Google 《Prompt Engineering v7》

《Google Prompt Engineering v7》白皮书主要讨论了提示工程（Prompt Engineering）的概念、方法和最佳实践，旨在帮助用户设计高质量的提示，引导大型语言模型（LLMs）生成准确的输出。以下是文档的核心内容总结： --- ### 1. **提示工程的定义与目的** - **提示工程**是设计和优化提示的过程，旨在引导LLMs生成预期的高质量输出。 -提示是一个输入文本，用于让模型生成响应或预测。提示工程涉及调整提示的长度、结构和风格，以适应具体任务。 --- ### 2. **常见提示技术** - **零样本提示（Zero Shot Prompting）**：直接给出任务描述，无需示例。 - **一样本/少样本提示（One-shot/Few-shot Prompting）**：通过提供一个或多个示例来引导模型。 - **系统提示（System Prompting）**：明确模型的角色或任务。 - **角色提示（Role Prompting）**：设定模型的身份（如“旅行指南”），以调整语气和风格。 - **上下文提示（Contextual Prompting）**：提供额外信息以帮助模型理解任务。 - **后退提示（Step-back Prompting）**：提示模型在生成之前先重新审视问题。 - **思维链（Chain of Thought, CoT）**：让模型先展示推理过程，再给出答案。 - **自洽性（Self-consistency）**：确保输出的一致性和逻辑性。 - **思维树（Tree of Thoughts, ToT）**：通过分层推理展开问题。 - **ReAct（Reason & Act）**：结合推理和行动的提示方式。 --- ### 3. **提示工程的实现步骤** 1. **迭代测试**：反复调整提示并测试模型输出，逐步优化。 2. **记录文档**：使用标准模板记录提示的名称、目标、模型配置、输入和输出等信息，便于追踪和复现。 3. **模型配置**：根据任务需求调整模型参数（如温度、TOKEN限制、Top-K、Top-P）。 --- ### 4. **代码提示与自动化** - **代码提示**：包括编写代码、解释代码、翻译代码、调试代码等任务的提示设计。 - **自动化提示工程**：探讨如何自动优化提示，提高效率。 --- ### 5. **提示工程的挑战与最佳实践** - **挑战**：提示不足、模型更新等因素可能影响输出。 - **最佳实践**： - **提供示例**：帮助模型理解任务要求。 - **设计简洁**：避免复杂化提示。 - **明确输出**：清晰指定预期的输出格式。 - **使用变量**：灵活调整提示内容。 - **实验多样化**：尝试不同输入格式和写作风格。 - **适应模型更新**：模型更换或配置更改后，重新优化提示。 --- ### 6. **案例分析** - **电影分类**：通过零样本提示让模型对影评情感分类。 - **旅行指南**：通过角色提示让模型推荐景点。 --- ### 总结 提示工程是一门需要不断迭代和实验的实践学科。通过合理设计提示、优化模型配置并记录测试结果，可以显著提高LLMs的输出质量。文档还强调了记录和自动化的重要性，以便更高效地管理和优化提示。