吴恩达和OpenAI的《面向开发者的ChatGPT提示工程》精华笔记

《ChatGPT Prompt Engineering for Developers》

 面向开发者的ChatGPT提示工程

shadow

趁着假期，学习了prompt课程，做了一些精简和关键知识点的梳理，分享给大家。

LLM 可完成的任务

包括:

总结（如总结用户评论）

推断（如情绪分类、主题提取）

转换文本（如翻译、改写）

扩展（如自动写电子邮件）

用ChatGPT总结概括https://chirper.ai/shadowai

推断 - 情感分类

转换文本，把一篇深奥的文章变成适合讲解给小朋友的故事

扩展，自动写电子邮件，介绍文章

prompt技巧

当您使用prompt调整LLM时，请考虑将prompt发送给一个聪明但不了解您任务细节的人。如果LLM不能正常工作，有时是因为prompt不够清晰。

第一个原则：编写明确和具体的指令。

第二个原则：给模型足够的时间思考。

不要混淆清晰的提示与简短的提示，因为在许多情况下，更长的提示实际上提供了更多的清晰度和上下文，这有利于LLM符合预期输出。

原则一：明确具体的指令

技巧1：使用区分符

使用分隔符，明确指示输入的不同部分。区分符可以是任何符号，比如```, """, < >, ，让模型清楚地知道哪些是独立的部分，以避免提示注入。

提示注入（Prompt Injection）是指输入中可能会与我们的指令相矛盾的用户指令，导致模型遵循用户的指令而不是我们的指令。

如果没有区分符，用户可能会添加不相关的输入，导致模型输出错误的结果。因此，使用区分符可以提高模型的准确性和稳定性。

技巧2：结构化输出

为了更容易解析模型输出，要求模型以HTML或JSON等结构化格式输出可能是有帮助的。

技巧3：是否满足条件

如果任务有一些假设并不一定满足，我们可以告诉模型先检查这些假设，如果不满足，则指出并停止任务。

技巧4：少样本提示

few-shot prompting。这种方法是在让模型执行实际任务之前，提供已经成功执行所需任务的示例。

原则二：给模型思考时间

如果你给模型一个太复杂的任务，在短时间内它可能会得到不正确的结果。

技巧1：分步骤补全

首先，我们可以使用明确的步骤来完成一个任务。在这个例子中，我们给模型提供了一个包含Jack and Jill故事的段落，并且使用明确的步骤指示模型完成四个任务：

1.首先，用一句话来概括文本

2.其次将概述翻译成法语

3.然后列出法语概述中的每个名称

4.并且输出一个JSON对象包含"French summary"和"num names"两个key。

运行这个模型后，我们可以看到模型分别完成了这四个任务，并按照我们要求的格式输出了结果。

技巧2：让模型先梳理再给结论

有时，当我们明确指示模型在得出结论之前先理清事情的顺序时，我们会获得更好的结果。

在这个问题中，我们要求模型判断学生的解答是否正确。首先，我们有这个数学问题，然后是学生的解答。

小白的prompt入门实验指南&Mixlab推荐

opus

更多提示工程技巧可以关注社群or知识星球噢~~