引言

在与人工智能（AI）的互动中，提示词（Prompt）是引导AI理解并回应我们需求的关键。本文将分享一些有效的编写提示词的策略。

提示词的定义

提示词是告知AI如何理解问题并进行回复的指令。编写良好的提示词可以提升问答体验和交互质量。

CO-STAR 框架

CO-STAR是一个构建有效提示词的框架，包含以下要素：

  • C (Context) 上下文： 提供任务背景信息。
  • O (Objective) 目标： 明确任务要求。
  • S (Style) 风格： 指定期望的写作风格。
  • T (Tone) 语气： 设置回应的情感语调。
  • A (Audience) 受众： 识别目标受众。
  • R (Response) 响应： 规定输出的格式。

使用示例

例如，如果你想为公司的新产品撰写Facebook帖子，可以这样构建提示词：

# CONTEXT（上下文）
我想推广公司的新产品。我的公司名为 Alpha，新产品名为 Beta，是一款新型超快速吹风机。

# OBJECTIVE（目标）
帮我创建一条 Facebook 帖子，目的是吸引人们点击产品链接进行购买。

# STYLE（风格）
参照 Dyson 等成功公司的宣传风格。

# TONE（语调）
说服性

# AUDIENCE（受众）
我们公司在 Facebook 上的主要受众是老年人。

# RESPONSE（响应）
保持 Facebook 帖子简洁而深具影响力。

使用分隔符进行文本分段

分隔符帮助AI辨识提示中的独立意义单元。推荐使用XML标签作为分隔符，因为AI能够理解其结构。

示例

例如，情感分类任务的提示词可以这样构建：

<classes>
正面
负面
</classes>

<example-conversations>
[Agent]: 早上好，今天我能如何帮助您？
[Customer]: 这个产品太糟糕了...
</example-conversations>

<example-classes>
负面
正面
</example-classes>

利用大语言模型（LLM）的系统提示创建问答机制

系统提示是向AI提供的额外指示，帮助AI理解如何回应。

示例

系统提示可以这样构建：

您需要用这段文本来回答问题：[插入文本]。请按照 {"问题": "答案"} 的格式来回答。
如果文本信息不足以回答问题，请以"NA"作答。

高阶用法：仅用LLM分析数据集

讨论了LLM在数据分析方面的擅长和不擅长的领域，并提供了一个使用LLM进行客户数据集分析的示例。

应用LLM分析数据集的技巧

  • 简化任务为步骤。
  • 标记并引用中间输出。
  • 优化响应格式。
  • 分离任务指令和数据集。

结论

编写有效的提示词可以极大提升与AI的交互体验。通过CO-STAR框架、合理使用分隔符和系统提示，我们可以更精确地指导AI，实现更高质量的对话和任务完成。