“ 沒有最好的提示詞，只有最合適的提示詞；提示詞的優(yōu)化是一個循序漸進的過程，并沒有一勞永逸的方法。”

提示詞可以說是大模型應(yīng)用中最重要的東西，可以說其作用無可代替；但是我們很多人會陷入兩個誤區(qū)，一個是太重視提示詞，另一個是太輕視提示詞。

雖然說現(xiàn)在網(wǎng)絡(luò)上有很多提示詞模板，甚至很多人也收藏了很多模板，但說實話在真實的業(yè)務(wù)場景中，你保留的模板不一定有用，而且很多時候你也只是保留一下，就像你收藏的各種學(xué)習(xí)資料一樣，收藏了也僅僅只是收藏了。

所以，在真實的業(yè)務(wù)場景中，我們應(yīng)該學(xué)會使用提示詞和優(yōu)化提示詞；不用一上來就要把提示詞寫的怎么怎么好；提示詞就像技術(shù)一樣，沒有最好的，只有最合適的。

在業(yè)務(wù)場景中提示詞的使用

在上面說關(guān)于提示詞有些人是太重視提示詞，而有些人又太輕視提示詞；原因有兩點，一是有些人在業(yè)務(wù)剛開始就想方設(shè)法的想把提示詞給一次性寫好，但其效果往往不盡人意；還有一種情況是認為，既然大模型本身就不穩(wěn)定，提示詞的好壞影響也沒那么大。

但從真實的業(yè)務(wù)實踐中發(fā)現(xiàn)，提示詞確實扮演著不可替代的作用，但同時又沒大家想象中的那么重要。

提示詞作為一個重要參數(shù)，其并不是一個不可變的參數(shù)，而是可以隨時進行更換和修改的參數(shù)；在業(yè)務(wù)初期或者說在開發(fā)測試階段，我們只需要根據(jù)自己的需求寫一個簡單的提示詞，然后能夠滿足最基本的業(yè)務(wù)需求即可。

然后在整個業(yè)務(wù)功能都跑通的情況下，根據(jù)具體的執(zhí)行效果再對提示詞進行優(yōu)化和調(diào)整；比如說把你的需求和現(xiàn)在使用的提示詞一起丟給大模型，讓大模型幫你優(yōu)化一下提示詞；而作者在這方面做過測試，效果往往還不錯。

當(dāng)然，哪怕你的提示詞寫的再好，也不可能讓大模型完全按照你的要求進行輸出；畢竟這是大模型自身缺陷(幻覺)導(dǎo)致的，這個缺陷也可能是優(yōu)勢。

也因此，在做大模型應(yīng)用時，有一個很重要的步驟，那就是做好錯誤處理；因為大模型本身的不確定性，犯錯是在所難免的，所以如果我們沒做好錯誤處理就會出現(xiàn)一個問題，那就是大模型時靈時不靈；明明剛剛還是好好的，怎么突然就不能用了，這也是作者在做大模型應(yīng)用時經(jīng)常遇到的問題。

那具體應(yīng)該怎么優(yōu)化提示詞呢？大概有那幾個方向？

下面是幾個關(guān)于提示詞優(yōu)化的小技巧：

一、核心優(yōu)化原則 (The Golden Rules)

1. 明確性高于一切 (Clarity is King)

壞：“處理一下用戶數(shù)據(jù)。”

好：“請將用戶提供的姓名和郵箱列表（格式：姓名, 郵箱）轉(zhuǎn)換為 JSON 數(shù)組，每個對象的鍵名為 name 和 email。只輸出 JSON，不要任何其他解釋。”

2. 提供上下文和角色 (Provide Context & Persona)給模型一個明確的角色，它會更好地調(diào)整其語言模式和知識范圍。

例如：“你是一名專業(yè)的金融分析師，擅長用通俗易懂的語言向小白用戶解釋復(fù)雜的金融概念。請根據(jù)以下新聞...”

3. 使用結(jié)構(gòu)化指令 (Structured Instructions)

人類喜歡段落，模型更喜歡清單。使用編號、 bullet points、分隔線來組織你的指令。

這能顯著提高模型對復(fù)雜指令遵循的準確性。

4. 指定輸出格式 (Specify the Output Format)

永遠明確告訴模型你希望它如何輸出。是 JSON、XML、純文本、Markdown 表格還是 HTML？這極大方便了后端對結(jié)果的自動化處理。

5. 提供范例 (Few-Shot Learning)

對于復(fù)雜或易錯的任務(wù)，提供 1-2 個輸入輸出的例子是最有效的技巧之一。這比千言萬語的定義都管用。而這也是我們常說的CoT思維鏈模式。

本文轉(zhuǎn)載自??AI探索時代?? 作者：DFires