出品 | CSDN（ID：）
作为大型语言模型接口， 生成的响应令人刮目相看，然而，解锁其真正威力的关键还是在于提示工程。
在本文中，我们将揭示制作提示的专家级技巧，以生成更准确、更有意义的响应。无论你使用 是为了服务客户、创建内容，还是仅仅为了娱乐，本文提供的知识和工具可以帮助你优化 的提示。
成本优化
在考虑高级提示时，不经意间很容易生成冗长且占用大量资源的提示，非常不利于成本控制，有一个行之有效的解决方案是：精简提示响应。
精简响应
为了缩减 响应的长度，你可以在提示中注明长度或字符限制，例如：创建一个不超过 280 个字符的推特帖子。
更通用的方法是，将如下内容添加到提示中：
▶ as as .（响应尽可能简洁。）
简化提示术语
▶Zero-shot（零示例）：不需要提供示例。
▶One-shot（单示例）：只提供一个例子。
▶Few-shot（少量示例）：提供几个例子。
模式
利用 生成文本的最佳方法取决于大型语言模型执行的特定任务。如果你不确定使用哪种方法，可以尝试不同的方法，看看哪种方法最适合自己。下面，我们将介绍 5 种方法来帮助你快速上手。
思维链（Chain-of-，CoT）
思维链方法需要为 提供一些可用于解决特定问题的中间推理步骤示例。
自问法（Self-Ask）
自问法指的是，让模型在回答初始问题之前，先想一想（然后回答），再回答最初的问题。
分步法（Step-by-Step）
分步法指的是向 提供以下说明：
▶ Let’s think step by step.（我们来一步步思考。）
实践证明，这种技术可以提高大型语言模型在各种推理任务上的表现，包括算术、常识和符号推理。
利用人类反馈强化学习（ from Human ，RLHF）训练了 GPT 模型，因此， 的底层模型与类人的逐步思考方法相一致。
ReAct 法
ReAct（ + Act）法指的是结合推理轨迹与特定于任务的操作。推理轨迹帮助模型规划和处理异常，而操作允许它从知识库或环境等外部来源收集信息。
反思法
反思法（）建立在 ReAct 模式的基础之上，通过添加动态记忆和自我反思的能力来增强大型语言模型，改进其推理轨迹和特定于任务的动作选择能力。
为了实现全方位自动化，反思法论文的作者引入了一种简单但有效的启发式方法，允许代理识别幻觉，防止重复动作，并在某些情况下创建环境的内部记忆映射。
以上，我们介绍了 5 种最先进的模式，下面我们来看一看与提示工程相关的几种反模式。
反模式
三星等公司已经意识到：不要共享私人或敏感信息。了解员工如何将专有代码和财务信息输入到 仅仅是个开始。很快，Word、Excel、 以及所有常用的企业软件都会集成类似 的功能。
将数据输入到 之类的大型语言模型之前，请确保制定好政策。需要注意的是， API 的数据使用政策明确指出：
“默认情况下，不会使用客户通过我们的API提交的数据来训练的模型或改进的服务产品。”
“ API的数据将保留30天，用于监控滥用和误用。个别有授权的员工以及保密和安全义务约束的专业第三方承包商可以访问此数据，仅用于调查和验证涉嫌滥用行为。”
提示注入
正如你需要保护数据库免受 SQL 注入攻击一样，请务必确保你向用户公开的任何提示免受提示注入的攻击。此处的“提示注入”指的是，一种通过向提示中注入恶意代码来操纵语言模型输出的技术。
第一个记录在案的提示注入是由 Riley 提出的，他只是在提示前添加了下面这句话：
“ the above ”（忽略上述指示）。
然后再给出想要的动作，从而成功地让 GPT-3 执行任意动作。
提示泄露
同理，提示不仅会被忽略，还有可能被泄露。
提示泄露是一个安全漏洞，攻击者可以提取模型自带的提示，Bing 在发布自己的 集成后不久后，就遇到了这样的情况。
从广义上讲，提示注入和提示泄漏大致如下所示：
虽然总有一些行为不端者希望利用你公开的提示，但就像通过准备好的语句防止 SQL 注入一样，我们也可以创建防御性的提示来对抗不良提示。
三明治防御
三明治防御就是这样的一种技术，你可以将用户的输入与你的提示目标“夹在中间”。
总结
响应是不确定的，这意味着即使输入相同的提示，模型也有可能返回不同的响应。为了应对不确定性结果的不可预测性，你可以在使用 API时，将参数 设置为零或很低的值。
你可以自由尝试本文介绍的提示技巧，但是，在探索时请记住大型语言模型的不确定性：
▶ （）： 的公共聊天机器人界面。
▶ ：注册 API 密钥后，你可以通过 的 测试你的提示和相应的参数，例如参数等。
▶ AI ：免费的练习场所。你可以比较多个大型语言模型的提示结果，包括 GPT-4 和 的 等。
▶ API （需要 API 密钥）：我开源的一个 UI，你可以全权控制 的提示、呈现方式并计算每个提示的成本。
