【prompt是什么?有哪些技巧?】

Prompt(提示詞)是什么?

Prompt 是用戶輸入給AI模型(如ChatGPT、GPT-4等)的指令或問題,用于引導模型生成符合預期的回答。它的質量直接影響AI的輸出效果。


Prompt 的核心技巧

1. 明確目標(Clarity)

  • 模糊Prompt
    ? “寫一篇關于健康的文章”
    問題:范圍太廣,AI可能生成籠統內容。
  • 清晰Prompt
    ? “寫一篇800字的科普文章,介紹地中海飲食對心臟健康的益處,面向中老年人,語言通俗易懂”

技巧

  • 包含 5W1H(Who, What, When, Where, Why, How)
  • 指定 格式(如列表、表格、代碼、Markdown)

2. 提供上下文(Context)

  • 缺乏上下文
    ? “總結這篇文章”
    問題:AI不知道是哪篇文章。
  • 優化后
    ? “請用中文總結以下關于量子計算的英文文章,列出3個關鍵點:[粘貼文章內容]”

技巧

  • 對于復雜任務,先提供背景信息。
  • 示例:
    你是一位經驗豐富的Python工程師,請用代碼示例解釋裝飾器(Decorator)的用法,要求包含@語法和實際應用場景。  
    

3. 分步引導(Step-by-Step)

  • 單步Prompt
    ? “寫一個電商網站的后端代碼”
    問題:任務太復雜,AI可能遺漏細節。
  • 分步Prompt
    ? "分步驟設計一個電商網站的后端:
    1. 列出需要的API端點(如/users, /products)
    2. 用Python Flask框架編寫/products的GET和POST接口代碼
    3. 添加JWT身份驗證邏輯"

技巧

  • 使用 “Think step by step”(逐步思考)提升邏輯性。
  • 示例:
    請逐步解釋如何用PyTorch訓練一個MNIST手寫數字分類模型,包括數據加載、模型定義、訓練循環和評估。  
    

4. 角色扮演(Role Prompting)

通過賦予AI特定角色,提高回答的專業性:

  • 普通Prompt
    ? “如何學習機器學習?”
  • 角色Prompt
    ? “假設你是一位資深的機器學習教授,為本科生設計一份為期3個月的學習計劃,包含每周的閱讀材料和實踐項目。”

常用角色

  • 行業專家(醫生、律師、工程師)
  • 特定風格(莎士比亞、魯迅、科技博主)

5. 示例引導(Few-Shot Prompting)

提供輸入-輸出的例子,引導AI模仿格式或風格:

示例1:  
輸入:如何泡茶?  
輸出:1. 燒水至80℃;2. 取3克茶葉放入杯中;3. 倒入熱水,等待2分鐘。  請用相同格式回答:如何煮咖啡?  

輸出

1. 磨15克咖啡豆;2. 將濾紙放入濾杯;3. 用92℃熱水緩慢注水,萃取2分30秒。  

適用場景

  • 格式化輸出(如JSON、表格)
  • 模仿特定寫作風格

6. 限制與約束(Constraints)

通過限制條件避免無關內容:

  • 無約束
    ? “寫一首詩”
  • 有約束
    ? “寫一首七言絕句,主題是秋天,押韻‘ang’韻腳,避免使用‘落葉’一詞”

常用約束

  • 字數限制(“用50字以內總結”)
  • 禁用詞匯(“不要提及政治”)
  • 語言風格(“口語化”“學術嚴謹”)

7. 反向Prompt(Negative Prompt)

明確禁止AI做的事情:

寫一篇關于人工智能的短文,要求:  
- 不要列舉技術術語  
- 避免未來主義預測  
- 聚焦當前實際應用  

高級技巧

1. 鏈式Prompt(Chain-of-Thought)

將復雜問題拆解成多輪提問:

第一輪:解釋什么是區塊鏈?  
第二輪:基于之前的解釋,說明區塊鏈如何保證數據不可篡改?  

2. 溫度(Temperature)控制

  • 低溫度(如0.2):輸出確定性高,適合事實性回答。
  • 高溫度(如0.8):輸出更創意,適合寫作或頭腦風暴。

3. 系統消息(System Message)

在對話開始時設定AI的行為:

你是一位嚴謹的科學編輯,所有回答需引用權威論文,不確定時明確告知。  

總結:Prompt優化清單

技巧示例適用場景
明確目標“用300字解釋光合作用,面向小學生”避免模糊回答
分步引導“分三步教我搭建React項目”復雜任務
角色扮演“作為資深律師,分析合同風險點”專業化回答
示例引導提供輸入-輸出對格式化/風格模仿
反向Prompt“不要使用技術術語”限制輸出范圍

實踐建議:多測試不同Prompt,觀察AI的輸出差異,逐步迭代優化!

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/pingmian/78571.shtml
繁體地址,請注明出處:http://hk.pswp.cn/pingmian/78571.shtml
英文地址,請注明出處:http://en.pswp.cn/pingmian/78571.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

堆和二叉樹--數據結構初階(3)(C/C++)

文章目錄 前言理論部分堆的模擬實現:(這里舉的大根堆)堆的創建二叉樹的遍歷二叉樹的一些其他功能實現 作業部分 前言 這期的話講解的是堆和二叉樹的理論部分和習題部分 理論部分 二叉樹的幾個性質:1.對于任意一個二叉樹,度為0的節點比度為2的節點多一個 2.對于完全…

Dockerfile講解與示例匯總

容器化技術已經成為應用開發和部署的標準方式,而Docker作為其中的佼佼者,以其輕量、高效、可移植的特性,深受開發者和運維人員的喜愛。本文將從實用角度出發,分享各類常用服務的Docker部署腳本與最佳實踐,希望能幫助各位在容器化之路上少走彎路。 無論你是剛接觸Docker的…

在QGraphicsView中精確地以鼠標為錨縮放圖片

在pyqt中以鼠標所在位置為錨點縮放圖片-CSDN博客中的第一個示例中,通過簡單設置: self.setTransformationAnchor(QGraphicsView.AnchorUnderMouse) 使得QGraphicsView具有了以鼠標為錨進行縮放的功能。但是,其內部應當是利用了滾動條的移動來…

制造工廠如何借助電子看板實現高效生產管控

在當今高度競爭的制造業環境中,許多企業正面臨著嚴峻的管理和生產挑戰。首先,管理流程落后,大量工作仍依賴"人治"方式,高層管理者理論知識薄弱且不愿聽取專業意見。其次,生產過程控制能力不足,導…

在 C# .NET 中駕馭 JSON:使用 Newtonsoft.Json 進行解析與 POST 請求實戰

JSON (JavaScript Object Notation) 已經成為現代 Web 應用和服務之間數據交換的通用語言。無論你是開發后端 API、與第三方服務集成,還是處理配置文件,都繞不開 JSON 的解析與生成。在 C# .NET 世界里,處理 JSON 有多種選擇,其中…

Debian10系統安裝,磁盤分區和擴容

1、說明 過程記錄信息有些不全,僅作為參考。如有其它疑問,歡迎留言。 2、ISO下載 地址:debian-10.13.0鏡像地址 3、開始安裝 3.1、選擇圖形界面 3.2、選擇中文語言 3.3、選擇中國區域 3.4、按照提示繼續 3.5、選擇一個網口 3.6、創建管…

1.10軟考系統架構設計師:優秀架構設計師 - 練習題附答案及超詳細解析

優秀架構設計師綜合知識單選題 每道題均附有答案解析: 題目1 衡量優秀系統架構設計師的核心標準不包括以下哪項? A. 技術全面性與底層系統原理理解 B. 能夠獨立完成模塊開發與調試 C. 與利益相關者的高效溝通與協調能力 D. 對業務需求和技術趨勢的戰略…

MPI Code for Ghost Data Exchange in 3D Domain Decomposition with Multi-GPUs

MPI Code for Ghost Data Exchange in 3D Domain Decomposition with Multi-GPUs Here’s a comprehensive MPI code that demonstrates ghost data exchange for a 3D domain decomposition across multiple GPUs. This implementation assumes you’re using CUDA-aware MPI…

計算機考研精煉 計網

第 19 章 計算機網絡體系結構 19.1 基本概念 19.1.1 計算機網絡概述 1.計算機網絡的定義、組成與功能 計算機網絡是一個將分散的、具有獨立功能的計算機系統,通過通信設備與線路連接起來,由功能完善的軟件實現資源共享和信息傳遞的系統。 …

KUKA機器人自動備份設置

在機器人的使用過程中,對機器人做備份不僅能方便查看機器人的項目配置與程序,還能防止機器人項目和程序丟失時進行及時的還原,因此對機器人做備份是很有必要的。 對于KUKA機器人來說,做備份可以通過U盤來操作。也可以在示教器上設…

【wpf】 WPF中實現動態加載圖片瀏覽器(邊滾動邊加載)

WPF中實現動態加載圖片瀏覽器(邊滾動邊加載) 在做圖片瀏覽器程序時,遇到圖片數量巨大的情況(如幾百張、上千張),一次性加載所有圖片會導致界面卡頓甚至程序崩潰。 本文介紹一種 WPF Prism 實現動態分頁加…

Kubernetes》》k8s》》Taint 污點、Toleration容忍度

污點 》》 節點上 容忍度 》》 Pod上 在K8S中,如果Pod能容忍某個節點上的污點,那么Pod就可以調度到該節點。如果不能容忍,那就無法調度到該節點。 污點和容忍度的概念 》》污點等級——>node 》》容忍度 —>pod Equal——>一種是等…

SEO長尾關鍵詞優化核心策略

內容概要 在搜索引擎優化領域,長尾關鍵詞因其精準的流量捕獲能力與較低的競爭強度,已成為提升網站自然流量的核心突破口。本文圍繞長尾關鍵詞優化的全鏈路邏輯,系統拆解從需求洞察到落地執行的五大策略模塊,涵蓋用戶搜索意圖解析…

AWS中國區ICP備案全攻略:流程、注意事項與最佳實踐

導語 在中國大陸地區開展互聯網業務時,所有通過域名提供服務的網站和應用必須完成ICP備案(互聯網內容提供商備案)。對于選擇使用AWS中國區(北京/寧夏區域)資源的用戶,備案流程因云服務商的特殊運營模式而有所不同。本文將詳細解析AWS中國區備案的核心規則、操作步驟及避坑…

計算機視覺——通過 OWL-ViT 實現開放詞匯對象檢測

介紹 傳統的對象檢測模型大多是封閉詞匯類型,只能識別有限的固定類別。增加新的類別需要大量的注釋數據。然而,現實世界中的物體類別幾乎無窮無盡,這就需要能夠檢測未知類別的開放式詞匯類型。對比學習(Contrastive Learning&…

大語言模型的“模型量化”詳解 - 04:KTransformers MoE推理優化技術

基本介紹 隨著大語言模型(LLM)的規模不斷擴大,模型的推理效率和計算資源的需求也在迅速增加。DeepSeek-V2作為當前熱門的LLM之一,通過創新的架構設計與優化策略,在資源受限環境下實現了高效推理。 本文將詳細介紹Dee…

排序算法詳解筆記

評價維度 運行效率就地性穩定性 自適應性:自適應排序能夠利用輸入數據已有的順序信息來減少計算量,達到更優的時間效率。自適應排序算法的最佳時間復雜度通常優于平均時間復雜度。 是否基于比較:基于比較的排序依賴比較運算符(…

【“星瑞” O6 評測】 — llm CPU部署對比高通驍龍CPU

前言 隨著大模型應用場景的不斷拓展,arm cpu 憑借其獨特優勢在大模型推理領域的重要性日益凸顯。它在性能、功耗、架構適配等多方面發揮關鍵作用,推動大模型在不同場景落地 1. CPU對比 星睿 O6 CPU 采用 Armv9 架構,集成了 Armv9 CPU 核心…

Ocelot的應用案例

搭建3個項目,分別是OcelotDemo、ServerApi1和ServerApi2這3個項目。訪問都是通過OcelotDemo進行輪訓轉發。 代碼案例鏈接:https://download.csdn.net/download/ly1h1/90715035 1.架構圖 2.解決方案結構 3.步驟一,添加Nuget包 4.步驟二&…

DeepSeek+Dify之五工作流引用API案例

DeepSeekDify之四Agent引用知識庫案例 文章目錄 背景整體流程測試數據用到的節點開始HTTP請求LLM參數提取器代碼執行結束 實現步驟1、新建工作流2、開始節點3、Http請求節點4、LLM節點(大模型檢索)5、參數提取器節點(提取大模型檢索后數據&am…