第一章：提示工程技術簡介

什么是提示工程？提示工程?是創(chuàng)建提示、要求或指示的過程，用來引導ChatGPT等語言模型的輸出。它允許用戶控制模型的輸出，生成符合他們特定需求的文本。 ChatGPT是一種最先進的語言模型，能夠生成類似人類的文本。它建立在transformer 架構上，這使它能夠處理大量的數據并生成高質量的文本。 為了從ChatGPT獲得最好的結果，了解如何正確使用提示模型是很重要的。 提示允許用戶控制模型的輸出，生成相關、準確和高質量的文本。 在使用ChatGPT時，了解它的能力和限制是很重要的。 該模型能夠生成類似人類的文本，但如果沒有適當的引導，它輸出的內容，可能不是我們所期望的。 這就是提示工程的用武之地：通過提供清晰而具體的說明，您可以指導模型輸出，確保它是相關的。?提示公式是提示的具體格式，它一般由3個要素組成:?任務：對模型生成內容的清晰、簡潔的陳述。 說明：模型生成文本時應遵循的指令。 角色：模型在生成文本時應承擔的角色。 在本書中，我們將探討可用于ChatGPT的各種提示工程技巧。我們將討論不同類型的提示，以及如何使用這些提示來實現你想要的特定目標。

第二章：說明提示技術（Instructions Prompt Technique）

現在，讓我們開始探索 “說明提示技術”，以及如何用它來從ChatGPT生成高質量的文本。 說明提示技術是一種指導ChatGPT輸出的方法，它為模型提供具體的指令。這種技術在確保輸出內容的相關性、和高質量方面，非常有用。 要使用說明提示技術，你需要為模型提供一個清晰簡明的任務，和可以遵循的具體指令。 舉個例子，假如你要生成客服的回答。首先要提供一個任務，如“生成客戶咨詢的回復”，以及說明：回答應該是專業(yè)的并提供準確的信息 提示（Prompt）公式：”按照這些指示生成[任務]：[說明]”?舉例：

生成客服回復:

• 任務：生成對客戶咨詢的回復

• 說明：回答應該是專業(yè)的并提供準確的信息

• 提示（Prompt）公式：“生成對客戶咨詢的回復：回答應該是專業(yè)的并提供準確的信息”

生成一份法律文件：

• 任務：生成一份法律文件

• 說明：該文件應符合相關法律和法規(guī)的規(guī)定

• 提示（Prompt）公式：”按照這些指令，生成一份符合相關法律和法規(guī)的法律文件：該文件應符合相關法律和法規(guī)?！?/p>

在使用指令提示技術時，重點是：指令應該是清晰、具體的。 這將會確保輸出內容具有相關性、和高質量。指令提示技術可以和下一章中將解釋的 “角色提示 “和 “種子詞提示 “結合起來，提高ChatGPT的輸出質量。

第三章：角色提示（role prompting technique）

角色提示技術（role prompting technique），是通過為模型提供特定角色來引導ChatGPT輸出的一種方法。這種技術對于生成針對特定環(huán)境或受眾的文本很有用。 要使用角色提示技術，您需要為模型提供一個明確而具體的角色。 例如，如果你正在生成客戶服務回應，你將提供一個角色，如 “客戶服務代表”。 提示公式：”生成[任務]作為一個[角色]” 舉例：

生成客戶服務回復：

• 任務：生成對客戶咨詢的回復

• 角色：客服

• 提示公式：”作為客服，生成對客戶咨詢的答復。”

生成一份法律文件：

• 任務：生成一份法律文件：

• 角色：律師

• 提示公式：”作為律師生成一份法律文件?！?/p>

使用帶有指令提示和種子詞提示的角色提示技術將增強ChatGPT的輸出質量。 下面是一個如何將指令提示、角色提示和種子詞提示技術相結合的示例：

• 任務：為新智能手機生成產品描述。

• 指令：該描述應具有信息性、說服力，并強調智能手機的獨特功能。

• 角色：營銷代表

• 種子詞：”創(chuàng)新”

• 提示公式：“作為營銷代表，生成一個信息量大，有說服力的產品描述，突出新智能手機的創(chuàng)新功能。該智能手機具有以下特點[插入你的特點]”

在這個例子中，指令提示被用來確保產品描述具有信息性和說服力，角色提示用于確保以營銷代表的角度編寫描述，種子詞提示用于確保描述側重于智能手機的創(chuàng)新功能。

第四章：標準提示（Standard Prompts）

標準提示是引導ChatGPT輸出的一個簡單方法，它提供了一個具體的任務讓模型完成。 例如，如果你想生成一篇新聞的摘要，你會提供一個任務，如“總結這篇新聞”。 提示公式：”生成[任務]” 舉例：

生成新聞文章摘要：

• 任務：總結這篇新聞文章

• 提示公式：”生成這篇新聞文章的摘要”

生成產品評論：

• 任務：撰寫有關新智能手機的評論

• 提示公式：“生成對這款新智能手機的評論”

此外，標準提示可以與其他技術相結合，如角色提示和種子詞提示，以增強ChatGPT的輸出質量。 下面是一個如何將指令提示、角色提示和種子詞提示技術相結合的示例：

• 任務：為新筆記本電腦生成產品評論

• 說明：評論應該是客觀的，信息豐富的，并突出筆記本電腦的獨特功能

• 角色：技術專家

• 種子詞：“ 強大的”

• 提示公式：“作為一名技術專家，生成一份客觀且信息豐富的產品評論，突出新筆記本電腦的強大功能?！?/p>

在此示例中，使用標準提示技術來確保模型生成產品評論，角色提示技術用于確保評論是從技術專家的角度撰寫的，使用種子詞提示技術來確保評論集中在筆記本電腦的強大功能上。

第五章：零、單個和小樣本提示（Zero, One and Few Shot Prompting）

零提示、單個提示和小樣本提示是用于從ChatGPT中生成文本的技術，只有極少或沒有示例可以參考。這些技術通常用于下列情況：當前任務的可用數據有限、任務是全新的、任務定義不明確。 當沒有可用于任務的范例時，使用零樣本提示技術。向模型提供一個普通的任務，它會根據對任務的理解生成文本。 當任務只有一個范例可用時，可以使用單樣本提示技術。提供了一個范例給模型，模型根據對該范例的理解生成文本。 當可用于任務的范例數量有限時，使用小樣本提示技術。提供了少量范例給模型，模型根據對該范例的理解生成文本。 提示公式：”基于[數量]的例子生成文本” 舉例：

為一個新產品生成產品描述，沒有可用的例子。

• 任務：為新智能手機生成產品描述。

• 提示公式：”為這個新的智能手表生成一個產品描述，沒有范例”

為這個產品生成產品比較，只有一個范例可用。

• 任務：將一款新的智能手機與最新的iPhone進行比較

• 提示公式：”生成這個新智能手機的產品比較，有一個例子（最新的iPhone）”

生成一個產品評論，可用的例子很少。

• 任務：寫一篇新電子閱讀器的評論

• 提示公式：“用幾個例子（其他 3 個電子閱讀器）生成對這個新電子閱讀器的評論”

這些技術可用于：根據模型對任務或所提供范例的理解來生成文本。

第六章：“讓我們思考這個”提示（”Let’s think about this” prompt）

“讓我們思考這個”提示是一種用于鼓勵ChatGPT生成反思性、沉思性文本的技術。這種技術對于寫作散文，詩歌或創(chuàng)造性寫作等任務很有用。?使用方法：主題?舉例：

生成一篇反思性文章：

• 任務：寫一篇關于個人成長主題的反思性文章

• 提示公式：“讓我們思考這個：個人成長”

生成一首詩：

• 任務：寫一首關于季節(jié)變化的詩

• 提示公式：“讓我們想想這個：不斷變化的季節(jié)”

此提示要求就特定主題或想法進行對話或討論。演講者邀請ChatGPT就手頭的主題進行對話。 該模型提供了一個提示，作為對話或文本生成的起點。 然后，該模型使用其訓練數據和算法來生成與提示相關的響應。該技術允許ChatGPT基于提供的提示生成上下文適當且連貫的文本。 要在ChatGPT中使用“讓我們思考這個”技術，您可以按照以下步驟操作：?1.確定您要討論的主題或想法。?2.制定一個提示，清楚地說明主題或想法，并開始對話或文本生成。?3.在提示前面加上“讓我們思考”或“讓我們討論” ，表明您正在發(fā)起對話或討論。?以下是使用此技術的一些提示示例：

• 提示：“讓我們思考一下氣候變化對農業(yè)的影響”

• 提示：“讓我們討論一下人工智能的現狀”

• 提示：“讓我們談談遠程工作的好處和缺點”

您還可以添加一個開放式問題、語句或一段文本，希望模型繼續(xù)或構建。 提供提示后，模型將使用其訓練數據和算法生成與提示相關的響應，并以連貫的方式繼續(xù)對話。 這個獨特的提示，幫助ChatGPT以不同的視角和角度給出答案，從而產生更具動態(tài)性和信息性的段落。 使用提示的步驟很簡單，易于遵循，它可以真正改變你的寫作。自己試試看

第七章：自我一致性提示（Self-Consistency Prompt）

自我一致性提示是一種技術，用于確保ChatGPT的輸出與提供的輸入一致。這種技術對于諸如事實核查、數據驗證或文本生成中的一致性檢查等任務很有用。 自我一致性提示的提示公式是輸入文本后，說明“請確保以下文本是自我一致的”。 或者，可以提示模型生成與提供的輸入一致的文本。 提示示例及其公式：

示例1：文本生成

• 任務：生成產品評論：

• 指令：評論應與輸入中提供的產品信息一致

• 提示公式：”生成與以下產品信息[插入產品信息]一致的產品評論”

示例2：文本摘要

• 任務：總結這篇新聞文章

• 指令：摘要應與本條所提供的信息保持一致

• 提示公式：”以符合所提供信息的方式，總結以下新聞文章[插入新聞文章]

示例3：文本完成（Text Completion）

• 任務：寫一個句子

• 指令：完成的句子，應與輸入中提供的背景相一致

• 提示公式：”以符合所提供上下文的方式完成以下句子[插入句子]”

示例4：

1.事實核查：

• 任務：檢查某篇新聞文章的一致性

• 輸入文本:“這篇文章說這個城市的人口是500萬，但后來，它說人口是700萬。

• 提示公式：”請確保下面的文字是自洽的。文章說該城市的人口是500萬，但后來又說人口是700萬”。

2.數據驗證：

• 任務：檢查給定數據集中的一致性

• 輸入文本:“數據顯示， 7月份的平均氣溫為30度，但最低氣溫記錄為20度。

• 提示公式：”請確保下面的文字是自洽的：數據顯示， 7月份的平均氣溫為30度，但最低氣溫記錄為20度。

第8章：種子詞提示（Seed-word Prompt）

種子詞提示是一種技術，通過為ChatGPT提供特定的種子詞或短語，來控制ChatGPT的輸出。 種子詞提示的提示公式是： “請根據以下種子詞生成文本” 的指令后跟著種子詞或短語。 舉例：

文本生成:

• 任務：生成一個關于龍的故事

• 種子詞：”龍”

• 提示公式：“請根據以下種子詞生成文本”

語言翻譯：

• 任務：將句子從英語翻譯成西班牙語

• 種子詞：”您好”

• 提示公式：“請根據以下種子詞生成文本:您好”

這種技術允許模型生成與種子詞相關的文本并對其進行擴展。 這是一種控制模型生成的文本，與某個主題或上下文相關的方法。 種子詞提示可以與角色提示和指令提示相結合，以創(chuàng)建更具體、更有針對性的文本。 通過提供種子詞或短語，模型可以生成與該種子詞或短語相關的文本，并且通過提供關于期望的輸出和角色的信息，模型可以生成與角色或指令一致的特定風格或語氣的文本。這允許對生成的文本進行更多的控制，并且有更廣泛的應用。 以下是提示示例及其公式：

舉例：文本生成

• 任務：生成一首詩：

• 指令：詩要與種子詞 “愛” 有關，要以十四行詩的風格來寫。

• 角色：詩人

• 提示公式：“作為詩人，生成一首與種子詞’愛’相關的十四行詩”

舉例：文本完成

• 任務：完成一個句子

• 指令：句子應與種子詞 “科學” 有關，應以研究論文的風格撰寫

• 角色：研究員

• 提示公式：“以與種子詞’科學’相關的方式，和作為研究人員的研究論文的風格完成以下句子：[插入句子] “

舉例：文本摘要

• 任務：總結這篇新聞文章

• 指令：摘要應與種子詞“政治”相關，并應以中立和公正的語氣書寫

• 角色：記者

• 提示公式：“作為一名記者，以中立和公正的語氣總結以下與種子詞’政治’有關的新聞文章：[插入新聞文章] “

第9章：知識生成提示（Knowledge Generation prompt）

知識生成提示：是一種用于從ChatGPT中獲取新信息和原始信息的技術。 知識生成提示的提示公式是：“請生成有關X的新的、原始的信息” ，其中X是你感興趣的主題。 這是一種使用模型里預先存在的知識，來生成新信息或問題回答的技術。 要在ChatGPT中使用這種提示技術，模型應提供問題或主題作為輸入，以及指定生成文本的任務或目標的提示。提示應包括期望輸出的信息，例如要生成的文本類型，以及其它特定要求或限制。 以下是提示示例及其公式：

舉例1：知識生成

• 任務：生成有關特定主題的新信息

• 指令：生成的信息應準確且與主題相關

• 提示公式：”生成有關[特定主題]的新的和準確的信息”

舉例2：問答

• 任務：回答一個問題

• 指令：答案應準確且與問題相關

• 提示公式：”回答以下問題：[插入句子] “

舉例3：知識整合

• 任務：將新信息與現有知識相結合

• 指令：整合應準確且與主題相關

• 提示公式：”將以下信息與關于[特定專題]的現有知識相結合：[插入新信息] “

舉例4：數據分析：

• 任務：從給定數據集生成有關客戶行為的見解

• 提示公式：”請從此數據集生成有關客戶行為的新信息和原始信息”

第10章：知識整合提示(Knowledge Integration prompts)

這種技術使用模型里現有的知識，來整合新信息或連接不同的信息。 它有助于將現有知識與新信息相結合，以更全面地了解特定主題。 如何與ChatGPT一起使用： 應該向這個模型提供新信息和現有知識作為輸入，并指定生成文本的任務或目標。提示應包括所需輸出的信息，例如要生成的文本類型，以及任何特定要求或限制。 提示示例及其公式：

舉例 1：知識整合

• 任務：將新信息與現有知識相結合

• 指令：整合應準確且與主題相關

• 提示詞公式：” 將以下信息與有關 [特定主題] 的現有知識相結合：[插入新信息] ### 舉例 2：連接信息片段

• 任務：連接不同的信息

• 指令：連接應該是相關和合乎邏輯的

• 提示公式：”以相關和合乎邏輯的方式連接以下信息：[插入信息1] [插入信息2] ### 舉例 3：更新現有知識

• 任務：用新信息更新現有知識

• 指令：更新后的信息應準確且相關

• 提示公式：”用以下信息更新關于[特定主題]的現有知識：[插入新信息]

第11章：多項選擇提示（Multiple Choice prompts）

這種技術提供了一個模型，其中包含問題、任務以及一組預定義的選項作為潛在答案。 這種技術適用于生成文本，該文本限制于一組特定選項，并可用于問答、文本完成和其他任務。該模型可以生成限于預定義選項的文本。 要使用 ChatGPT 的多項選擇提示，應該為模型提供一個問題或任務作為輸入，以及一組預定義選項作為潛在答案。提示還應包含期望輸出的信息，例如要生成的文本類型以及任何特定要求或約束。 提示示例及其公式：

舉例1：問答題

• 任務：回答一個多項選擇問題

• 說明：答案應該是預定義選項中的一個

• 提示公式：”通過選擇以下選項來回答問題：[插入問題] [插入備選案文1] [插入備選案文2] [插入備選案文3] ### 舉例：文本完成

• 任務：使用預定義選項之一完成句子

• 說明：完成的句子應該是預定義的選項之一

• 提示公式：”選擇以下選項之一，完成下面的句子：[插入句子] [插入備選案文1] [插入備選案文2] [插入備選案文3] ### 舉例 3：情感分析

• 任務：將一段文本分類為積極、中性或消極

• 說明：分類應該是預定義選項之一

• 提示公式：”通過選擇以下選項之一，將下面的文本分類為正面、中性或負面：[插入文字] [正面] [中性] [負面]

第12章：可解釋軟提示（Interpretable Soft Prompts）

可解釋的軟提示是一種技術，它可以在提供一定靈活性的同時，控制模型生成的文本。 輸入的時候，向模型提供一組控制信息，并且添加期望輸出內容的附加信息。 這種技術允許更多可解釋和可控制地生成文本。 提示示例及其公式：

舉例 1：文本生成:

• 任務：生成一個故事：

• 說明：故事應基于給定的角色和特定主題

• 提示公式：“根據以下角色生成故事：[插入角色]和主題：[插入主題] ### 舉例 2：文本完成

• 任務：完成一個句子

• 說明：完成的句子應該是某個特定作者的風格

• 提示公式：”以[特定作者]的風格完成以下句子：[插入句子] ” ### 舉例 3：語言建模

• 任務：以特定風格生成文本

• 說明：文本應該是某個特定時期的風格

• 提示公式：“以[特定時期]的樣式生成文本：[插入上下文]”

第13章：受控生成提示（Controlled Generation prompts）

受控生成提示是一種技術，可以在輸出文本時，對生成的文本進行高度控制。 這是通過向模型提供一組特定的輸入實現的，例如模板、特定詞匯或一組約束條件，可以用來指導生成過程。 以下是提示示例及其公式：

舉例 1：文本生成:

• 任務：生成一個故事：

• 說明：故事應該基于特定的模板

• 提示公式：“根據以下模板生成一個故事：[插入主題] “ ### 舉例 2：文本補全

• 任務：補全一個句子

• 說明：補全應使用特定詞匯表

• 提示公式：”使用下面的詞匯表完成以下句子：[插入詞匯] ：[插入句子] ” ### 舉例 3：語言模型

• 任務：以特定風格生成文本

• 說明：文本應該遵循一組特定的語法規(guī)則

• 提示詞參考：”生成遵循以下語法規(guī)則的文本：[插入規(guī)則] ：[插入上下文] “

通過向模型提供一組特定的輸入，可以用來指導生成過程，受控生成提示使生成的文本更可控和可預測。

第14章：問答提示（Question-answering prompts）

問答提示是一種技術，可以使模型生成回答特定問題或任務的文本。 這是通過向模型提供一個問題或任務作為輸入，以及可能與問題或任務相關的任何其他信息來實現的。 以下是一些示例和應用公式：

示例1：事實問答

• 任務:回答一個事實性問題

• 說明：答案應該是準確和相關的

• 提示公式: ”回答以下事實性問題：[插入問題]”

示例2：定義

• 任務:提供一個詞的定義

• 說明：定義應該準確

• 提示公式: “定義以下單詞：[插入單詞]”

示例3：信息檢索

• 任務:從特定來源檢索信息

• 說明：檢索到的信息應該與主題相關

• 提示公式: 從以下來源檢索有關[特定主題]的信息:[插入來源]“

這對于問答和信息檢索等任務非常有用。

第15章：摘要提示（Summarization prompts）

摘要提示是一種技術，允許模型在保留給定文本的主要思想和信息的同時，生成一個較短的版本。 這是通過將長文本作為輸入提供給模型，并要求其生成該文本的摘要來實現的。 這種技術對于文本摘要和信息壓縮等任務非常有用。 如何在ChatGPT中使用它： 應該向模型提供一個較長的文本作為輸入，并要求其生成該文本的摘要。 提示還應包括關于所需輸出的信息，例如摘要的所需長度，和任何特定要求或限制。 以下是一些示例和應用公式：

示例1：文章摘要

• 任務:?總結新聞文章

• 說明：摘要應該是這篇文章要點的簡要概述。

• 提示公式: ”用一句簡短的話概括以下新聞文章：[插入來源]“

示例2：會議記錄

• 任務:總結會議記錄

• 說明：摘要應突出會議的主要決定和行動

• 提示公式:”通過列出主要決策和行動總結以下會議記錄：[插入記錄]”

示例3：圖書摘要

• 任務:總結一本書

• 說明：摘要應該是書籍主要觀點的簡要概述

• 提示公式:”用一個簡短的段落概括下面的書：[插入書名]”

第16章：對話提示（Dialogue prompts）

對話提示是一種技術，可以使模型生成模擬兩個或多個實體之間對話的文本。 通過向模型提供一個上下文、一組角色或實體以及它們的背景，并要求模型在它們之間生成對話。 因此，應該為模型提供上下文、一組角色或實體，以及它們的角色和背景。 還應向模型提供有關所需輸出的信息，例如對話或對話的類型以及任何特定要求或限制。 以下是一些示例和應用公式：

示例1：對話生成

• 任務:生成兩個角色之間的對話

• 說明：對話應該是自然的，并且與給定的上下文相關

• 提示公式:“在下面的[插入上下文]中，生成以下角色之間的對話 [插入角色]”

示例2：故事創(chuàng)作

• 任務:在故事中生成對話

• 說明：對話應該與故事的角色和事件一致

• 提示公式:“在以下故事[插入故事]中，生成以下角色之間的對話 [插入角色]”

示例3：聊天機器人開發(fā)

• 任務:為客戶服務聊天機器人生成對話

• 說明：對話應該專業(yè)，提供準確的信息

• 提示公式:當客戶詢問[插入主題]時，為客戶服務聊天機器人生成專業(yè)且準確的對話

因此，這種技術適用于對話生成、故事創(chuàng)作和聊天機器人開發(fā)等任務。

第17章：對抗性提示（Adversarial prompts）

對抗性提示是一種技術，可以讓模型生成的文本對某些類型的攻擊或偏見具有抵抗力。這種技術可以用于訓練更強大、更具抵抗力的模型。 要在ChatGPT中使用對抗性提示，需要為模型提供一個設計良好的提示，以使模型難以生成與所需輸出一致的文本。 提示還應包括有關所需輸出的信息，例如要生成的文本類型和任何特定的要求或約束。 以下是一些示例和應用公式：

示例1：文本分類的對抗性提示

• 任務:生成被分類為特定標簽的文本

• 說明：生成的文本應難以分類為特定標簽

• 提示公式:”生成難以分類為[插入標簽]的文本”

示例2：情感分析的對抗性提示

• 任務:生成難以被分類為特定情感的文本

• 說明：生成的文本應難以分類為特定情感

• 提示公式:”生成難以被分類為具有[插入情感]情感的文本”

示例3：語言翻譯的對抗性提示

• 任務:生成難以翻譯的文本

• 說明：生成的文本應難以翻譯為目標語言

• 提示公式:”生成難以翻譯為[插入目標語言]的文本”

第18章：聚類提示（Clustering prompts）

聚類提示是一種技術，允許模型根據某些特征或特點將相似的數據點分組在一起。 這可以通過提供一組數據點，并要求模型根據某些特征或特點將它們分組成簇來實現。 這種技術對于數據分析、機器學習和自然語言處理等任務非常有用。 如何在ChatGPT中使用它： 應該向模型提供一組數據點，并要求根據某些特征或特點將它們分組成簇。 提示還應包括有關所需輸出的信息，例如要生成的簇的數量和任何特定要求或約束。 以下是一些示例和應用公式：

示例1：客戶評價的聚類

• 任務:將相似的客戶評價分組在一起

• 說明：評價應基于情感進行分組。

• 提示公式:根據情感將以下客戶評價分組成簇：[插入評價]

示例2：新聞文章的聚類

• 任務:將相似的新聞文章分組在一起

• 說明：文章應根據主題進行分組

• 提示公式:將以下新聞文章根據主題分組成簇：[插入文章]

示例3：科學論文的聚類

• 任務:將相似的科學論文分組在一起

• 說明：論文應基于研究領域進行分組

• 提示公式:根據研究領域將以下科學論文分組：[插入論文]

第19章：強化學習提示（Reinforcement learning prompts）

強化學習提示是一種技術，可以讓模型從其過去的行動中學習，并隨著時間的推移改善其性能。 要在ChatGPT中使用強化學習提示，應該向模型提供一組輸入和獎勵，并允許其根據所接收的獎勵調整其行為。提示還應包括有關所需輸出的信息，例如要完成的任務和任何特定要求或約束。 這種技術對于決策制定、游戲和自然語言生成等任務非常有用。 以下是一些示例和應用公式：

示例1：文本生成的強化學習

• 任務:生成符合特定風格的文本

• 說明：模型應根據生成符合特定風格的文本所獲得的獎勵，調整其行為

• 提示公式:使用強化學習生成符合以下風格的文本[插入風格]

示例2：語言翻譯的強化學習

• 任務:將一種語言的文本翻譯成另一種語言

• 說明：模型應根據生成準確翻譯所獲得的獎勵調整其行為

• 提示公式:”使用強化學習將以下文本[插入文本]從[插入語言]翻譯為[插入語言]

示例3：問題回答的強化學習

• 任務:回答一個問題

• 說明：模型應根據生成準確答案所獲得的獎勵調整其行為

• 提示公式:使用強化學習回答以下問題[插入問題]
  第20章：課程學習提示（Curriculum learning prompts）
  課程學習是一種技術，可以讓模型通過先訓練簡單的任務，并逐漸增加難度來學習復雜的任務。 要在ChatGPT中使用課程學習提示，應該向模型提供一系列逐漸增加難度的任務。提示還應包括有關所需輸出的信息，例如要完成的最終任務和任何特定要求或約束。 這種技術對于自然語言處理、圖像識別和機器學習等任務非常有用。 以下是一些示例和應用公式：
  示例1：文本生成的課程學習

• 任務:生成符合特定風格的文本

• 說明：模型應在進入更復雜的風格之前，先在簡單的風格上進行訓練

• 提示公式:“ 使用課程學習生成符合以下風格的文本[插入風格]，按以下順序[插入順序] ”

示例2：語言翻譯的課程學習

• 任務:將一種語言的文本翻譯成另一種語言

• 說明：模型應在進入更復雜的語言之前先在簡單的語言上進行訓練

• 提示公式:“使用課程學習將以下語言的文本[插入語言]，按以下順序[插入順序]翻譯為以下語言[插入語言]

示例3：回答問題的課程學習

• 任務:回答一個問題

• 說明：模型應在進入更復雜的問題之前，先在簡單的問題上進行訓練

• 提示公式:“使用課程學習回答以下問題[插入問題]，按以下順序[插入順序]（Use curriculum learning to generate answers to the following questions [insert questions] in the following order [insert order]）”

第21章：情緒分析提示（Sentiment analysis prompts）

情感分析是一種技術，允許模型確定一段文本的情感色彩或態(tài)度，例如是否為積極、消極或中立。要使用ChatGPT的情緒分析提示，應向模型提供一段文本，并要求根據其情緒對其進行分類。提示還應包括有關所需輸出的信息，例如要檢測的情感類型（例如積極、消極或中立）和任何特定的要求或限制。 以下是一些示例和應用公式：

示例1：客戶評論的情緒分析

• 任務：確定客戶評論的情緒

• 說明：模型應將評論分類為積極、消極或中立

• 提示公式：“對以下客戶評論進行情感分析[插入評論]，并將其分類為積極、消極或中立?！?/p>

示例2：推文的情緒分析

• 任務：確定推文的情感色彩

• 說明：模型應將推文分類為積極、消極或中立

• 提示公式：“對以下推文進行情感分析[插入推文]，并將其分類為積極、消極或中立。”

示例3：產品評論的情感分析

• 任務：確定產品評論的情感色彩

• 說明：模型應將評論分類為積極、消極或中立

• 提示公式：“對以下產品評論進行情感分析[插入評論]，并將其分類為積極、消極或中立?！?/p>

這種技術對于自然語言處理、客戶服務和市場研究等任務非常有用。

第22章：命名實體識別提示（Named entity recognition prompts）

命名實體識別（NER）是一種技術，允許模型識別和分類文本中的命名實體，例如人物、組織、地點和日期。 要使用ChatGPT的命名實體識別提示，應該向模型提供一段文本，并要求識別和分類文本中的命名實體。 提示還應包括有關所需輸出的信息，例如要識別的命名實體類型（例如人物、組織、地點、日期）以及任何特定的要求或限制。 以下是一些示例和應用公式：

示例1：新聞文章中的命名實體識別

• 任務:在新聞文章中識別和分類命名實體

• 說明：模型應識別和分類人物、組織、地點和日期

• 提示公式:“對以下新聞文章進行命名實體識別[插入文章]，并識別和分類人物、組織、地點和日期?！?/p>

示例2：法律文檔中的命名實體識別

• 任務:在法律文件中識別和分類命名實體

• 說明：模型應識別和分類人物、組織、地點和日期

• 提示公式:“對以下法律文件進行命名實體識別[插入文檔]，并識別和分類人物、組織、地點和日期?！?/p>

示例3：研究論文中的命名實體識別

• 任務:在研究論文中識別和分類命名實體

• 說明：模型應識別和分類人物、組織、地點和日期

• 提示公式:“對以下研究論文進行命名實體識別[插入論文]，并識別和分類人物、組織、地點和日期?！?/p>

第23章：文本分類提示（Text classification prompts）

文本分類是一種技術，允許模型將文本歸類為不同的類別。這種技術對于自然語言處理、文本分析和情感分析等任務非常有用。 需要注意的是，文本分類與情感分析不同。情感分析專注于確定文本中表達的情感或情緒。這可能包括確定文本是否表達了積極、消極或中立的情緒。情感分析通常用于客戶評論、社交媒體帖子和其他文本形式，其中表達的情感很重要。 要使用ChatGPT的文本分類提示，應向模型提供一段文本，并要求根據預定義的類別或標簽對其進行分類。提示還應包括有關所需輸出的信息，例如類別或標簽的數量以及任何特定的要求或限制。 以下是一些示例和應用公式：

示例1：客戶評論的文本分類

• 任務：將客戶評論歸類為不同的類別，例如電子產品、服裝和家具

• 說明：模型應根據評論的內容對其進行分類

• 提示公式：“對以下客戶評論進行文本分類[插入評論]，并根據其內容將其歸類為電子產品、服裝和家具等不同類別?！?/p>

示例2：新聞文章的文本分類

• 任務：將新聞文章歸類為不同的類別，例如體育、政治和娛樂

• 說明：模型應根據文章的內容對其進行分類

• 提示公式：“對以下新聞文章進行文本分類[插入文章]，并根據其內容將其歸類為體育、政治和娛樂等不同類別?！?/p>

示例3：電子郵件的文本分類

• 任務：將電子郵件歸類為不同的類別，例如垃圾郵件、重要郵件或緊急郵件

• 說明：模型應根據郵件的內容和發(fā)送者對其進行分類

• 提示公式：“對以下電子郵件進行文本分類[插入郵件]，并根據其內容和發(fā)送者將其歸類為垃圾郵件、重要郵件或緊急郵件等不同類別?！?/p>

第24章：文本生成提示（Text generation prompts）

文本生成提示與本書中提到的其他提示技術相關，如：

• 零提示、單個提示和小樣本提示

• 受控生成提示

• 翻譯提示

• 語言建模提示

• 文本補全提示

這些提示都與生成文本有關，但它們在生成文本的方式和對生成文本的具體要求或限制方面有所不同。在預訓練模型或為特定任務訓練新模型時，可以使用文本生成提示。 以下是一些示例和應用公式：

示例1：用于故事寫作的文本生成

• 任務：根據給定提示生成一個故事

• 說明：故事應至少有1000個單詞，并包括一組特定的角色和情節(jié)

• 提示公式：“根據以下提示[插入提示]，生成一個至少有1000個單詞，包括角色[插入角色]和情節(jié)[插入情節(jié)]的故事?！?/p>

示例2：用于語言翻譯的文本生成

• 任務：將給定的文本翻譯成另一種語言

• 說明：翻譯應準確并符合習慣用語

• 提示公式：“將以下文本[插入文本]翻譯成[插入目標語言]，并確保它準確并符合習慣用語。”

結語

正如我們在本書中探討的那樣，提示工程是從語言模型（如ChatGPT）中獲取高質量答案的強大工具。通過精心設計的各種的提示，我們可以引導模型生成符合我們特定需求和要求的文本。 在第2章中，我們看到如何使用說明提示來向模型提供明確和具體的指導。 在第3章中，我們探討了如何使用角色提示來以特定的語氣或風格生成文本。 在第4章中，我們研究了如何使用標準提示作為微調模型性能的起點。 我們還研究了幾種高級提示技術，如零提示、單個提示和小樣本提示、自一致性、種子詞提示、知識生成提示、知識整合提示、多項選擇提示、可解釋的軟提示、受控生成提示、問答提示、摘要提示、對話提示、對抗提示、聚類提示、強化學習提示、課程學習提示、情感分析提示、命名實體識別提示和文本分類提示。 這些技術可以以不同的方式使用，以實現各種不同的結果。隨著你繼續(xù)與ChatGPT和其他語言模型一起工作，值得嘗試不同的技術組合，以找到最適合特定用例的方法。

[注明：此文章來源于?AI 制造局]

ChatGPT免費體驗入口（免費提問 15?次）：
https://gpt.tujiastudio.com/product?type=chatgpt