你好,我是三桥君

在深入应用大语言模型和其他AI技术时,我频繁地使用Prompt来指导模型输出。随着实践的增多,我逐渐意识到一个关键问题:如何在不断的使用中提升Prompt的撰写技巧,以更有效地引导AI产生高质量的回答。这一挑战成为了我在AI辅助工作流程中亟待解决的问题。那我是如何写好Prompt呢

第一,理解大语言模型(LLM)

要有效地构建提示词(prompt),首先需要对大语言模型(LLM)有深入的理解。不同的模型,如GPT、文心一言和智谱,即使面对相同的提示词,也会产生不同的输出结果。这种差异主要归因于它们在参数设置、训练语料库以及微调策略上的不同。这些差异导致了各个模型在交付使用时的能力各不相同。

在此,我们专注于探讨模型的推理能力。即使是使用相同的表述、方法论和语言,不同模型的输出结果也会大相径庭,这一点已通过对比测试得到验证。

因此,认识到每个模型的特点和能力是编写有效提示词的前提。在撰写提示词时,必须明确针对的是哪一个模型。例如,在使用Claude模型时,采用XML框架性的描述输入可能会取得显著效果,而在ChatGPT模型中使用XML和markdown则可能产生不同的结果。

第二,行业Know-how

在深入理解大语言模型(LLM)并掌握相关技巧后,我们发现市面上流行的所谓“高级操作”大致可以归纳为十条左右。这些技巧确实有助于提升prompt的效果,但它们仍然是在LLM框架内的应用。掌握这些技巧并不意味着就能自动写出高质量的prompt。

接下来,我们进入第二个关键要素:行业Know-how。这是指对特定领域、行业或细分场景的深入理解。例如,在制造业中,对整个工程链流程环节的深入了解,以及每个环节的关键注意点,是决定prompt质量的重要因素。行业专家与新手在撰写prompt时展现的深度差异,直接影响了输出的质量。

大语言模型的崛起引发了对人类工作未来的担忧,但真正的竞争力在于个人的行业Know-how。以UI设计师为例,仅仅掌握软件操作技能是不够的,真正的壁垒在于审美、设计理念和隐性知识的积累。

因此,即使掌握了相同的技巧和知识,不同人撰写的prompt仍会有明显差异。这种差异源于个人知识素养的不同层次,如同编程领域中,对递归和框架体系结构设计的理解,工匠与艺术家之间存在着本质的差异。

总结来说,行业Know-how是区分个人能力高低的关键因素,也是撰写高质量prompt的重要基础。个人的知识深度和素养层次决定了在运用LLM时的表现和成果。

第三,逻辑表达的清晰性

在与其他从事内容创作的朋友交流时,我们发现他们在撰写小红书笔记、制作抖音视频、编写文稿和口播稿等场景中,尽管遵循相同的标准化操作流程(SOP),最终的作品却各不相同。

通过对比分析三个人基于同一SOP撰写的prompt,我们注意到在逻辑表达层面存在差异。这种差异体现在个人是否能够将复杂信息清晰且无矛盾地表达出来。即使知识在脑海中已经形成,关键在于能否准确地传达这些信息。

在审查这些prompt时,我们发现了许多前后不一致的表达。例如,一个prompt可能一开始要求以轻松幽默的语气传达内容,而在后续的工作流程或其他SOP环节中,却又要求以严肃认真的态度对待每个字。这种前后矛盾的表达会显著降低输出质量,因为模型的注意力会因不一致而分散,导致信息传递的权重失衡。

因此,表达时的逻辑一致性至关重要。对于同一个语句,不同的人可能会使用不同的字数来表达,这要求我们认真思考并迭代,以区分是表达的丰富性还是不必要的冗余。清晰、一致的表达是确保prompt有效性和输出质量的关键。

综合来看,撰写有效prompt的关键在于三个核心要素:对大语言模型(LLM)的深入理解、行业Know-how的积累以及逻辑表达的清晰性。这三个环节相辅相成,共同决定了prompt的质量。

在AI技术飞速发展的背景下,LLM模型的能力日新月异,每天都有新的更新和突破。然而,在这股技术浪潮中,我们应当认识到,虽然模型的能力在增强,但真正的挑战在于如何利用这些工具来辅助我们的表达和思考。

因此,三桥君的观点是,我们应该“往回退”,而不是盲目“往前进”。这意味着我们需要回归到基础,加强以下两个方面:

  1. 清晰表达:能否将我们所掌握的知识以清晰、简洁且直达核心的方式表达出来。

  2. 行业Know-how:我们是否积累了足够的行业知识和经验。

要做到这一点,我们必须深刻理解自己的行业,深入探究我们感兴趣的领域或课题。只有将这两者结合起来,我们才能撰写出高质量的prompt,使LLM模型真正成为我们表达和创造的有力杠杆。

10-02 01:20