EmotionPrompt：让大模型“动感情”以提升性能

EmotionPrompt：让大模型“动感情”以提升性能

研究发现，通过在提示中添加情感元素，可以有效提升大模型的性能表现。这一发现为优化大模型应用提供了新的思路和方法。

此前的研究和实践已经发现，通过调整与大模型的交互方式，比如使用鼓励、催促或央求等情绪性表达，可以影响大模型的输出效果。最近，中科院软件所、微软联合北京师范大学等单位发布了一篇论文《Large Language Models Understand and Can Be Enhanced by Emotional Stimuli》，系统地探讨了这一现象。

论文链接

研究显示，简单地在提示中加入一句"这件事对我的事业至关重要"，就能让语言模型的性能提升8~15%。受此启发，研究者提出了EmotionPrompt方法，通过引入心理学理论来增强大模型的效果。这种方法操作简单，只需在初始提示中添加适当的情感元素即可。

研究基于三种常见的心理现象，设计了11种情感刺激方法（如上图左侧所示）。这些情感刺激可以分为两大类：社会效应和自我价值感。例如，EP01～EP05来源于自我监控理论，EP07～EP11则符合社会认知理论。为了探索更多的情感刺激效果，研究还构建了一种复合刺激（EP06），结合了EP01～EP03。

在24个常见任务上的测试结果显示，EmotionPrompt方法整体表现良好。但研究也指出了一些局限性：

1. 仅测试了四种大模型，实验范围有限
2. 情感刺激方法可能不适用于所有任务
3. 随着大模型的快速迭代，实验结果的可复现性无法保证

这一发现进一步证明了提示词（prompt）在大模型应用中的重要性。由于prompt使用的便利性，不论是开发者还是普通用户，都有必要了解和学习相关技巧，以便更好地利用大模型的能力。

本文原文来自字节跳动开发者社区