以下是关于提示词格式的相关内容:
标准提示词格式:
小样本提示(Few-shot Prompting)范式:
Claude 官方文档提示词工程最佳实践:
提示词示例:
我们将在接下来的章节中更广泛地讨论如何使用零样本提示和小样本提示。
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:或这种可以被格式化为标准的问答格式,如: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。具体的零样本提示示例如下:提示词对于一些较新的模型,你可以跳过Q:部分,直接输入问题。因为模型在训练过程中被暗示并理解问答任务,换言之,提示词可以简化为下面的形式:提示词基于以上标准范式,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:而问答模式即如下: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:提示词输出结果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。我们将在接下来的章节中更广泛的讨论如何使用零样本提示和小样本提示。
● Claude被训练为交替对话形式的机器人。对话形式固定为:“Human:” / “Assistant:”:○ Human:[提示词xxx]¶ ¶ Human:Why is the sky blue?¶ ¶ Assistant:提示词格式用例:○ Assistant:[Claude回复xxx]* ¶ symbols above shown for illustrationPython●如果提示词在API里出现;则固定开头为“\n\nHuman:”固定结尾是:“\n\nAssistant:”prompt = “\n\nHuman:Why are sunsets orange?\n\nAssistant:”[heading1]“Human:” / “Assistant:” formatting ● Claude is tra[heading1]alternating “Human:” / “Assistant:” dialogue:[heading1]○ Human:[Instructions][heading1]○ Assistant:[Claude’s response][content]● For any API prompt,you must start with “\n\nHuman:” and end with “\n\nAssistant:”[heading1]Examples:[content]* ¶ symbols above shown for illustrationPythonprompt = “\n\nHuman:Why are sunsets orange?\n\nAssistant:”[heading1]提示词要清晰明确[heading1]● Claude对清晰明确的提示词反馈最好[content]●如果有疑问,可以这么做:向你的朋友展示你的提示词,问问他们,能不能遵循指令做到你要求的事情。不能就去改,改到能为止。[heading1]Be clear and direct[content]● Claude responds best to clear and direct instructions
提高模型响应精确度的最佳方法之一是改进提示词的格式。如前所述,提示词可以通过指令、上下文、输入和输出指示以改进响应结果。虽然这些要素不是必需的,但如果您的指示越明确,响应的结果就会越好。以下示例可以说明结构化提示词的重要性。提示词输出结果语境参考至[Nature(opens in a new tab)](https://www.nature.com/articles/d41586-023-00400-x)。[heading2]文本分类[content]目前,我们已经会使用简单的指令来执行任务。作为提示工程师,您需要提供更好的指令。此外,您也会发现,对于更复杂的使用场景,仅提供指令是远远不够的。所以,您需要思考如何在提示词中包含相关语境和其他不同要素。同样,你还可以提供其他的信息,如输入数据和示例。可以通过以下示例体验文本分类:提示词输出结果我们给出了对文本进行分类的指令,语言模型做出了正确响应,判断文本类型为'Neutral'。如果我们想要语言模型以指定格式做出响应,比如,我们想要它返回neutral而不是Neutral,那我们要如何做呢?我们有多种方法可以实现这一点。此例中,我们主要是关注绝对特性,因此,我们提示词中包含的信息越多,响应结果就会越好。我们可以使用以下示例来校正响应结果:提示词输出结果完美!这次模型返回了neutral,这正是我们想要的特定标签。提示词中的示例使得模型可以给出更具体的响应。有时给出具体的指令十分重要,可以通过以下示例感受这一点:提示词输出结果这时候你知道给出具体指令的重要性了吧?