得益于 ChatGPT 和其他大型语言模型，提示词工程学（Prompt Engineering）像风一样已迅速成为我们生活的一部分。这是一个全新的非常受欢迎的领域。也就是说，现在是提高您的技能并在提示词工程学方面变得更好的最佳时机。
如果您想知道提示词工程学（Prompt Engineering）到底是什么，我们就来问问 ChatGPT！
根据谷歌趋势数据，提示词工程学（Prompt Engineering）的搜索热度在过去几个月达到了顶峰。搜索提示词工程学（Prompt Engineering）的用户对“课程”、“学习”和“薪资”等后续主题感兴趣，该词的查询数量出现了突破。
提示词工程学（Prompt Engineering）入门
提示词工程学（Prompt Engineering）在充分利用大型语言模型 (LLM) 方面发挥着重要作用。如果提示写得好，答案就会变得更加准确、相关和有用。
以下是编写提示时的一些常识指南：
· 清楚地传达对模型的期望并提供具体说明。
· 包括所有必要的信息并指定您希望响应采用的格式或样式。
· 包含示例可以帮助模型理解所需的响应结构。
还有一些重要的注意事项需要记住：
· 回复可能包含错误
· 对同一提示的反应可能会有所不同
· 模型的知识基于收集训练数据的时间（例如ChatGPT的知识截止日期是2021年9月）
现在，我们将介绍您在与LLM大语言模型互动时可以遵循的4种非常重要的提示模式。
1.角色模式
使用角色模式，您可以要求 ChatGPT 以特定的身份、角色或者身份扮演某个特定的人、角色或对象来生成回答act as a specific Persona and perform a specific task.
2. 问题细节拆分模式
使用问题细节拆分模式，您可以请求 ChatGPT 根据问题拆分细化成后续问题提问，然后根据后续问题的回答来解决最初的问题。generate follow-up questions and use the answers for those questions to accurately answer the initial question.
3. 模板模式
我们可以提供一个模板并指示 ChatGPT 按照模板生成响应。为了进行演示，我将提供百度百科页面上有关唐朝的几个段落。使用这些段落，ChatGPT 将按照模板生成3个问题和答案。
4. 样本提示Zero-shot prompting
LLM可以遵循指示，且能够从提示词中学习模式并遵循响应其中的模式。这就是样本学习，我们可以训练模型如何对以前未遇到过事件进行分类学习。让我们以大众点评评论数据集为例，并要求模型确定特定评论的情绪。
结论
在本文中，我们探索了使用 Web UI 进行提示词工程学的最佳实践。我们讨论了几种有效的提示模式，包括角色模式、问题细化拆分、模板、样本学习。我希望本教程能够启发你使用大型语言模型来提高您的创造力和生产力。我相信，它可以帮助您产生想法、获得新的见解、解决复杂的问题，并在多个层面上增强您的日常工作。
本文链接：https://my.lmcjl.com/post/10405.html
4 评论