：故事应基于一个特定的模板

提示公式：“根据以下模板生成故事：[插入模板]”

示例2：文本完成

任务：完成一个句子

说明：完成应使用特定的词汇表

提示公式：“使用以下词汇表完成以下句子：[插入词汇表]：[插入句子]”

示例3：语言建模

任务：以特定风格生成文本

说明：文本应遵循特定的语法规则

提示公式：“生成符合以下语法规则的文本：[插入规则]：[插入上下文]”

通过为模型提供可用于指导生成过程的特定输入集，控制生成提示允许更可控和可预测的生成文本。

14  问题回答提示

问题回答提示是一种技术，允许模型生成回答特定问题或任务的文本。这可以通过将问题或任务以及可能与问题或任务相关的任何其他信息提供给模型作为输入来实现。

一些提示示例及其公式如下：

示例1：事实性问题回答

任务：回答一个事实性问题

说明：答案应准确且相关

提示公式：“回答以下事实性问题：[插入问题]”

示例2：定义

任务：提供一个词的定义

说明：定义应精确

提示公式：“定义以下单词：[插入单词]”

示例3：信息检索

任务：从特定来源检索信息

说明：检索到的信息应相关

提示公式：“从以下来源检索有关[特定主题]的信息：[插入来源]”

这对于诸如问答和信息检索等任务非常有用。

15  摘要提示

摘要提示（Summarization prompts）是一种技术，它允许模型生成给定文本的缩短版本，同时保留其主要思想和信息。通过提供较长的文本作为输入，并要求模型生成该文本的摘要，实现这一目的。这种技术对于文本摘要和信息压缩等任务非常有用。

如何与ChatGPT一起使用：

应向模型提供较长的文本作为输入，并要求其生成该文本的摘要。提示还应包括有关所需输出的信息，例如摘要的所需长度和任何特定要求或约束条件。

提示示例及其公式：

示例1：文章摘要

任务：摘要一篇新闻文章

说明：摘要应是文章主要观点的简要概述

提示公式：“在一句话中总结以下新闻文章：[插入文章]”

示例2：会议记录

任务：摘要会议记录

说明：摘要应突出会议中的主要决定和行动

提示公式：“通过列出所采取的主要决定和行动，总结以下会议记录：[插入记录]”

示例3：书籍摘要

任务：摘要一本书

说明：摘要应是该书主要观点的简要概述

提示公式：“在一个简短的段落中总结以下书籍：[插入书名]”

16  对话提示

对话提示是一种技术，它允许模型生成模拟两个或多个实体之间的对话的文本。通过提供模型的上下文和一组角色或实体，以及他们的角色和背景，要求模型生成他们之间的对话。因此，模型需要提供上下文和一组角色或实体，以及他们的角色和背景。模型还需要提供关于所需输出的信息，例如对话或对话类型以及任何特定要求或约束。

提示示例及其公式：

示例1：对话生成

任务：生成两个角色之间的对话

说明：对话应该自然且与给定的上下文相关

提示公式：“在以下上下文中生成以下角色之间的对话[插入角色]”

示例2：故事写作

任务：在故事中生成对话

说明：对话应与故事的人物和事件一致

提示公式：“在以下故事中生成以下角色之间的对话[插入故事]”

示例3：Chatbot开发

任务：为客户服务Chatbot生成对话

说明：对话应专业并提供准确信息

提示公式：“当客户询问[插入主题]时，为客户服务聊天机器人生成专业且准确的对话。”

因此，该技术对于对话生成，故事写作和聊天机器人开发等任务非常有用。

17  对抗提示

对抗提示（Adversarial prompts）是一种技术，允许模型生成对抗特定类型攻击或偏见的文本。这种技术可以用于训练更加强大和抵抗特定类型攻击或偏见的模型。

要使用ChatGPT的对抗提示，应为模型提供一个提示，该提示被设计为难以生成符合所需输出的文本。提示还应包括有关所需输出的信息，例如要生成的文本类型和任何特定的要求或约束条件。

提示示例及其公式：

示例1：文本分类的对抗提示

任务：生成被分类为特定标签的文本

说明：生成的文本应难以分类为特定标签

提示公式：“生成难以分类为[插入标签]的文本”

示例2：情感分析的对抗提示

任务：生成难以分类为特定情感的文本

说明：生成的文本应难以分类为特定情感

提示公式：“生成难以分类为具有[插入情感]情感的文本”

示例3：语言翻译的对抗提示

任务：生成难以翻译的文本

说明：生成的文本应难以翻译成目标语言

提示公式：“生成难以翻译为[插入目标语言]的文本”

因此，这种技术对于任务如对抗生成、文本分类和语言翻译等非常有用。

18  聚类提示

聚类提示是一种让模型根据某些特征将相似的数据点分组的技术。通过提供一组数据点，要求模型根据某些特征将它们分组成簇。这种技术适用于数据分析、机器学习和自然语言处理等任务。

应该向模型提供一组数据点，并要求根据某些特征将它们分组成簇。提示还应包含关于所需输出的信息，例如要生成的簇的数量和任何特定的要求或限制。

如何在ChatGPT中使用：

应该向模型提供一组数据点，并要求根据某些特征将它们分组成簇。提示还应包含关于所需输出的信息，例如要生成的簇的数量和任何特定的要求或限制。

提示示例及其公式：

示例1：客户评论的聚类

任务：将相似的客户评论分组在一起

说明：评论应基于情感进行分组

提示公式：“将以下客户评论根据情感分组成簇：[插入评论]”

示例2：新闻文章的聚类

任务：将相似的新闻文章分组在一起

说明：文章应基于主题进行分组

提示公式：“将以下新闻文章根据主题分组成簇：[插入文章]”

示例3：科学论文的聚类

任务：将相似的科学论文分组在一起

说明：论文应基于研究领域进行分组

提示公式：“将以下科学论文根据研究领域分组成簇：[插入论文]”

（完）