ChatGPT提示工程技术
2023-04-11 16:50:34 6 举报
AI智能生成
理解和利用各种提示技术,以便从ChatGPT中获得高质量的答案。ChatGPT 是目前最先进的、能够生成类似人类文本的语言模型。了解向ChatGPT提问的正确方式,以获得所期望的高质量答案,是至关重要的。
作者其他创作
大纲/内容
第13章:受控生成提示(Controlled Generation prompts)
公式
向模型提供一组特定的输入实现的,例如模板、特定词汇或一组约束条件,可以用来指导生成过程。
举例
根据以下模板生成一个故事:[插入主题]
使用下面的词汇表完成以下句子:[插入词汇] :[插入句子]
生成遵循以下语法规则的文本:[插入规则] :[插入上下文]
第14章:问答提示(Question-answering prompts)
公式
向模型提供一个问题或任务作为输入,以及可能与问题或任务相关的任何其他信息来实现的。
举例
回答以下事实性问题:[插入问题]
定义以下单词:[插入单词]
从以下来源检索有关[特定主题]的信息:[插入来源]
第15章:摘要提示(Summarization prompts)
公式
将长文本作为输入提供给模型,并要求其生成该文本的摘要来实现的。
举例
用一句简短的话概括以下新闻文章:[插入来源]
通过列出主要决策和行动总结以下会议记录:[插入记录]
用一个简短的段落概括下面的书:[插入书名]
第16章:对话提示(Dialogue prompts)
公式
向模型提供一个上下文、一组角色或实体以及它们的背景,并要求模型在它们之间生成对话。
举例
在下面的[插入上下文]中,生成以下角色之间的对话 [插入角色]
在以下故事[插入故事]中,生成以下角色之间的对话 [插入角色]
当客户询问[插入主题]时,为客户服务聊天机器人生成专业且准确的对话
第17章:对抗性提示(Adversarial prompts)
公式
为模型提供一个设计良好的提示,以使模型难以生成与所需输出一致的文本。
举例
生成难以分类为[插入标签]的文本
生成难以被分类为具有[插入情感]情感的文本
生成难以翻译为[插入目标语言]的文本
第18章:聚类提示(Clustering prompts)
公式
提供一组数据点,并要求模型根据某些特征或特点将它们分组成簇来实现。
举例
根据情感将以下客户评价分组成簇:[插入评价]
以下新闻文章根据主题分组成簇:[插入文章]
根据研究领域将以下科学论文分组:[插入论文]
第19章:强化学习提示(Reinforcement learning prompts)
公式
向模型提供一组输入和奖励,并允许其根据所接收的奖励调整其行为。
举例
使用强化学习生成符合以下风格的文本[插入风格]
使用强化学习将以下文本[插入文本]从[插入语言]翻译为[插入语言]
使用强化学习回答以下问题[插入问题]
第20章:课程学习提示(Curriculum learning prompts)
公式
向模型提供一系列逐渐增加难度的任务
举例
使用课程学习生成符合以下风格的文本[插入风格],按以下顺序[插入顺序]
使用课程学习将以下语言的文本[插入语言],按以下顺序[插入顺序]翻译为以下语言[插入语言]
第21章:情绪分析提示(Sentiment analysis prompts)
公式
向模型提供一段文本,并要求根据其情绪对其进行分类。
举例
对以下客户评论进行情感分析[插入评论],并将其分类为积极、消极或中立。
对以下推文进行情感分析[插入推文],并将其分类为积极、消极或中立。
对以下产品评论进行情感分析[插入评论],并将其分类为积极、消极或中立。
第22章:命名实体识别提示(Named entity recognition prompts)
公式
向模型提供一段文本,并要求识别和分类文本中的命名实体。
举例
对以下新闻文章进行命名实体识别[插入文章],并识别和分类人物、组织、地点和日期。
对以下法律文件进行命名实体识别[插入文档],并识别和分类人物、组织、地点和日期。
对以下研究论文进行命名实体识别[插入论文],并识别和分类人物、组织、地点和日期。
第23章:文本分类提示(Text classification prompts)
公式
向模型提供一段文本,并要求根据预定义的类别或标签对其进行分类。
举例
对以下客户评论进行文本分类[插入评论],并根据其内容将其归类为电子产品、服装和家具等不同类别。
对以下新闻文章进行文本分类[插入文章],并根据其内容将其归类为体育、政治和娱乐等不同类别。
对以下电子邮件进行文本分类[插入邮件],并根据其内容和发送者将其归类为垃圾邮件、重要邮件或紧急邮件等不同类别。
第24章:文本生成提示(Text generation prompts)
公式
零提示、单个提示和小样本提示
受控生成提示
翻译提示
语言建模提示
文本补全提示
举例
根据以下提示[插入提示],生成一个至少有1000个单词,包括角色[插入角色]和情节[插入情节]的故事。
将以下文本[插入文本]翻译成[插入目标语言],并确保它准确并符合习惯用语。
结语
这些技术可以以不同的方式使用,以实现各种不同的结果。
尝试不同的技术组合,以找到最适合特定用例的方法。
第01章:提示工程技术简介
任务:对模型生成内容的清晰、简洁的陈述。
说明:模型生成文本时应遵循的指令。
角色:模型在生成文本时应承担的角色。
第02章:说明提示技术(Instructions Prompt Technique)
公式
按照这些指示生成[任务]:[说明]
举例
生成对客户咨询的回复:回答应该是专业的并提供准确的信息
按照这些指令,生成一份符合相关法律和法规的法律文件:该文件应符合相关法律和法规。
第03章:角色提示(role prompting technique)
公式
生成[任务]作为一个[角色]
举例
作为客服,生成对客户咨询的答复。
作为律师生成一份法律文件。
第04章:标准提示(Standard Prompts)
公式
生成[任务]
举例
作为一名技术专家,生成一份客观且信息丰富的产品评论,突出新笔记本电脑的强大功能。
第05章:零、单个和小样本提示(Zero, One and Few Shot Prompting)
公式
基于[数量]的例子生成文本
举例
为这个新的智能手表生成一个产品描述,没有范例
生成这个新智能手机的产品比较,有一个例子(最新的iPhone)
用几个例子(其他 3 个电子阅读器)生成对这个新电子阅读器的评论
第06章:“让我们思考这个”提示(”Let’s think about this” prompt)
公式
让我们思考这个
举例
让我们思考这个:个人成长
让我们想想这个:不断变化的季节
让我们思考一下气候变化对农业的影响
第07章:自我一致性提示(Self-Consistency Prompt)
公式
请确保以下文本是自我一致的
举例
生成与以下产品信息[插入产品信息]一致的产品评论
以符合所提供信息的方式,总结以下新闻文章[插入新闻文章]
第08章:种子词提示(Seed-word Prompt)
公式
请根据以下种子词生成文本
举例
请根据以下种子词生成文本:龙
第09章:知识生成提示(Knowledge Generation prompt)
公式
请生成有关[主题]的新的、原始的信息
举例
生成有关[特定主题]的新的和准确的信息
回答以下问题:[插入句子]
将以下信息与关于[特定专题]的现有知识相结合:[插入新信息]
请从此数据集生成有关客户行为的新信息和原始信息
第10章:知识整合提示(Knowledge Integration prompts)
公式
向模型提供新信息和现有知识作为输入,并指定生成文本的任务或目标
举例
将以下信息与有关 [特定主题] 的现有知识相结合:[插入新信息]
以相关和合乎逻辑的方式连接以下信息:[插入信息1] [插入信息2]
第11章:多项选择提示(Multiple Choice prompts)
公式
为模型提供一个问题或任务作为输入,以及一组预定义选项作为潜在答案
举例
通过选择以下选项来回答问题:[插入问题] [插入备选案文1] [插入备选案文2] [插入备选案文3]
选择以下选项之一,完成下面的句子:[插入句子] [插入备选案文1] [插入备选案文2] [插入备选案文3]
通过选择以下选项之一,将下面的文本分类为正面、中性或负面:[插入文字] [正面] [中性] [负面]
第12章:可解释软提示(Interpretable Soft Prompts)
公式
向模型提供一组控制信息,并且添加期望输出内容的附加信息。
举例
根据以下角色生成故事:[插入角色]和主题:[插入主题]
以[特定作者]的风格完成以下句子:[插入句子]
以[特定时期]的样式生成文本:[插入上下文]
0 条评论
下一页