一些关于 prompt 的入门知识，包括一种基础的 prompt 格式、两种常用的 prompt 类型、prompt 的组成元素以及 prompt 设计的通用思维与方法。

前面提到过，在使用 ChatGPT 之类的 LLM 时，prompt 的质量决定了生成回复的质量，prompt 的质量则取决于其提供的信息。一个 prompt 所包含的信息可以有：instruction、qusetion、context、inputs、examples^[1] 等，它们将引导模型给出更符合预期的结果。

一个简单的 Prompt 格式 ¶

LLM 的本质是概率模型，即根据已有的 token 来预测下一个 token 的概率分布。如果提供的信息不充分或给出的引导不明确，LLM——如 ChatGPT——可能会给出一些预期之外的回答，所以早期的 LLM 会出现下面这类问题：
input:

I want to

output:

see a movie.

目前，ChatGPT 已经在一定程度上解决了这个问题。对于以上输入，ChatGPT 给出的回复是：

Certainly! How can I assist you today? Please provide me with more details or let me know what you would like to do, and I'll do my best to help you.

但无论如何，在 prompt 中向 LLM 明确其需要完成的任务是非常重要的。一个简单的 prompt 格式——Question Answering(QA) 模式，可以表示为：

Q: <Question>?
A:

两种常用的 Prompt 类型 ¶

向 ChatGPT 询问「什么是 GPT？」：

Q: What is GPT?
A:

上面这种不提供 examples 的 prompt 被称为「Zero-shot Prompt」。虽然 LLM 具备应答 Zero-shot Promp 的能力，但如果问题过于复杂、描述具有歧义或者需要指定输出格式，则通常需要提供一些 examples 以增强对于任务类型、涉及领域、回答格式等的指向性。如：

Q: What is LLM?
A: LLM stands for Large Language Model.
Q: What is NLP?
A: NLP stands for Natural Language Processing.
Q: What is GPT?
A:

得到的结果会更加符合预期（虽然在这一个例子、这一次实践中，仍没有做到格式上与 examples 的完全统一）：

GPT stands for "Generative Pre-trained Transformer." It is a type of large language model developed by OpenAI.

上面这种提供 examples 的 prompt 被称为「Few-shot Prompt」。

Prompt 的组成 ¶

关于 prompt 的组成，学者们给出了不同的意见。

澳大利亚未来学家 Ross Dawson 认为 prompt 的主要组成元素包括 ^[2]：

• Persona（角色）
• Context（语境）
• Audience（受众）
• Instructions（指令）
• Style（风格）
• Format（格式）
• Examples（范例）
• Variability（变量）
• Constraints（限制）
• Refinement（改进）

Microsoft 在 Azure OpenAI Service Documentation 中将 prompt 的组成阐述为 ^[3]：

• Instructions（指令）
• Primary content（主要内容）
• Examples（范例）
• Cue（提示）
• Supporting content（支持内容）

虽然各种观点看似差异较大，但总地来说，prompt 的组成元素可以被形容为 ^[4]：

• Instructions（指令）
• Context（语境）
• Input data（输入数据）
• Output Indicator（输出指示）

TIPS ¶

具体的 prompt 设计技巧与规范我会在后面的文章里详细介绍，这里先罗列出一些在使用 ChatGPT 时需要注意的原则。

明确表达 ¶

对于一些特定的要求（如字数要求（基本就没听话过）），即使提供了非常明确的信息，ChatGPT 也时常给出不符合要求的回答。但无论如何，进行尽可能明确的表达能够显著提高回答的可靠性与有效性。注意，这里的「明确」包括词意、语意以及语境层面。下面提供了一些负面案例：

用几句话来解释一下写 prompt 需要注意的事。
----------
用 3 - 5 句话阐述 prompt 编写中能够提高回复质量的技巧。

或：

我今天要写一个实验报告，有点多，老师让我们明天交，我都不知道怎么开头。你帮我写一个开头吧。
----------
我需要写一篇实验报告，课程名称是《GIS 算法与数据结构》，实验报告的结构为：实验预习报告（实验目的、实验原理、实验设备）、实验过程记录、实验结果（结论、小结、建议、体会）。以下是实验内容的更多信息：
    {content}
请帮我写第一篇实验报告的实验预习部分，不超过 500 字。

拆分任务 ¶

对任务进行拆分一方面可以避免 ChatGPT 由于单次生成文字的限制而导致的回答中断，另一方面可以基于各个子任务对其进行更精确的引导以得到更可靠的回复。如对于「一篇论文的撰写」这个任务，可以将任务拆分为「确定论文框架」、「确定论文标题」、「确定写作大纲」、「各部分内容的撰写」、「检查与修正」等。

善用迭代 ¶

ChatGPT 毕竟不是完美的产品，所以难免会出现生成的回复与预期不符的情况。在使用时根据实际情况，修正与改进 prompt，才能使回复逐渐趋近于用户的期望。

扬长避短 ¶

作为一个 LLM，ChatGPT 有其擅长与不擅长的领域。它擅长创造、设计方案、回答普适性知识、无中生有（「螺丝钉炒面是一道中国家常菜」）等；它不擅长数数（经常算错字数）、回答实时性问题、中文词辨识等等。在实际运用中，尽量避免涉及其不擅长的工作，对提升回答的质量与稳定用户的心情都具有莫大的益处。