OpenAI官方Prompt工程指南，学会彻底告别ChatGPT小白

随着ChatGPT和GPT-4等大型语言模型（LLM）的兴起，Prompt Engineering（提示工程）的重要性愈发显著。许多人将Prompt视为与LLM互动的“咒语”，其质量直接影响模型的输出效果。那么，如何编写出优秀的Prompt呢？

最近，OpenAI发布了一份详细的提示工程指南，介绍了通过不同策略使GPT-4等LLM产出更优秀结果的方法。这份指南不仅从理论上对Prompt进行了分类总结，还提供了实际应用示例，并示范了如何组合这些方法以期获得更佳效果。

无论是初学者，还是经验丰富的使用者，都可以通过这份指南更好地与ChatGPT进行互动。下面我们一起探讨一下！

### OpenAI提供的提升ChatGPT回复质量的“六大策略”

1. **清晰的指令**
– **明确表达**：提供尽可能多的详细信息和上下文，避免模糊不清的描述。例如，不要简单问“如何在Excel中添加数字？”，而是说“如何在Excel中为新行添加金额，并自动将总计显示在列名为‘总计’的右侧？”
– **角色设定**：要求模型扮演特定角色，以获得更专业的答案。例如，要求模型以幽默的喜剧演员身份回答，增加趣味。
– **使用分隔符**：使用三引号、XML标签等清晰标示输入的不同部分，有助于模型理解文本结构。
– **指定步骤**：将复杂任务拆解为简单步骤，便于模型理解。例如，第一步总结文本，第二步翻译。
– **提供示例**：用经典的例子指导模型输出。例如，模仿特定文本风格写作。
– **指定输出长度**：根据单词、段落等要求输出长度，但需注意要求特定字数可能不够准确。

2. **提供参考文本**
– **利用可靠资料**：向模型提供相关的可靠文献，帮助其准确回答。例如，根据提供的文章回答问题。
– **引用参考文本**：提示模型在回答时引用具体段落，提高回答的准确性和可验证性。

3. **将复杂任务拆分为简单子任务**
– **意图分类**：识别用户查询的相关指令，将复杂任务转化为独立的步骤，减少错误。
– **对话总结**：对于长对话，总结或过滤之前的交流，以便模型可以处理下一个查询。

4. **给模型思考时间**
– **逐步推理**：在模型回答问题之前，先引导其思考自己的解决方案，以提高准确性。
– **内心独白**：让模型展示其推理过程，但最终只输出关键部分，避免直接泄露答案以促进学习。

5. **使用外部工具**
– **嵌入搜索**：将外部信息源加入模型的输入，帮助其生成更详尽的回答。
– **代码执行**：指示模型编写并运行代码来解决数学或逻辑问题。
– **提供特定功能**：通过API列出功能说明，以便模型生成并使用相应的参数完成任务。

6. **系统性测试变更**
– 评估新指令或设计变更对系统性能的影响。开放性的评估程序有助于判断优化是否有效。

### 结论

OpenAI的这份提示工程指南深入细致，为用户提供了实践反馈机制和详细策略，帮助更高效地与大型语言模型沟通并得到有效回应。这份指南对于希望优化LLM交互的用户来说，无疑是一个重要的资源。如果您对Prompt Engineering感兴趣，可以深入阅读原文。此文档总结了一些策略，并为用户提供了直观的图示以便学习和复习。希望这些信息对您有所帮助！