企业prompt工程业务实践总结

prompt工程总结

@(作者:朝天椒)[WeChat:skyloving123||公众号:财天椒]


文章目录

  • prompt工程总结
    • prompt介绍
    • prompt创建技巧

prompt介绍

  • Prompt 工程是创建提示或指导像 ChatGPT 这样的语言模型输出的过程。它允许用户控制模型的输出并生成符合其特定需求的文本。
  • prompt的设计一定要有逻辑和系统性,现在大模型对于文本的分类、抽取、生成、理解等nlp任务都特别的强大,在通用的领域里面基本不会比传统的模型效果差,但是受限于gpu资源和预算,目前对于大规模的任务很多都是通过大模型进行样本的修正和标注,在用小模型进行在线部署,后续如果性能提高、费用降低很多之前的小模型都会基于大模型进行任务的处理。
  • prompt的三要素:
  • 任务:对提示要求模型生成的内容进行清晰而简洁的陈述。
  • 指令:在生成文本时模型应遵循的指令。
  • 角色:模型在生成文本时应扮演的角色。
  • 对于prompt来说,最为重要的几个点,就是上面的三个要素,在设计prompt时,一定需要表达明确和具体,从而使得整体prompt逻辑顺畅。

prompt创建技巧

  • prompt通用提示词
  • 生成、总结、严格按照、提取、xx专家
  • 提示技巧
  • 具体的模板为:按照以下指示生成[任务]:[指令]
  • 其中任务指的是具体的目标,指令指的是生成目标的要求
  • 具体的例子:按照以下指示生成【符合相关法律法规的法律文件】:【文件应符合相关法律法规】
  • 角色技巧
  • 具体的模板为:作为[角色]生成[任务]
  • 其中角色指的是在生产任务时某个领域的专家,任务就是具体的目标
  • 具体的例子:作为【律师】,生成【法律文件】
  • 提示+角色
  • 将上述两个技巧结合起来的具体例子如下所示:
  • 任务:为新智能手机生成产品描述
  • 指令:描述应该是有信息量的,具有说服力,并突出智能手机的独特功能
  • 角色:市场代表 种子词:“创新的”
  • 提示公式:作为市场代表,生成一个有信息量的、有说服力的产品描述,突出新智能手机的创新功能。该智能手机具有以下功能【插入您的功能】
  • 对比提示
  • 具体的模板为:基于[数量]个示例生成文本,这种方式可以使得模型聚焦到某一个点上,大幅提升模型对文本的理解能力,在特定的任务上使用比较多
  • 其中数量为某一个任务的现实存在的对比对象
  • 使用少量示例【3个其他电子阅读器】为这款新电子阅读器生成评论
  • 思考提示
  • 具体的模板:【让我们思考|讨论|谈谈|等一下】+ 任务,该方法在用于生成式内容中比较常用,可以模拟一个人去思考具体的任务,在相对推理的提示中用的比较多
  • 具体的例子:【让我们讨论】人工智能的当前状态
  • 自洽提示
  • 用于确保ChatGPT的输出与提供的输入一致。这种技术对于事实核查、数据验证或文本生成中的一致性检查等任务非常有用。
  • 具体公式:【生成】与以下产品信息一致的产品评论【插入产品信息】
  • 具体例子:以与提供的上下文一致的方式完成以下句子【插入句子】
  • 任务:检查给定新闻文章的一致性
    输入文本:“文章中陈述该城市的人口为500万,但后来又说该城市的人口为700万。”
    提示公式:“请确保以下文本是自洽的:文章中陈述该城市的人口为500万,但后来又说该城市的人口为700万。”
  • 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
  • 具体的模板:请根据以下【种子词】生成文本
  • 具体例子:作为研究员,请在与种子词“科学”相关且以研究论文的形式书写的情况下完成以下句子:【插入句子】
  • 整合提示
  • 这种方法的具体作用用于将当前的信息和目前已经存在的信息进行融合到一起,生成新的信息的过程
  • 具体公式:将以下信息与关于[具体主题]的现有知识整合:[插入新信息]
  • 多项式提示
  • 这种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,通过这种方法可以取代传统技术来进行文本分类的技术
  • 具体的模板: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]
  • 通过改写上述的模板,增加每个选项的解释,和输出要求就可以得到使用gpt进行文本分类的效果,而且准确率都比较高
  • 控制提示
  • 控制生成提示是一种技术,可让模型在生成文本时对输出进行高度控制。该方法在文本生成的时候特别的适用,通过设计一个生成模板,使得生成的内容按照一定的逻辑进行输出
  • 具体的模板:生成遵循以下语法规则的文本:[插入规则]:[插入上下文]
  • 抽取提示
  • 允许模型在保留其主要思想和信息的同时生成给定文本的较短版本。该方法主要应用在文本的摘要生成中,通过设计对长文本进行主题思想的提取得到想要的核心内容
  • 具体模板:【规则】+【文章】
  • 这种方法在目前的文本摘要抽取中用的比较多,具体会和控制提示一起连用,用控制提示来制定抽取的规则
  • 对抗提示
  • 它允许模型生成抵抗某些类型的攻击或偏见的文本,种技术可用于训练更为稳健和抵抗某些类型攻击或偏见的模型。
  • 具体模板:生成难以分类为【插入标签】的文本
  • 这种方法通常用来进行传统分类模型的样本微调,通过gpt生成大量传统模型无法进行分类的样本,从而丰富传统模型的样本,使得模型的样本更加丰富,最后提升传统模型的鲁棒性
  • 聚类提示
  • 聚类提示是一种技术,它可以让模型根据某些特征或特点将相似的数据点分组在一起,这种方法可以取代传统的基于机器学习聚类的方法
  • 具体的模板:将以下新闻文章根据主题分组成簇:【插入文章】
  • 该方法通常和控制提示一起连用,将控制提示作为聚类的解释说明和游戏规则进行设计
  • 强化学习提示
  • 强化学习提示是一种技术,可以使模型从过去的行动中学习,并随着时间的推移提高其性能
  • 具体模板:使用强化学习将以下文本[插入文本]从[插入语言]翻译成[插入语言]
  • 这种方法在于想要生成与之对应的文本风格
  • ner提取学习
  • ner模型在文本理解和抽取里面是一个比较重要的模型,目前基于gpt进行ner的抽取相对传统的方法准确率基本不会差
  • 具体模板:[插入文章]上执行命名实体识别,并识别和分类人名、组织机构、地点和日期

你可能感兴趣的:(企业级NLP项目,prompt,nlp,自然语言处理,深度学习,语言模型)