课程大纲 第 112 课,共 250 课 · 神经网络直觉、LLM 与 AI 综合项目
神经网络直觉、LLM 与 AI 综合项目

提示词工程

既然模型对你的任务所知道的一切都来自提示词,写出好的提示词就是一项真正的技能。有两条原则承担了大部分分量。

要具体,不要含糊

含糊的提示词会招来含糊(或错误)的回答。比较一下:

# vague
"summarize this"

# specific
"Summarize this in 2 sentences for a non-technical reader. "
"Lead with the single most important number."

说明格式、受众、长度,以及要关注什么。模型不会读心;它是一个文本预测器。

给出例子(少样本提示)

最可靠的诀窍是在你真正的问题之前,先给模型看几对输入/输出。这叫作少样本(few-shot)提示,它教会模型这个模式的效果远好于描述它:

Classify the sentiment.

Input: good
Output: positive
Input: awful
Output: negative
Input: great
Output:

模型看到了任务的形状并接着写下去,填上最后那个 Output:。把最后一行留空,就是让它作答的提示。

真正试一试

在 Floati 应用里,一旦加载了设备端模型,你就可以把这样一个字符串直接传给它(比如在 AI 面板里用 await engine.chat(prompt)),看它补全最后一行。我们没法在这个评分器里运行实时模型(它需要 WebGPU,而且结果不确定),所以在这里你要构建的是提示词字符串,也就是你能完全掌控的那部分。

轮到你了

写 few_shot_prompt(task, examples, query)。它返回一个字符串:task 那一行,然后一个空行,然后把每个 (inp, out) 例子渲染成一行 Input: <inp>,后面跟一行 Output: <out>,然后是最后一行 Input: <query>,以及末尾一个留给模型补全的 Output:。用换行把所有内容连接起来。然后设 prompt = few_shot_prompt("Classify the sentiment.", examples, "great")。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。