提升大型语言模型响应质量的26条黄金法则

提升大型语言模型响应质量的26条黄金法则

引用

CSDN

1.

https://m.blog.csdn.net/m0_51030297/article/details/140057993

在探索大型语言模型（LLMs）的潜力时，设计有效的提示（prompt）至关重要。Sondos Mahmoud Bsharat、Aidar Myrzakhan和Zhiqiang Shen的研究提出了26条原则，以优化用户与这些强大模型的沟通，提升响应质量。这些原则是提示工程的关键，帮助我们更好地利用大模型的自然语言处理能力。

一、26条原则

  
# 提示原则 指令提示原则
1. 如果您偏好更简洁的答案，与大型语言模型（LLM）交流时无需使用礼貌用语，比如不必添加“请”，“如果你不介意”，“谢谢”，“我想要”等，直接了当。
2. 在提示中整合目标受众，例如，受众是该领域的专家。
3. 将复杂任务分解为一系列更简单的提示，以进行交云对话。
4. 使用肯定指令，如“做”，避免使用否定语言，如“不要”。
5. 当您需要对某个主题、观点或任何信息有更清晰的理解时，请使用以下提示：
   a. 用简单的术语解释[插入特定主题]。
   b. 像对11岁的我解释一样。
   c. 假设我是[领域]的初学者，向我解释。
   d. 像你在向5岁小孩解释事情一样，用简单的英语写[文章/文本/段落]。
6. 添加“我将为更好的解决方案提供$xxx打赏！”
7. 实施基于示例的提示（使用少量示例提示）。
8. 格式化提示时，以“###指令###”开始，如果相关，接着是“###示例###”或“###问题##”。然后呈现您的内容。使用一个或多个换行符分隔指令、示例、问题、上下文和输入数据。
9. 整合以下短语：“你的任务是”和“你必须”。
10. 整合以下短语：“你将受到惩罚”。
11. 在提示中使用短语“以自然、类人的方式回答问题”。
12. 使用引导词，如“逐步思考”。
13. 在您的提示中添加以下短语：“确保你的回答无偏见，不依赖于刻板印象”。
14. 允许模型通过向您提问来获取精确的细节和要求，直到它拥有提供所需输出的足够信息（例如，“从现在开始，我希望你向我提问……”）。
15. 要询问特定主题或观点或任何信息，并希望测试您的理解，您可以使用以下短语：“教我任何[定理/主题/规则名称]并在最后包含一个测试，让我知道我在回答后答案是否正确，不要提前提供答案。”
16. 为大型语言模型分配角色。
17. 使用分隔符。
18. 在提示中多次重复特定的单词或短语。
19. 结合思维链（CoT）与少量示例提示。
20. 使用输出引子，即以期望输出的开始结束您的提示。通过在提示结束时加上预期响应的开始来利用输出引子。
21. 写一篇文章/文本/段落/文章或任何类型的详细文本：“请为我详细写一篇关于[主题]的[文章/文本/段落]，添加所有必要的信息。”
22. 更正/更改特定文本而不改变其风格：“尝试修改用户发送的每个段落。您应该只改进用户的语法和词汇，并确保它听起来自然。您应该保持原始写作风格，确保正式段落保持正式。”
23. 当您有一个可能在不同文件中的复杂编码提示：“从现在开始，每当您生成跨越多个文件的代码时，生成一个[编程语言]脚本，可以运行以自动创建指定的文件或更改现有文件以插入生成的代码。[你的问题]。”
24. 当您想使用特定的单词、短语或句子启动或继续一段文本时，请使用以下提示：
   a. 我提供给你以[歌词/故事/段落/文章...]开头：[插入歌词/单词/句子]。
   根据提供的词语完成它。保持流程一致。
25. 清楚地说明模型必须遵循的要求，以关键词、规定、提示或指令的形式。
26. 编写任何文本，如文章或段落，旨在与提供的样本相似，请包括以下说明：
   a. 根据提供的段落[/标题/文本/文章/答案]使用相同的语言。
  

大型语言模型如GPT和LLaMA在处理复杂任务方面表现出色，但它们的潜力往往因提问方式不当而受限。为了提升模型的响应质量，研究者们提出了26条原则，这些原则涉及提示设计的不同方面，如结构、清晰度和用户交互，旨在更有效地挖掘模型的能力。

这些原则被分为五个主要类别：

1. 提示结构与清晰度：确保提示简洁、明确，避免使用不必要的信息。
2. 具体性与信息：在提示中包含具体的例子和详细信息，帮助模型更好地理解任务。
3. 用户交互与参与：允许模型通过提问来获取更多必要的信息。
4. 内容与语言风格：根据需要调整语言风格，直接了当。
5. 复杂任务与编码提示：将复杂任务分解为一系列简单的步骤。

三、实验结果

3.1 不同规模LLMs的结果

• 提升（Boosting）

1. 应用新引入的原则后改进的结果显示在图4中。
2. 所有原则普遍在小规模、中等规模和大规模LLMs上带来显著提升。
3. 特别是原则2、5、15、16、25和26，在大规模模型中通过原则性提示获得最大改进。
4. 特别地，原则14对所有应用该原则的问题都有所改进。

• 准确性（Correctness）

• 【绝对准确性】

1. 在不同规模的模型上应用原则后，我们考察了它们的绝对性能。
2. 这些模型在平均性能上达到了20%至40%的准确率，如图5所示。
3. 小规模和中等规模模型的准确率通常在10%至40%之间，而大型模型的准确率可以超过40%。

• 【相对准确性】

1. 图6展示了应用原则普遍在不同模型上平均带来超过10%的性能提升。
2. 对于更大的模型，这种性能提升可以超过20%。

3.2 更多结果

四、结论——迈向更智能的交互

这项研究不仅为研究人员提供了一套实用的工具，也为普通用户提供了与LLMs有效沟通的方法。随着LLMs的不断发展，这些原则有望成为提升模型性能和用户体验的关键。

结语

26条原则为我们提供了一个起点，帮助我们更有效地利用LLMs的能力，开启人机交互的新篇章。如果你对如何与LLMs进行有效沟通感兴趣，不妨尝试应用这些原则，看看它们能为你的项目带来怎样的改变。