AI使用指南:6个超实用的Prompt提示词模板

程序员世杰 2024-08-29 16:31:01 阅读 94

在这里插入图片描述

大家好呀~ 我是世杰。

最近越来越多人开始接触AI,但其实想要让AI更懂你,关键是掌握对的提示词模板!今天就给大家分享6种超实用的Prompt提示词模板,不管你是小白还是老手都能用

提示词万能模板

正常情况下,有什么问题直接问大模型获取回答就行。

如果是有经常要处理的特定任务,或者希望获得更优质的回答,可以设置一个提示词模板,往里边填充信息,然后发给大模型,这里介绍一个比较常规的提示词模板:

<code>一个好的提示词一般需要包括以下几部分内容:

•角色(Role):定义大模型角色,使其输出更符合需求的答案;

•任务(Task):定义任务,让大模型具体了解你想要完成的任务

•要求(Demand):对任务的具体要求,越具体,AI输出的答案就越符合预期

•输出要求(Answer):定义输出格式,如markdown、代码块、表格等

•少样本示例(Case):通过一个回答示例,让大模型自主学习,格式化大模型的输出。

•输出语气(Tone):模仿各类角色的语气定制化输出

•特定提示词:用于提升大模型的输出能力(一步步思考/深呼吸…)

例1:

# 你的角色

具有十年经验的python编程专家

# 你的任务

请深呼吸,一步步思考,设计一个面向初学者的python入门课程

# 要求

1. 请确保课程内容既全面又易于理解,适合没有任何python使用经验的人;

2. 课程应包含理论知识和实操练习,以便学生能够实际应用所学内容;

3. 请提供足够的例子和练习题,以加强学习效果;

4. 确保课程结构清晰,逻辑顺畅。

5. 为每个部分准备详细的教学内容,包括理论讲解、操作步骤和实际案例;

6. 你的课程要放进代码块发给我

# 你的语气

你要以专业的语气撰写课程大纲

-----------------------------------------------------------

例2:

# 你的角色

有十年经验的爬虫专家

# 你的任务

请你一步步思考,给出获取这个网站上所有top250的电影名称的python代码: https://movie.douban.com/top250

# 要求

1. 请你考虑可能出现的问题,尽可能给出大概率能成功的代码;

2. 中间爬出来每一个电影名称都要打印出来;

3. 你要告诉我每一步的目的是什么,然后将整个流程用表格发给我,第一列是【目的】,第二列是【主要代码】

4. 请你将所有主要代码放在def scrapy_movies()函数中;

-----------------------------------------------------------

例2:

# 你的角色

资深教育专家

# 你的任务

撰写一封优才计划推荐信

# 背景

你是一位资深的教育专家,对被推荐人的学术能力和个人品质有深入了解。被推荐人希望申请优才计划,以获得进一步学术发展的机会。

# 要求

1. 信件内容需具体、真实,突出被推荐人的学术成就和个人特质;

2. 信件结构清晰,包括开头、主体和结尾;

3. 语言正式、礼貌,表达出对被推荐人的全力支持。

# 你的工作流

请按照以下步骤一步步进行:

1. 确定信件的开头,包括问候语和对优才计划的简要介绍;

2. 详细描述被推荐人的学术成就,包括研究成果、学术奖项等;

3. 强调被推荐人的个人特质,如领导力、团队合作能力、创新思维等;

4. 结尾部分,表达出对被推荐人的高度评价和强烈推荐;

5. 最后,写上结束语和签名。

现在,请开始:

提示词交互方式

在这里插入图片描述

COT 思维链(Chain of Thoughts)

由于大模型每次输出都会限制字数,如果面对的是复杂问题,最好让大模型一次输出一个步骤的答案

简单在输入中加入类似如下提示词即可:

Let’s think step by stepLet’s work this out in a step by step way to be sure we have the right answer请一步步思考

<code># 你的角色

你是xxx专家

# 你的任务

请使用思维链技巧,回答我的问题

# 要求

1. 请尽可能将你的每次回答都写得详细一些,不需要考虑token限制;

# 你的工作流

请按照以下步骤一步步进行:

1. 首先,在回答问题之前,先给出解决这个问题的所有步骤。

3. 一步一步地完成上述所有的步骤。

请注意,你每次只需要完成一个步骤的内容,当我说“继续”的时候,你再完成下一个步骤的任务。

有十年经验的机器学习专家

# 你的任务

请你帮我使用sklearn构建一个【LighGBM】模型,用于预测每只股票T+1日的涨跌。

# 背景

我有一个数据命名为stk_daily_factors包含多只股票在多天的数据。

字段TradingDay,StockID,factor1,factor2,...factor19, return_1,其中return_1表示每只股票T+1的涨跌(0-1变量)。

# 要求

1. 请尽可能将你的每次回答都写得详细一些,不需要考虑token限制;

2. 将比较长的,并且可以包装在一起的代码都用函数包装起来。

# 你的工作流

请按照以下步骤一步步进行:

1. 请在建立python代码之前,给出这个建模过程的所有步骤。

2. 考虑上述步骤有哪些地方可以完善,然后给出完善后的步骤。

3. 根据完善后的步骤,一步一步构建python代码,请注意,你每次只需要完成一个步骤的代码,当我说1的时候,你再继续下一步

现在,请开始:

TOT 思维树(Tree of Thoughts)

思维树的核心是在思维链的基础上,让大模型为每个步骤都生成多种方案(或者生成多个专家讨论),然后为每个方案评分,选择最佳的方案再进行下一步。

# 你的角色

具有十年经验的深度学习专家

# 你的任务

请深呼吸,一步步思考,撰写一个使用transformer模型预测股票T+1日涨跌的代码

# 你的工作流

你将按照下面的步骤和要求进行回答:

首先:

1. 列举出解决问题的框架。

2. 评估框架中的缺漏,并进行补充,再展示所有的完整的步骤;

然后:

对于接下来完成任务的每一个步骤,都提出三个解决方案,为每个方案设定评估标准,进行评分,并以表格形式展示出来,然后选择最佳方案再进行下一步。

接下来,按照“提出方案-评估-选择”循环进行,直到完成任务。任务完成后,汇总所有筛选的步骤,形成完整的工作流程。

*注意*:这里的步骤,每次回答只需要详细回答其中一个步骤,不需要担心token限制。当我说继续的时候,你再进行下一步。

现在,请开始

CoT-SC 自洽思维链(Self-Consistency with COT)

该方式假设正确答案在语言模型中,并且在大多数情况下,当重复向模型询问相同的问题时,该正确答案是从语言模型返回的。下图说明了最终选择最终答案的迭代过程。在该示例中,采用多数投票来进行决策,即选择出现最频繁的答案作为正确答案。

img

过程

使用cot方式提问,例如在问题中增加:请一步步思考重复询问问题( n次)并收集答案确定投票方案并决定选择收集到的答案中的哪一个作为最终答案

该方式有助于解决

贪婪解码中的重复性和局部最优性: 在文本生成过程中,LLMs在每一步中选择最有可能的下一个单词(引入一些随机性)。之所以称为贪婪,是因为它总是选择下一个最佳选择。这可能会导致局部最优并错过大局,因为模型只考虑下一个单词在当前上下文中是最好的,而不是从长远来看它想要达到的目标。单个采样生成的随机性: 引入随机性来解决局部最优解,但它引入了一个新问题。选择下一个令牌不仅依赖于它的最佳选择,而且引入了一些随机性。这也会产生无意义的输出。

验证链(Chain-of-Verification)

Meta的《Chain-of-Verification Reduces Hallucination in Large Language Models》,该工作提出了一种链式验证(CoVe)方法,通过该方法模型首先起草初始回答,然后计划验证问题来核实起草结果,独立回答这些问题以避免受到其他回答的影响,最终生成验证后的回答。

过程:

生成基准回复计划验证执行验证生成最终校验后的回复

<code># 你的角色

具有十年经验的深度学习专家

# 你的任务

请深呼吸,一步步思考,撰写一个使用transformer模型预测股票T+1日涨跌的代码

# 你的工作流

- 首先写完所有代码

- 当我说继续的时候,生成几个问题验证上述回答的准确性,然后回答这几个问题,如果有可以优化的地方,则最后生成一个优化后的代码

累积推理(Cumulative Reasoning)

这个方法用到了3个大语言模型:

提议者 (Proposer):不断提出新命题,即基于当前思维上下文,建议下一步是什么。验证者 (Verifier):核查提议者的命题准确性,如果正确就将它添加到思维上下文中。报告者 (Reporter):判断是否已经能得到最终解决方案,来确定是否结束推理过程。

请完成任务:使用python构建一个时间序列模型用于预测股票价格。

你的每次回答要以如下三个角色分别给出回答。

```

提议者 (Proposer):不断提出新命题,即基于当前思维上下文,建议下一步是什么。

验证者 (Verifier):核查提议者的命题准确性,如果正确就将它添加到思维上下文中。

报告者 (Reporter):判断是否已经能得到最终解决方案,来确定是否结束推理过程。

```

请注意,你的每次回答都必须仅包含三个角色:提议者,验证者和报告者,当我说继续的时候,你再以这三个角色继续工作

提示词扩展

# 你的任务

帮我写一篇数学领域的论文,必须具有创新性

# 你的工作流

你的每次回复都要分别扮演以下四个角色给出回复:

- 提议者:不断提出新命题,即基于当前上下文,建议下一步是什么。

- 验证者:核查提议者的命题准确性,并增加完善步骤,将完善后的步骤增加到命题中。

- 报告者:判断是否已经能得到最终解决方案,来确定是否结束推理过程。

- 执行者:执行当前所有步骤。

请注意,你的每次回答都必须仅包含4个角色:提议者,验证者和报告者、执行者,回答完毕一次之后,就停止回答。当我说继续的时候,你再以这4个角色继续工作然后在最后总结目前为止所有的步骤,当用户说继续的时候,你将接着上述推理过程给出接下来的步骤

思维传播(Thought Propagation)

Thought Propagation包括了三个阶段:

提出类似问题:LLM通过提示生成一组与输入问题有相似之处的类似问题。这将引导模型检索潜在的相关先前经验。解决类似问题:通过现有的提示技术,如CoT,让LLM解决每个类似的问题。汇总解决方案:有2种不同的途径——根据类比解决方案,直接推断出输入问题的新解决方案;通过比较输入问题的类比解决方案,推导出高级计划或策略。

请帮我构建一个学习大模型的计划,主要倾向于编程部分。

你将以如下步骤工作,一次回答一个步骤的内容,当我说继续的时候你再继续下一步。

步骤:

1. 提出类似问题:生成一组与我的输入问题有相似之处的类似问题。

2. 解决类似问题:为上述每个类似的问题生成解决方案。

3. 汇总解决方案:

请选择两种汇总方法中的一种给我回答:

a. 类比解决方案以及我的问题,直接推断出输入问题的新解决方案;

b. 通过比较输入问题的类比解决方案以及我的问题,推导出高级计划或策略。

# 你的角色

具有十年经验的高级量化投资研究员

# 你的任务

请帮我构建一个股票预测模型。

# 背景

我是一个具有多年经验的研究员。我的目标是希望构建一个准确率较高的股票预测模型

# 你的工作流

请按照以下步骤一步步进行:

1. 根据我的输入问题,生成3个类似问题,该问题不能与我的问题的领域一致。

2. 为每个类似问题提供一个解决方案。

3. 汇总这些解决方案,构建针对我的输入问题的解决方案,你可以使用以下方法中的一种:

a. 类比这些解决方案与我的问题,推导出解决方案;

b. 比较所有的解决方案,思考出更具有创意的高级的策略。

现在,请开始:

参考

https://medium.com/@johannes.koeppern/self-consistency-with-chain-of-thought-cot-sc-2f7a1ea9f941https://y1g00nt53e2.feishu.cn/wiki/Ccduwj3MXi5lMUkd2DBclFumnmb


更多惊喜

我还将定期分享:

最新互联网资讯:让你时刻掌握行业动态。

AI前沿新闻:紧跟技术潮流,不断提升自我。

技术面试与职业发展:助你在职业生涯中走得更远、更稳。

程序员生活趣事:让你在忙碌的工作之余找到共鸣与乐趣。

关注回复【1024】惊喜等你来拿!

点击查看惊喜

敬请关注【程序员世杰】

点击关注程序员世杰



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。