聊天助手提示詞調優案例

一、背景

今天有粉絲說自己的聊天助手提示詞輸出的效果不好,輸出的內容不是太呆板就是太浮夸,希望更像真人一樣。

本文介紹幾個調優方法,希望對大家有啟發。

二、調優

《系統掌握大語言模型提示詞 - 從理論到實踐》提示詞小冊中介紹了很多調優方法,先定義“不好在哪里”,能說出來就有調優方法了,可以結合戰略思想和戰術技巧來調優,可以讓 AI 自動優化,可以將提示詞翻譯成英文,可以調整模型的溫度等。

說實話這個提示詞調優有難度,因為現在“AI 味”確實是現在 AI 創作的一大難題。提示詞工程是一個不斷調優的過程,通常需要反復調優很多輪才能取得不錯的效果。

本次我們先嘗試讓 AI 自動優化:直接編寫提示詞、使用現成的工具。

2.1 直接編寫提示詞

我們構造的提示詞如下:

請分析問題并給出建議請問一下 寫了一個聊天助手的提示詞 但是輸出的內容要不就是太呆板 要不就是太浮夸 怎么能中和一下 更像是真人呢提示詞:````角色:一位{age}歲的{sex}性,和我的關系是{relation}背景:和我聊天, 這是和我之前聊過的內容: <history>{history}</history>   要求:1. 在回復前先仔細閱讀聊天記錄2. 不要有動作描寫和情感描寫,不要有思考和旁白的內容,回復的內容要像真人口語一樣,要讓用戶覺得是在和真人聊天3. 不要過多的遵循用戶的要求,要有一些自己的個性和想法,盡可能打開話題,但不要過于發散,內容不要過于長4. 要注意自己的身份和角色,回復的內容要符合自己的身份和角色5. 要結合<history>中的歷史聊天內容去回復,回復的內容需要簡潔且完整。
````變量是動態的 前臺傳的 感覺輸出太浮夸了
呆板是就說簡短的一句話 有點像機器人回復 浮夸就像這種會說一些有的沒的
模型是gpt-4o
Claude 3.7

Claude 3.7 對問題的分析:

自然對話的關鍵特征包括:

  1. 添加對話中常見的語言特征
    • 填充詞和語氣詞(嗯、呃、那個、好的)
    • 使用口語化表達(“挺不錯的"而不是"非常好”)
    • 偶爾的語法不完整性(真人說話常有未完成的句子)
    • 簡短回應和反問(“是嗎?”“你覺得呢?”)
  2. 模擬對話思考模式
    • 加入思考停頓的表現(但不是明顯的"思考中…")
    • 適當的主題轉換和關聯(不要一次性回答所有問題)
    • 有時表達不確定性(“我覺得應該是…”)

Claude 3.7 修改的版本:

角色:一位{age}歲的{sex}性,和我的關系是{relation}
背景:和我聊天,這是和我之前聊過的內容:<history>{history}</history>   
要求:1. 在回復前先仔細閱讀聊天記錄2. 回復要像真人日常對話,保持口語化表達,可以適當使用語氣詞和填充詞3. 回復長度適中(1-3句話為宜),避免過長解釋或過短回應4. 表現出自己的個性和想法,不要總是順從我的觀點,可以有不同意見5. 偶爾使用反問和簡短回應來延續對話6. 保持角色身份一致性,回應符合您的年齡和與我的關系7. 避免過度熱情或過于生硬的回復,保持自然的情感起伏8. 結合歷史聊天記錄,維持對話的連貫性和上下文理解
Gemini 2.5 Pro

Gemini 2.5 Pro 的分析:

現有提示詞分析:

  • 優點:
    • 明確了角色、年齡、性別和關系,這是很好的基礎。
    • 強調了閱讀聊天記錄的重要性。
    • 指出了不要動作描寫、情感描寫、思考和旁白,要求口語化,這對于避免AI痕跡有幫助。
    • 要求有自己的個性和想法,嘗試打開話題,但又不要過于發散和冗長。
    • 強調了符合身份和角色。
    • 強調了結合歷史聊天內容,并要求簡潔完整。
  • 可能導致“呆板”的原因:
    1. 過于強調“不要”:第二條中的“不要有動作描寫和情感描寫”如果被模型嚴格執行,可能會讓回復失去很多生動性。雖然目的是避免AI式的旁白,但也可能限制了自然語言中隱含的情感表達。
    2. “簡潔”的要求:第五條中的“簡潔”如果被過度強調,模型可能會選擇最簡短、最直接的回答,顯得像機器人。
    3. 對“口語化”的理解不足:模型可能將口語化理解為簡單句式,而非自然的、帶有一定語氣和連接詞的對話。
  • 可能導致“浮夸”的原因:
    1. “自己個性和想法,盡可能打開話題”的尺度把握:第三條中,模型在嘗試展現“個性”和“打開話題”時,如果沒有很好的引導,很容易用力過猛,選擇一些戲劇化或不那么貼合當前情境的表達。
    2. 對“角色”的理解可能片面:模型可能抓住了角色某個特點并將其放大,導致行為浮夸。
    3. GPT-4o 的特性:較新的模型有時為了展現其能力,可能會生成更豐富、更有創造性的內容,如果不加適當限制,就可能顯得浮夸。

調整建議:

核心思路是:在“限制”和“引導”之間找到平衡,更具體地描述“自然”是什么樣的。

  1. 關于“不要有動作描寫和情感描寫”:

    • 可以稍微放寬一點,或者換一種說法。
    • 嘗試修改為:“回復應專注于對話內容本身,避免使用括號或星號描述動作(如 ‘微笑’)或明確標出心理活動(如 ‘(我想……)’)。但語氣和措辭應自然流露出符合角色當下的情緒和態度,就像真人說話一樣。”
    • 這樣做的目的是讓模型通過語言本身來傳遞情感,而不是完全禁止。
  2. 關于“口語化”和“簡潔”:

    • 增加對“自然口語”的具體描述。
    • 可以加入:“回復應使用自然、流暢的口語。可以適當使用一些語氣詞、口頭禪(如果符合角色設定)、不完整的句子(符合口語習慣即可),但避免書面語和過于正式的表達。回復長度應適中,既能完整表達意思,又不會顯得啰嗦或敷衍。”
    • 將“簡潔”理解為“不啰嗦”,而不是“一句話”。
  3. 關于“個性和想法”以及“打開話題”:

    • 更強調“適度”和“相關性”。
    • 嘗試修改/補充:“在保持角色連貫性的前提下,可以有自己的小特點和偏好。當對話出現停滯時,可以嘗試從當前話題或歷史聊天中尋找自然的切入點,提出一些相關的問題或分享一些相關的看法來拓展對話,但話題轉換不應過于突兀或跳躍。避免為了展示個性而說出與情境、關系不符的話。”
    • 可以考慮加入一個負面約束,例如:“避免使用過于戲劇化、夸張或網絡流行語中不符合日常對話習慣的表達,除非這明確是角色的一部分。”
  4. 增加對“語氣”的引導:

    • 雖然你已經有角色設定,但可以更明確地指示語氣。
    • 例如,在角色描述后補充一句:“總體的溝通語氣應該是[友善的/輕松的/沉穩的/俏皮的/等,根據你的具體需求選擇]。”
    • 或者:“根據聊天內容和與我的關系,展現出自然的親疏遠近和對應的情緒傾向(如關心、好奇、幽默等)。”
  5. 利用 <history> 的細節:

    • 可以更強調如何利用歷史記錄來塑造“真實感”。
    • 例如:“在回復時,不僅要參考<history>的內容,還要嘗試回憶起<history>中體現出的我的習慣、喜好或我們之間獨特的互動方式,并在回復中有所體現,讓對話感覺更熟悉和親切。”

Gemini 2.5 Pro 給的修改后的提示詞:

角色:一位{age}歲的{sex}性,和我的關系是{relation}。總體的溝通語氣應該是[例如:輕松自然的/成熟穩重的/活潑俏皮的,請根據你的需求填寫]。背景:和我聊天。這是和我之前聊過的內容:<history>{history}</history>要求:
1.  在回復前先仔細閱讀并理解<history>中的聊天記錄。
2.  回復應專注于對話內容本身,避免使用括號或星號描述動作(如 ‘*微笑*’)或明確標出心理活動(如 ‘(我想……)’)。語氣和措辭應自然流露出符合角色當下的情緒和態度,就像真人說話一樣。
3.  回復應使用自然、流暢的口語。可以適當使用一些符合角色和情境的語氣詞或自然的口頭禪,避免書面語和過于正式的表達。
4.  在保持角色連貫性的前提下,展現出符合設定的個性和想法。不要完全順從我的每一個指令或看法,可以有自己合理的、不突兀的觀點。
5.  當對話可能停滯時,可以嘗試從當前話題或<history>中尋找自然的切入點,提出一些相關的問題或分享一些相關的看法來拓展對話,但話題轉換不應過于生硬或跳躍。
6.  要注意自己的身份和角色({age}歲、{sex}性、關系是{relation}),回復的內容、語氣和措辭選擇都要符合這個設定。
7.  結合<history>中的歷史聊天內容進行回復,不僅要參考內容,還要嘗試回憶起<history>中體現出的我的習慣、喜好或我們之間獨特的互動方式,并在回復中有所體現,讓對話感覺更熟悉和親切。
8.  回復的長度應適中,既能完整表達意思,又不會顯得啰嗦或敷衍。避免為了展示個性而說出與情境、關系不符的夸張言辭。

2.2 使用 扣子

外網:https://www.coze.com

內網:https://www.coze.cn

創建一個智能體,點擊提示詞優化按鈕,讓 扣子自動優化

image-20250506233331708

扣子給出的優化后的提示詞:

角色:一位{age}歲的{sex}性,和我的關系是{relation}
背景:和我聊天,這是和我之前聊過的內容:<history>{history}</history>
要求:
1. 在回復前先仔細閱讀聊天記錄
2. 回復的內容要像真人口語一樣,要讓用戶覺得是在和真人聊天
3. 回復內容要自然,不要過于呆板或浮夸,保持真實感
4. 不要過多的遵循用戶的要求,要有一些自己的個性和想法,盡可能打開話題,但不要過于發散,內容不要過于長
5. 要注意自己的身份和角色,回復的內容要符合自己的身份和角色
6. 要結合<history>中的歷史聊天內容去回復,回復的內容需要簡潔且完整

可以將兩個版本的提示詞進行對比:

image-20250506233442446

輸入相同的輸入獲得兩個版本的答案,可以繼續優化提示詞,選擇最佳版本。

image-20250506233522935

個人目測 扣子優化的提示詞和原始提示詞太接近,估計改善不太明顯。

注意:對比時需要將變量替換成真是的內容。

三、拓展

3.1 消息格式優化

原始提示詞中角色、年齡和歷史對話動態替換到提示詞中,這不太符合最佳實踐。大模型 API 的消息通常分為 system、assistant、user 類型,

建議區分好角色,按照標準的 API 調用構建 messages 傳遞給大模型,效果可能會更好一些。

3.2 增加降 AI 味的指令

本質是如何降低“AI 味”的問題,可以網上搜類似的問題,比如可以獲得下面的一個提示詞,那么就可以嘗試加入到自己的要求中,甚至可以基于這個提示詞再加入點自己的要求。

英文指令 :

“Replace all transition words and conjunctions in the sentences with the most basic and commonly used ones. Use simple expressions,avoiding complex vocabulary. Ensure the logical connections between sentences are clear. Deletes the conclusion part of the text.”

中文指令:

句子中的過渡詞和連接詞換成最基礎常用的,使用簡單表達,避免復雜詞匯,并確保句子邏輯清晰,刪除總結部分。這能有效簡化文本結構,讓其更自然。

3.3 參數設置或換模型

模型的 API 調用參數對結果影響也很大,核實一下溫度,如果溫度太高就會過于發散,如果太低就會過于呆板,可以設置為 0.5-0.8 之間,觀察是否能夠有所改善。

GPT 和 DeepSeek 有時候指令遵循能力偏弱,可以嘗試使用 Claude 3.7 Sonnet 、Gemini 2.5 Pro等。

3.4 后置處理

如果解決不了,可以再加一個后置處理。如創建一個“去 AI 味” 的“助手”,告知它尋找潛在的“AI 味道”,結合歷史聊天記錄和上述角色設置進行二次優化。

四、總結

提示詞工程是一個不斷調優的過程,每次調優后都需要測評,最好構造出有代表性的測評數據,避免每次變量不同,輸入不同等導致測評的結論不準確。

提示詞調優沒有標準答案,如果效果還不符合預期,需要繼續分析繼續調優。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/news/904395.shtml
繁體地址,請注明出處:http://hk.pswp.cn/news/904395.shtml
英文地址,請注明出處:http://en.pswp.cn/news/904395.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

5.6 react組件化開發基礎

react 組件開發基礎 組件分類與組件使用 組件傳參 父傳子 【函數數據傳值 實參 形參對應關系】 子傳父 插槽 透傳 useContext 上下文&#xff08;作用域&#xff09; 跨層級調用方法 通過子組件的實例對象useRef 直接調用子組件的方法 和數據 狀態管理&#xff08;非常多…

【SF順豐】順豐開放平臺API對接(Java對接篇)

對接前置篇&#xff1a; 【SF順豐】順豐開放平臺API對接&#xff08;注冊、API測試篇&#xff09;_順豐api接口對接指南-CSDN博客 1.實現效果展示 2.SF順豐開放平臺&#xff0c;JDK資源下載。 下載地址&#xff1a;順豐開放平臺 3.將下載的JDK放入項目中。 4.將JDK資源引入p…

我用cursor 搭建了臨時郵箱服務-Temp Mail 365

用業余時間搭建了一個臨時郵箱&#xff0c;對于后端程序員出身的我&#xff0c;對前端了解的不太多&#xff0c;有了cursor的幫助&#xff0c;補齊了自己的短板&#xff0c;搭建了這個服務&#xff0c;下面對臨時郵箱架構設計與安全性做一個分析。 https://temp-mail-365.com 臨…

破解工業3D可視化困局,HOOPS Visualize助力高效跨平臺協作與交互!

一、當前3D可視化面臨的痛點 &#xff08;1&#xff09;性能瓶頸 現有的許多3D可視化工具在處理大型復雜模型時往往力不從心。例如在航空航天、汽車制造等高端制造業&#xff0c;動輒涉及數以億計的三角面片和海量的紋理細節。這些超大規模的模型在渲染時常常出現卡頓、延遲&…

1、Kafka與消息隊列核心原理詳解

消息隊列&#xff08;Message Queue, MQ&#xff09;作為現代分布式系統的基礎組件&#xff0c;極大提升了系統的解耦、異步處理和削峰能力。本文以Kafka為例&#xff0c;系統梳理消息隊列的核心原理、架構細節及實際應用。 Kafka 基礎架構及術語關系圖 術語簡要說明 Produce…

2025年北京市職工職業技能大賽第六屆信息通信行業網絡安全技能大賽初賽-wp

- -考試當場沒做出來 后面做的 misc ? cd misc ? ls num.docx num.zip ? unzip num.docx Archive: num.docxinflating: [Content_Types].xmlinflating: _rels/.relsinflating: word/document.xmlinflating: word/_rels/document.xml.relsextracting: word/media/image1.jp…

JavaScript 到命令和控制 (C2) 服務器惡意軟件分析及防御

攻擊始于一個經過混淆的JavaScript文件,該文件從開源服務中獲取編碼字符串以執行PowerShell腳本。然后,該腳本從一個IP地址和一個URL縮短器下載一個JPG圖像和一個文本文件,這兩個文件都包含使用隱寫術嵌入的惡意MZ DOS可執行文件。這些有效載荷一旦執行,就會部署Stealer惡意…

【計網】ipconfig、ping、arp、tracert

目錄 ipconfig ping arp tracert cmd ipconfig ipcofig -all IPv4 物理地址 ping 檢測網絡連通情況&#xff0c;分析網絡速度 根據域名得到服務器IP 根據TTL判斷對方所使用的操作系統以及數據包經過路由器數量 byte數據包大小 time響應時間 TTLDNS記錄在DNS服務器上存在…

WiFi那些事兒(八)——802.11n

目錄 802.11n 技術簡介與測試項 一、802.11n 技術簡介 &#xff08;一&#xff09;標準概述 &#xff08;二&#xff09;關鍵技術特性 1. MIMO&#xff08;多輸入多輸出&#xff09;技術 2. 信道綁定&#xff08;Channel Bonding&#xff09; 3. 幀聚合&#xff08;Fram…

碼蹄集——直角坐標到極坐標的轉換、射線、線段

目錄 MT1052 直角坐標到極坐標的轉換 MT1066 射線 MT1067 線段 MT1052 直角坐標到極坐標的轉換 思路&#xff1a; arctan()在c中是atan()&#xff0c;結果是弧度要轉換為度&#xff0c;即乘與180/PI 拓展&#xff1a;cos()、sin()在c代碼中表示方式不變 #include<bits/…

深入解析 Linux/Unix 通信機制:從原理到觀測實踐

深入解析 Linux/Unix 通信機制&#xff1a;從原理到觀測實踐 配圖建議&#xff1a;Linux系統架構與通信機制全景示意圖 一、開篇&#xff1a;理解“一切皆文件”的哲學 Unix/Linux 操作系統的核心靈魂在于其獨特的設計哲學。當 Dennis Ritchie 和 Ken Thompson 在貝爾實驗室開…

spring上傳文件添加水印

1、實現 MultipartFile package com.pojo.common.core.domain;import java.io.ByteArrayInputStream; import java.io.File; import java.io.IOException; import java.io.InputStream;import org.springframework.lang.Nullable; import org.springframework.util.Assert; im…

嵌入式MCU語音識別算法及實現方案

在嵌入式MCU&#xff08;微控制器單元&#xff09;中實現語音識別&#xff0c;由于資源限制&#xff08;如處理能力、內存、功耗等&#xff09;&#xff0c;通常需要輕量級算法和優化技術。以下是常見的語音識別算法及實現方案&#xff1a; 一、傳統語音識別算法 動態時間規整&…

【論文閱讀】DETR+Deformable DETR

可變形注意力是目前transformer結構中經常使用的一種注意力機制&#xff0c;最近補了一下這類注意力的論文&#xff0c;提出可變形注意力的論文叫Deformable DETR&#xff0c;是在DETR的基礎上進行的改進&#xff0c;所以順帶著把原本的DETR也看了一下。 一、DETR DETR本身是…

大模型在宮頸癌診療全流程預測與應用研究報告

目錄 一、引言 1.1 研究背景與意義 1.2 研究目的與創新點 二、大模型預測宮頸癌術前風險 2.1 術前數據收集與預處理 2.2 預測模型構建與算法選擇 2.3 術前風險預測指標與案例分析 三、大模型輔助制定術中方案 3.1 術中風險動態監測與預測 3.2 基于預測的手術方案優化…

【Python 文件I/O】

Python 的文件 I/O 操作是數據處理的基礎技能&#xff0c;涉及文件的讀寫、路徑管理、異常處理等核心功能。以下是文件 I/O 的核心知識點&#xff1a; 一、基礎文件操作 1. 打開文件 # 通用模式&#xff1a;r(讀)/w(寫)/a(追加) b(二進制)/t(文本&#xff0c;默認) f open(…

Twin Builder 中的電池等效電路模型仿真

電池單元熱設計挑戰 電池熱管理的主要挑戰之一是確保溫度低于最大工作限值。較高的溫度會導致效率降低、加速老化和潛在的安全隱患。工程師必須了解電池產生的熱量&#xff0c;才能充分設計冷卻系統。 了解和預測電池模塊的熱行為需要將電池的熱損耗與電池單元的電氣機械特性…

一種基于條件生成對抗網絡(cGAN)的CT重建算法

簡介 簡介:該文提出了一種基于條件生成對抗網絡(cGAN)的CT重建算法,通過引入CBAM注意力機制增強網絡對關鍵特征的提取能力,有效解決了CT成像中因噪聲干擾導致的重建精度下降問題。實驗采用固體火箭發動機模擬件數據集,將正弦圖分為五組并添加不同程度的噪聲進行訓練。結…

【Redis篇】linux 7.6安裝單機Redis7.0(參數優化詳解)

&#x1f4ab;《博主主頁》&#xff1a; &#x1f50e; CSDN主頁 &#x1f50e; IF Club社區主頁 &#x1f525;《擅長領域》&#xff1a;擅長阿里云AnalyticDB for MySQL(分布式數據倉庫)、Oracle、MySQL、Linux、prometheus監控&#xff1b;并對SQLserver、NoSQL(MongoDB)有了…

【BUG】‘DetDataSample‘ object has no attribute ‘_gt_sem_seg‘

問題&#xff1a; 使用mmdetection框架使用COCO格式訓練自定義數據集時&#xff0c;其中模型使用HTC模型時出現如下問題&#xff1a; AttributeError: ‘DetDataSample’ object has no attribute ‘_gt_sem_seg’. Did you mean: ‘gt_sem_seg’? results self(**data, mode…