在人工智能日益渗透各行各业的今天，如何与大型语言模型（LLM）高效互动，已成为提升工作效率的关键。本文深入探讨了Prompt工程中的常见技巧，尤其是在Prompt中增加条件和示例的方法，旨在帮助用户更精准地表达意图，从而获得LLM更符合期望的答案。
Prompt工程核心技巧：条件约束与示例引导
编写有效的Prompt，并非简单的提问，而是一门精细的艺术。一个设计良好的Prompt，能够引导LLM理解用户的真正需求，并生成高质量、相关性强的回应。
1.1 条件约束：明确指令，缩小搜索范围
在Prompt中增加条件是最常用的技巧之一。其核心在于，通过清晰、明确的信息传达，引导LLM在限定的范围内生成答案。条件约束可以分为两种基本类型：ToDo（执行）型和NotToDo（禁止）型。通常情况下，ToDo型条件比NotToDo型条件效果更佳。
1.1.1 ToDo型条件：积极引导，精准定位
ToDo型条件通过明确要求LLM执行特定任务，从而引导其生成符合特定要求的答案。例如，若希望LLM推荐一本编程类图书，可以尝试以下Prompt：
- **Prompt 1：**推荐一本编程类图书。
这个Prompt相对宽泛，LLM可能会推荐各种类型的编程书籍。为了缩小范围，可以增加ToDo型条件：
- **Prompt 2：**推荐一本与编程相关的图书。
通过增加“编程相关”这一条件，可以有效过滤掉非编程类书籍，使推荐结果更加精准。进一步地，如果想 specifically 查找 Go 语言编程相关的书籍，则可以：
- **Prompt 3：**推荐一本关于Go语言编程的图书。
如果目标读者是Go语言初学者，可以更精准地描述需求：
- **Prompt 4：**推荐一本适合Go语言初学者阅读的编程书籍。
通过逐步增加ToDo型条件，Prompt变得更加具体，LLM也能更好地理解用户的需求，最终生成令人满意的答案。
1.1.2 NotToDo型条件：排除干扰，逐步逼近
NotToDo型条件则通过排除特定类型的答案，逐步缩小搜索范围。例如，若希望LLM推荐一本非心理学、非行为经济学类的书籍，可以尝试以下Prompt：
- **Prompt 1：**推荐一本图书。
这个Prompt过于宽泛，LLM可能会推荐任何类型的书籍。为了排除特定类型，可以增加NotToDo型条件：
- **Prompt 2：**推荐一本图书，但不要推荐心理学和行为经济学相关的书籍。
如果想进一步缩小范围，可以继续增加NotToDo型条件：
- **Prompt 3：**推荐一本图书，但不要推荐心理学、行为经济学、历史和传记类的书籍。
NotToDo型条件本质上是一种排除法。虽然可以有效地缩小推荐范围，但每次缩小的幅度有限，可能需要经过多轮对话才能获得满意的答案。在以下场景中，NotToDo型条件可能更实用：
- 当已经明确表达需求，但想进一步缩小范围时。
- 当处于探索阶段，不清楚如何精确限定需求，只知道不希望得到什么时。
1.1.3 增加条件的注意事项
- 明确Prompt的目标： 在设计 Prompt 之前，务必明确希望 LLM 完成的任务。是需要事实信息、意见建议，还是回答问题、记录信息？希望得到简短的回答还是详尽的解释？问题是基于之前的对话内容，还是全新的问题？是开放式问题还是封闭式问题？
- 条件词汇要具体： 使用具体的词汇来描述条件，例如具体的时间（“2023年4月15日星期六”）、人名（“张三”）、书名（“《时间简史》”）等。避免使用过于宽泛的词汇，如“书籍”、“作业”、“程序”等。例如，将“能帮我写程序吗？”修改为“帮我写一个Python程序，其主要功能是列出当前文件夹下及子文件夹下的所有文件”。
- 保持对话在正确的轨道上： 专注于正在讨论的主题，避免引入无关话题。确保 LLM 的反馈符合预期目标，且信息内容具有价值和相关性。
1.2 增加示例：模仿学习，提升理解能力
对于一些难以通过文字描述清晰表达的需求，可以在Prompt中增加示例，引导LLM模仿学习，从而生成更符合要求的答案。例如，希望LLM生成一些中文人名，可以尝试以下Prompt：
- **Prompt 1：**起三个名字。
LLM可能会生成各种类型的名字，不一定是中文人名。为了引导LLM生成中文人名，可以增加示例：
- **Prompt 2：**起三个名字，例如：张三、李四、王五。
通过增加“张三”这个示例，LLM更容易理解用户希望生成中文人名的需求。如果希望生成的名字是两个字的，可以进一步增加示例：
- **Prompt 3：**起三个名字，例如：张三、李四、王五。要求生成的名字是两个字的。
通过增加限定条件和提供示例，可以有效地引导LLM生成符合要求的答案。这就是在Prompt中增加示例的作用。
总结
Prompt工程是与LLM高效互动的关键。通过合理运用条件约束和示例引导等技巧，可以更精准地表达意图，从而获得LLM更符合期望的答案。在实际应用中，需要根据具体需求和场景，灵活选择和组合不同的Prompt技巧，不断优化Prompt设计，提升LLM的应用效果。随着人工智能技术的不断发展，Prompt工程将成为一项重要的技能，为各行各业带来更广阔的应用前景。
