LLM及LangChain開發筆記(2)_何謂提示詞工程(Prompt Engineering)_8個常見提示詞工程技巧
提示工程是人工智慧中的一個概念，特別是自然語言處理。
在提示工程中，任務的描述會被嵌入到輸入中。
例如，不是隱含地給予模型一定的參數，而是以問題的形式直接輸入。
提示工程的典型工作方式是將一個或多個任務轉換為基於提示的數據集，並通過所謂的「基於提示的學習」來訓練語言模型。
最簡單的形式中，提示可以是問題或說明，例如，要求模型完成一個句子：
Prompt: “Complete this sentence: The sky is”
Output: “The sky is blue during the day and dark at night.”
通常也可以用「角色+任務+要求+提示」的結構來設計提示詞，比方:
「你是一個歷史學家，請撰寫一篇關於文藝復興時期的藝術見解文章，須包含三個主要藝術家作品的比較」
在更進階一些則可以變形多補充你的動機、要求回復的形式比方語言要繁體中文、英文等等或者檔案格式要是json、XML。
祕訣就在於更多的上下文或詳細的說明可以帶來更好的管理輸出。
通常會帶來如下幾項優點
- 提升輸出精準度：透過精心設計的提示語，可以引導模型產生更貼切的內容，降低隨機猜測的可能性，提升結果的可信度。
- 加強輸出可控性：設計提示語時，使用者能有效掌握模型輸出的方向，使內容更符合特定情境與使用需求，保持內容的一致與關聯性。
- 促進上下文理解力：良好的提示語有助於模型更全面地理解語境與背景，生成與主題緊密相關的資訊，提升應用價值。
- 維持語氣與風格統一：藉由提示語引導，模型可遵循特定的語調與風格，使產出內容更加一致，符合不同場域的溝通需求。
5個常見提示詞工程技巧
Tactic 1：角色扮演（Role-playing）
讓模型扮演某個特定角色（如老師、律師、顧問），可明確引導它用對應角色的視角與語氣回應，產生更貼近需求的內容。
例子：
Prompt:「你是一位資深財務顧問，請幫我分析這家公司的投資風險。」
👉 模型會用專業術語、理性分析的方式回答，而非隨意評論。
Tactic 2：風格拆解（Style unbundling）
將風格具體拆分成多個特徵（如語氣、詞彙、節奏），逐項列出指示，能更準確地讓模型模仿特定風格或語言習慣。
例子：
Prompt:「請用簡潔、有條理、類似科技部落格的語氣，幫我介紹 GPT-4 是什麼。」
👉 模型會依照指定風格輸出內容，避免口語化或過度學術。
Tactic 3：情緒引導（Emotion prompting）
在提示詞中加入特定情緒（如熱情、平靜、鼓舞人心），讓模型生成時帶有相應情感色彩，使內容更有感染力與情境感。
Prompt:「用鼓舞人心的語氣，寫一段給準備考試學生的勉勵文字。」
👉 模型會用正向激勵、信心喊話的方式撰寫，而非中性敘述。
Tactic 4：少量示例學習（Few-shot learning）
給模型提供1~3個範例，讓它學習怎麼回應相似問題，有助於提高一致性與準確度，尤其適用於結構化輸出或格式統一。
Prompt:
Q: 蘋果的英文是？
A: Apple
Q: 香蕉的英文是？
A: Banana
Q: 芒果的英文是？
👉 模型會依照規律回答「Mango」，並保持格式一致。
Tactic 5：合成自舉（Synthetic bootstrap）
先用模型生成大量資料，再選出優質內容當作後續提示詞範例。
等於「用AI訓練AI」，能快速建立有效提示模板。
例子：
Prompt：「請列出 10 條有趣的旅遊冷知識」
之後再從生成中挑出品質好的幾條
未來使用 Prompt：「請參考下列風格，寫出新一組冷知識…」
👉 讓模型學會你喜歡的內容風格與品質。
Tactic 6：Chain-of-thought（思路鏈引導）
引導模型一步一步思考問題的解法過程，避免草率回答，促使其邏輯推理能力被激發。
舉例：
「請你一步步思考以下數學問題的解法：假設你有10顆糖果，要平均分給3個人...」
👉 讓 AI 花時間規劃與分解問題，再給出結論，有助於邏輯性強的任務（如數學、推理）。
Tactic 7：Retrieval Augmented Generation (RAG)（檢索增強生成）
這種做法會先餵給 AI 一些「背景文件」或「知識片段」，再請它根據這些資料來回答問題。
舉例：
「根據這篇文章內容，請回答：這個產品是何時上市的？」
👉強化模型在特定知識情境下的準確回答，常用於內部知識庫查詢、文件問答系統。
Tactic 8：LLM-as-a-Judge（讓 AI 當評審）
這種技巧是讓 一個 AI 來評分另一個 AI 的輸出結果，可用於自動評估品質或迭代訓練。
「請根據清晰度、邏輯性，評分以下文章段落（1~5分），並簡述原因。」
👉常用於自動評估多種模型生成的結果，幫助過濾、選擇或進行 A/B 測試。
留言
張貼留言