Prompt工程的基础概念

通过提示词（prompts）您可以获得大量的结果，不过这些结果的质量与您提供的信息数量和完备度息息相关。一个提示词可以包含指令、问题等相关信息，它也可以包含上下文、输入、示例等详细信息。通过这些元素，您可以更好地指导模型，从而获得更好的结果。看下面一个简单的示例：

提示词

The sky is

输出结果

blueThe sky is blue on a clear day. On a cloudy day, the sky may be gray or white.

可以按如下示例试着完善一下：

提示词

完善以下句子:The sky is

输出结果

so  beautiful today.

结果是不是要好一些了？本例中，我们告知模型去完善句子，因此输出的结果和我们最初的输入是完全符合的。提示工程（Prompt Engineering）就是探讨如何设计出最佳提示词，用于指导语言模型帮助我们高效完成某项任务。

以上示例基本说明了现阶段的大语言模型能够发挥的功能作用。它们可以用于执行各种高级任务，如文本概括、数学推理、代码生成等。

提示词格式

前文中我们还是采取的比较简单的提示词。 标准提示词应该遵循以下格式：

<问题>?

或

<指令>

这种可以被格式化为标准的问答格式，如：

Q: <问题>?A:

以上的提示方式，也被称为_零样本提示（zero-shot Prompting）_，即用户不提供任务结果相关的示范，直接提示语言模型给出任务相关的回答。某些大型语言模式有能力实现零样本提示，但这也取决于任务的复杂度和已有的知识范围。

基于以上标准范式，目前业界普遍使用的还是更高效的_小样本提示（Few-shot Prompting）_范式，即用户提供少量的提示范例，如任务说明等。小样本提示一般遵循以下格式：

<问题>?<答案><问题>?<答案><问题>?<答案><问题>?

而问答模式即如下：

Q: <问题>?A: <答案>Q: <问题>?A: <答案>Q: <问题>?A: <答案>Q: <问题>?A:

注意，使用问答模式并不是必须的。你可以根据任务需求调整提示范式。比如，您可以按以下示例执行一个简单的分类任务，并对任务做简单说明：

提示词

This is awesome! // PositiveThis is bad! // NegativeWow that movie was rad! // PositiveWhat a horrible show! //

输出结果

Negative

语言模型可以基于一些说明了解和学习某些任务，而小样本提示正好可以赋能上下文学习能力。