OpenAI官方Prompt工程指南详解：六大原则助力高效人机交互

OpenAI官方Prompt工程指南详解：六大原则助力高效人机交互

引用

CSDN

1.

https://blog.csdn.net/weixin_59191169/article/details/137587207

随着人工智能技术的不断发展，大模型在各个领域的应用越来越广泛。然而，如何有效地与大模型进行交互，使其更好地满足我们的需求，成为了许多用户关注的问题。近日，OpenAI在其官方文档中发布了Prompt engineering（提示词工程）指南，为用户提供了权威且有效的指导。本文将对这份指南进行详细解读，帮助读者掌握与大模型交互的核心技巧。

OpenAI在指南中提出了六大核心原则：

1. 写出清晰的指令
2. 提供参考文本
3. 将复杂的任务拆分为更简单的子任务
4. 给模型时间“思考”
5. 使用外部工具
6. 系统地测试变更

接下来，本文将对这些原则进行详细解读，并结合具体示例帮助读者更好地理解。

一、写出清晰的指令

这是所有原则中最核心的一条。清晰的指令能够帮助大模型更好地理解用户的需求，从而提供更准确的回复。OpenAI给出了以下六条小技巧：

1. 把话说详细：尽量提供详细的上下文信息，避免过于笼统的表述。

• 示例：不要说：“总结会议记录”，而是说：“用一个段落总结会议记录。然后写下演讲者的Markdown列表以及他们的每个要点。最后，列出发言人建议的后续步骤或行动项目（如果有）。”

2. 让模型充当某个角色：通过设定角色，使模型能够更专业地完成任务。

• 示例：让模型扮演一个喜欢讲笑话的喜剧演员，要求其在回复中加入幽默元素。

3. 使用分隔符清楚地指示输入的不同部分：使用三引号、XML标签等分隔符可以帮助模型更好地理解文本结构。

• 示例：使用三引号分隔文本：“”“在此插入文字”“”

4. 指定完成任务所需的步骤：将复杂任务分解为一系列步骤，使模型更容易完成。

• 示例：分步说明：“步骤1 - 用户将为您提供三引号中的文本。用一个句子总结这段文字，并加上前缀“Summary:”。步骤2 - 将步骤1中的摘要翻译成西班牙语，并添加前缀“翻译：”。”

5. 提供例子：通过few-shot prompt的方式，给模型提供参考示例。

• 示例：要求模型模仿特定风格：“”“落霞与孤鹜齐飞，秋水共长天一色。渔舟唱晚，响穷彭蠡之滨”“”

6. 指定输出长度：明确要求模型生成特定长度的输出。

• 示例：要求模型生成两个段落的摘要：“”“在此插入文字”“”

二、提供参考文本

通过提供参考文本，可以显著降低大模型胡说八道的概率，提高回答的准确性和可靠性。

1. 让模型使用参考文本作答：直接要求模型基于提供的文档回答问题。

• 示例：“使用提供的由三重引号引起来的文章来回答问题。如果在文章中找不到答案，请写“我找不到答案”。”

2. 让模型通过引用参考文本来回答：要求模型在回答时引用具体文档段落，增加答案的可验证性。

• 示例：“您将获得一份由三重引号和一个问题分隔的文档。您的任务是仅使用提供的文档回答问题，并引用用于回答问题的文档段落。如果文档不包含回答此问题所需的信息，则只需写：“信息不足”。如果提供了问题的答案，则必须附有引文注释。使用以下格式引用相关段落（{“引用”：…}）。”

三、将复杂的任务拆分为更简单的子任务

将复杂任务分解为更简单的子任务，可以显著提高模型的处理效果。

1. 使用意图分类来识别与用户查询最相关的指令：通过意图识别，可以更准确地定位用户需求。

• 示例：对于“我断网了咋整”这类问题，先进行意图识别，再给出具体解决方案。

2. 对于需要很长对话的对话应用，总结或过滤之前的对话：解决模型上下文长度限制的问题。

• 解决方案：可以采用对话摘要、异步总结或向量库存储等方式。

3. 分段总结长文档并递归构建完整总结：处理超长文档时，可以采用分段总结再递归汇总的方式。

• 参考研究：OpenAI在《Summarizing Books》中详细介绍了这种总结方法的有效性。

四、给模型时间“思考”

通过chain-of-thought（CoT）提示，可以让模型逐步推理，提高答案的准确性和可靠性。

1. 让模型在急于得出结论之前找出自己的解决方案：避免模型过早下结论。

• 示例：要求模型先制定解决方案，再与参考答案进行比较。

2. 使用内心独白来隐藏模型的推理过程：对于某些应用场景，可能需要隐藏模型的推理过程。

• 示例：通过多次API调用，隐藏模型的推理过程，仅展示最终结果。

3. 询问模型在之前的过程中是否遗漏了什么内容：确保模型充分考虑所有相关信息。

• 示例：要求模型检查是否遗漏了相关片段：“还有更多相关片段吗？注意不要重复摘录。还要确保相关片段包含解释它们所需的所有相关上下文。”

五、使用外部工具

大模型并非万能，对于某些特定任务，使用外部工具会更有效。

1. 使用基于嵌入的搜索实现高效的知识检索：通过RAG（Retrieval Augmented Generation）方式增强知识检索能力。

• 实现步骤：加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 匹配相似文本 -> 生成回答。

2. 使用代码执行来进行更准确的计算或调用外部API：对于计算任务，让模型生成Python代码进行计算。

• 示例：求解多项式方程：“求以下多项式的所有实值根：3x**5 - 5x4 - 3*x3 - 7*x - 10。”

3. 给模型提供特定的功能：通过API传递函数描述，让模型生成函数参数。

• 应用场景：数据查询、数据处理等。

六、系统地测试变更

对于开发者来说，系统地测试Prompt变更非常重要，以确保改进是有效的而非偶然。

• 建议：建立评估程序，判断Prompt优化是否真正有效。
• 参考链接：https://platform.openai.com/docs/guides/prompt-engineering/strategy-test-changes-systematically

写在最后

OpenAI的Prompt engineering指南内容详尽且实用，远胜于市面上大多数零散的框架和课程。掌握这些原则和技巧，能够显著提升与大模型交互的效果。值得注意的是，良好的日常表达能力和沟通能力，对于Prompt的编写同样至关重要。

正如某公司的一条价值观所言：“布阵清晰、传球舒服、接球靠谱”，无论是与人还是与AI交互，清晰的表达和有效的协同都是成功的关键。