探索ChatGPT提示詞的魅力，任何人都可以通過簡單學習和實踐，輕松掌握其使用技巧。

文前說明

本文及未來數(shù)篇文章是我近一段時間學習提示詞的總結，部分參考了Dr. Jules White在Coursera上的課程《Prompt Engineering for ChatGPT》和一些公眾號的文章。

本文的模板都是中英文對照的。文中的GPT指的是4.0和3.5版本的ChatGPT，但對于Bing Chat，Claude、Bard或是國內的一些模型（如百度的文心一言，科大訊飛的訊飛星火等）同樣適用。不過，由于各家產品幾乎是“日更”的迭代節(jié)奏，以及大模型本身輸出的多樣性，某些模板和示例的結果可能會有所不同，讀者應更多地關注其中的原則和設計模式本身。

本文的寫作借助了ChatGPT和文中的一些設計模式。

大語言模型：只會做一件事

首次接觸大語言模型（Large Language Model）和GPT類產品，你可能會驚訝于它的強大能力，它能生成一篇連貫的文章，為你的問題提供詳細的答案，和你進行流暢的對話。不過，大語言模型并非魔法，它的工作原理實際上非常簡單：預測下一個字。用戶給定一段輸入（即提示詞），模型會結合上下文環(huán)境，猜出下一個可能的字。然后模型會把這個新字納入上下文，為預測下一個字提供新的輸入，如此循環(huán)，直到輸出結束。

然而，這個簡單任務的背后，卻蘊藏著大語言模型較以往的對話型人工智能機器人（如Siri）的幾個顯著特性。首先，它能夠進行用自然語言進行連續(xù)對話，即把先前的交談記錄作為上下文，幫助生成更合適的答案。其次，它擁有記憶功能，能夠記住一段時間內的對話內容，為后續(xù)的交談提供參考。這時，提示詞的作用就顯得尤為重要了。因為，大語言模型依賴于提示詞來生成適合的回答。良好的提示詞可以讓模型更準確地預測下一個字，從而生成更準確，更相關的回答。

此外，大語言模型還具備其他一些重要特性，例如多樣化的輸出和自我調整能力。多樣化的輸出能力，讓每次同樣的輸入都可能得到不同的回答，增加了交互的豐富性。自我調整則體現(xiàn)在你提供了負面的反饋后，它會重新審視上下文，嘗試預測出一個更貼近語境的字。

正是因為大語言模型具備這樣的特性，雖然它只做一件事情——預測下一個字，但通過設計合適的提示詞，可以引導它展現(xiàn)出令人驚嘆的多樣性和適應性，這就像是一把瑞士軍刀，多功能，方便實用。接下來，我將會為你詳細揭示如何用好提示詞這把瑞士軍刀，從而激發(fā)出大語言模型的最大潛能。

提示詞：AI時代的咒語？

提示詞工程（Prompt Engineering)，聽起來可能有點高大上，但其實它的本質很簡單。就像你在和一位朋友聊天，你說了一句話，然后等待他的回應。你說的這句話，就是一個提示詞。在與GPT的對話中，提示詞工程的角色就像是那句話，它告訴機器我們想要什么，幫助我們和機器進行有效的溝通。有人把它看成是新時代的編程語言，也有人把它比喻成AI時代的咒語。

既然用自然語言交流，為什么我們還要刻意地學習與GPT的“溝通”技巧呢？

想象一下，如果你在和朋友聊天時，你說的話含糊不清，或者沒有清晰的主題，那么你的朋友可能會感到困惑，不知道你想要表達什么。同樣，如果你給GPT的提示詞不明確或者含糊，那么它也可能給出一些你不期望的回應?，F(xiàn)階段的人工智能，還做不到“察言觀色”，人類還得組織好自己的問題（即提示詞），提高AI回復的質量，得到想要的結果。好比說，你想讓GPT生成一篇關于'AI技術在醫(yī)療領域的應用'的文章。如果你只告訴它'寫一篇關于AI的文章'，那么它可能會寫出一篇關于AI歷史，或者AI在游戲領域的應用的文章。但如果你告訴它'寫一篇關于AI在醫(yī)療領域的應用的文章'，那么它就能更準確地給出你想要的內容。這就是提示詞工程的重要性所在。

提示詞里的每一個詞、每一句話，都可能影響到最終的結果。它不像編程語言那樣有嚴格的“語法”，但也遵循一些“規(guī)律”。因為它基本上用自然語言方式進行交互，即使是沒有任何編程基礎的普通人，也能通過不斷實踐習得規(guī)律，甚至創(chuàng)造出更加適合自身場景的模板，這就是提示詞工程的魅力所在。

掌握和理解提示詞工程，即使對于非程序員的普通人而言，無疑也是具有巨大價值的。就像學會了一門新的語言，你可以用它來更好地表達自己，更有效地溝通。同樣，如果你能夠熟練地使用提示詞，就能通過非代碼的方式實現(xiàn)人機對話，讓GPT為你提供更精確、更個性化的回答，甚至讓它成為你獨一無二的“虛擬助理”。這就是提示詞工程的價值所在。

有效提示詞的基本要求

那么，我們先來看一下，怎么才能寫出有效的提示詞？歸納起來，大概有以下五項基本原則。

首先，明確你要什么是關鍵。就像你和一位好友聊天，你要告訴他你想聊什么，你關心什么，你需要什么。這樣，你的朋友才能給你最相關的建議。同樣的，哪怕只是想讓GPT給你些思路，你也得先告訴它，你的問題或者話題是什么。在腦機接口沒有出來之前，你必須要且只能夠通過輸入文字、語音或者添加附件的方式和之交互。畢竟，它還沒進化成mind reader（讀心人），對吧？

一旦你明確了自己的需求，下一步就是去嘗試、嘗試、再嘗試。每個人都知道'多試幾次'是改變結果的有效方法，因為它可能帶來全新的結果。提示詞也不例外，GPT本質上是個猜詞機器，每次輸出都有一定的隨機性，所以多試幾次，可能會有全新的收獲。在ChatGPT的界面里，有重新生成結果（Regenerate）的按鈕，還有提示詞的編輯選項，如果對輸出的答案不滿意，你可以直接修改原來的提示詞后重新來過。

然后，你需要讓你的提示詞足夠具體。越具體的提示詞，越可能得到好的結果（這里用的是“可能”，因為你還要結合一些其它的“套路”，但具體是最基本的要求）。好比說，你如果告訴機器你想吃水果，它可能會給你一個蘋果，也可能會給你一串葡萄，但如果你告訴它你想吃草莓，那你就更有可能得到草莓。這個原理在這里同樣適用，更具體的提示詞能幫你得到更具體的結果。這里的具體不僅針對你的輸入（需求、背景、任務、參考示例等），還可以針對它的輸出（格式、語言、風格、口吻、字數(shù)等）。同時，你的提示詞相關，避免引入不相關的主題或切線，以免分散對話的主要焦點（俗稱“歪樓”）。

另外，你的用詞需要盡可能準確。避免使用模糊、有歧義的詞語、行話、專業(yè)術語（縮寫）以及生僻詞。注意盡量少使用負向詞匯，如“不要”，“不能”，“不可以”等，而盡量用正向詞匯如“避免”、“過濾”、“排除”等來代替。因為這樣的轉換可以更清楚地表達你的需求，讓模型更好地理解你的意圖。

最后，盡量用英文寫你的提示詞。這里的原因有兩個。一方面，大模型在訓練時所使用的中文語料相對較少。這就可能導致它對中文知識的“理解”不如英文。例如，目前3.5版本的ChatGPT，甚至包括國內的頭部模型，都不知道魯迅和周樹人其實是同一個人。另一方面，漢語的復雜性（或者說“博大精深”）對大模型來說是個挑戰(zhàn)。漢字的多義性、繁復的語法、以及層出不窮的網絡熱詞，都可能讓GPT感到困惑。所以，即便是要在最后加上一句'Output in Chinese'（請用中文輸出），我也建議你盡可能用英文的提示詞。因此，本文提供的提示詞示例都是中英文對照的。

請把上述原則記在心里。接下來，我會引入一些設計模式（Pattern）以及其實例，來幫助你在此基礎上更好地獲得想要的結果。我們繼續(xù)。

設計模式之一：角色扮演（Persona Pattern）

角色扮演幾乎是所有提示詞工程的第一課，或許也是最重要的一課。

為什么它很重要？就像生病了，人們會去找醫(yī)生，而且會找名醫(yī)掛專家號，因為專家既有專業(yè)知識，又見多識廣。在與GPT的交互過程中，角色扮演模式（Persona Pattern）實質上是通過提供具體的上下文環(huán)境，'激活'大模型中儲存的特定領域知識（Domain Knowledge），從而實現(xiàn)更準確、更有針對性的回答。如果你不給GPT設定一個角色，它就只會用一般的知識甚至是江湖郎中的偏方來“敷衍”你??。當然，對于較簡單的問題，“普通號”也許就夠了，但要想對付“疑難雜癥”，還得掛“專家號”。

舉例來說，你可以讓 GPT 扮演一位科學家，讓他把復雜的科學概念解釋得通俗易懂；也可以讓它扮演一位 Linux 技術專家，讓你快速上手 Linux 系統(tǒng)。

當然，角色扮演并不僅限于讓GPT扮演科學家或者專家，你也可以讓它扮演你的交談對象。想象一下，你可以讓GPT扮演你的老板，然后你就可以對它說出你可能不敢對真正的老板說的話（比如在和老板談加薪前，先拿它來練個手/膽）。抑或是讓它扮演你的客戶，這樣你就可以在和它的對話中預演你和客戶的會談。你甚至可以讓它扮演你的面試官，讓你有機會提前體驗面試的氛圍和壓力，做好充分的準備。

但這有一個前提：你要讓GPT的角色定位非常明確，甚至要明確到極致。比如說，如果你GPT扮演一個歷史學家，那么你需要告訴它，這個歷史學家是專門研究中國古代歷史的，還是專門研究歐洲中世紀的，甚至是具體到哪個朝代（王朝）的。這樣，GPT就能更好地針對你的問題給出更準確的回答。否則，你可能會得到一個很廣泛，沒有針對性的回答。

在這個過程中，你可能會發(fā)現(xiàn)，這不僅僅是在教GPT學習如何扮演角色，更是在教你自己如何更好地提問和思考。這就是角色扮演模式的魅力，它可以幫助你更好地使用GPT，同時也可以幫助你更好地理解自己的需求。

提示詞模板（自行替換括號里的內容，下同）

假設你是一位擁有{你想要的工作年份}經驗，{你想要的教育水平}， 獲得無數(shù)獎項的專業(yè)的{你想要的領域}{你想要的身份}，你的工作內容是{與問題相關的工作內容}， 請以這個身份相符合的風格和水平回答我接下來的問題。

Assume that you are a professional {desired occupation} with {number of years of desired experience} years of experience, a {desired level of education}, numerous accolades in the field of {desired field}, and your job involves {job content relevant to the question}. Please answer my next questions in a style and level appropriate to this identity.

簡化的提示詞版本

扮演{角色X}

執(zhí)行{任務Y}

Act as {role X}

Perform {task Y}

提示詞示例

可以看出對同一個問題，GPT會按照不同“角色”應有的認知水平（注意：無需給GPT過多的角色信息），給出了截然不同的回答，而這一切只需要你在開頭寫一句“請你扮演…”（Act as…）。

ChatGPT著名的“奶奶漏洞”用的也是角色扮演

設計模式之二：聽眾角色（Audience Persona Pattern）

聽眾角色模式，簡單地說，就是讓GPT知道它要對誰說話。這實際是前文中角色扮演模式的補充：這次，你不是讓GPT扮演某個特定角色，而是讓它明白聽眾是誰。所謂“知己知彼，百戰(zhàn)不殆。” 在GPT的世界里，這個道理同樣適用。只有它明白了聽眾是誰，才能用合適的方式，用對方能理解的方式回答問題，也就是我們常說的'見人說人話'。

比如，讓GPT解釋大語言模型給諸葛亮，聽起來是不是很有趣？諸葛亮可能會回答：'吾已明白，原來大語言模型便是造化之秘，天地之數(shù)也。'更有趣的可能是給一只鳥解釋同樣的概念，讀者可以自行去試。

然而，聽眾角色模式并不只是用來娛樂的，它在現(xiàn)實工作和生活中同樣有著廣泛的應用。例如，你需要給公司領導做匯報，但你不知道如何將復雜的數(shù)據(jù)和分析給他講明白，那么你就可以將領導設定為你的觀眾，讓GPT用他們懂的語言來生成PPT大綱。又或者，你想給小孩解釋量子力學的概念，但這顯然不是一件容易的事情。此時，你可以設定你的聽眾為10歲的小朋友，讓GPT以小朋友能理解的方式幫你解釋這個概念。

請注意，你還可以把聽眾角色模式和之前的角色扮演模式結合起來。比如說，你可以讓GPT扮演一個心理學家，同時設定你的受眾為一個初學者，讓GPT以初學者能理解的方式，解釋心理學的某個深奧概念。這樣一來，你不僅可以得到專業(yè)的解答，還能確保這個答案是你能理解的。如此一來，GPT就變成了一個能'見人說人話'的虛擬助手。

提示詞模板

假設你是{目標領域}的專家，請用{中文}給我解釋{概念}。請假設我是{觀眾角色（例如，我對這個領域知之甚少）}。

Act as an expert in {desired field} area, please explain {target concept} to me in {Chinese}. Assume that I am {Audience Persona (e.g. I have very limited background in this area)}.

設計模式之三：問題細化（Question Refinement Pattern）

大語言模型的一大特點就是“大”??。這里的“大”，不僅僅是它的參數(shù)規(guī)模大，更重要的是，它的知識庫包含了人類幾乎所有的知識，其中也包括提示詞工程的知識。這時候，你可能就會問“那我還需要學習提示詞工程嗎？” “大模型”似乎聽出了你心中的疑惑，它微笑著告訴你“別急，讓我來幫你?！?/span>

這就是下面要介紹的設計模式——問題細化模式（Question Refinement Pattern）。你可以把它看成是一種“萬能鑰匙”，本質上就是讓“大模型”幫你優(yōu)化你的原始問題，生成更好的提示詞。有時候，我們在問問題的時候，可能因為對問題的理解不夠深入，或者沒有找到問題的關鍵點，導致我們提出的問題往往不夠具體，就是通常說的“泛泛而談” (General question) 。而“大模型”就是你的得力助手，它可以幫你優(yōu)化這些不太具體的問題，生成更能被自身理解的提示詞，從而得出更準確的答案。

那么，如何運用問題細化模式呢？舉個例子，假設你的原始問題是“怎樣改善我的時間管理？” 這個問題看似清晰，但對于大模型來說，其實是個大范圍的問題。它可能涵蓋了工作時間管理，休息時間管理，甚至是娛樂時間管理。為了得到更準確的回答，我們可以運用問題細化模式，把問題切割得更具體一些。比如，“我應該如何合理安排休息時間來改善我的時間管理？” 我們還可以把問題進一步細化。'合理安排休息時間'是什么意思？是改變休息的頻率，還是調整休息的時間段，或者是改變休息的活動類型？此時，你就可以將問題再次細化為“我應該如何通過調整休息的頻率來改善時間管理？”或者“我應該如何通過安排不同類型的休息活動來改善時間管理？”這樣，你的問題就變得越來越具體了，從而使你能夠得到更為準確，更具操作性的答案。

當然，問題細化模式并不是真的萬能。它的存在，更多的是幫助你處理一般性的問題。對于一些更具有挑戰(zhàn)性，更復雜的問題，問題細化模式就捉襟見肘了。所以，雖然問題細化模式很方便，你還是需要結合其它的技巧，得到你想要的答案。

提示詞模板

每當我提出一個問題時，建議一個更好的問題，并詢問我是否愿意改用它。

Whenever I ask a question, suggest a better question and ask me if I would like to use it instead.

請注意，這里面有個小技巧，即“詢問我是否愿意改用它”，這相當于讓GPT在潤色完之后詢問你是否滿意。如果滿意，則直接使用它（省得你再復制和粘貼）。不滿意則使用原來的提示詞。

提示詞示例

問題細化

從這個例子上看，這種方法不僅提供更好的提示詞，還有可能讓你小小地反思下這個問題，有沒有什么是你一開始沒有想到的？

復雜點的提示詞模板

我正在嘗試用提示詞從{GPT-4}中得到好的回答。作為提示詞工程的專家，請為我寫出一個更適合{GPT-4}并且能產生更好結果的提示。之后詢問我是否愿意改用它。如果我回答是的，就把它作為提示并生成{中文}的輸出。否則，繼續(xù)提供替代方案，直到我滿意為止。請開始詢問我的提示詞。

I am trying to get good results from {GPT-4} with my prompt. Act as an expert in prompt engineering and write me a better prompt that is more optimal for {GPT-4} and would produce better results. Ask me whether I would like to use it instead. If I answer yes, use it as the prompt and generate the output in {Chinese}. Otherwise, continue to provide alternatives till I’m satisfied. Ask me for the prompt to start.

這個提示詞里有一些值得注意的地方。首先它給出了目的（即“要得到好的回答”），然后設定了GPT的角色（即“提示詞工程的專家”），還明確了GPT的版本（GPT-4)，順便又把“否則”的選項明確下來（即“繼續(xù)提供替代方案，直到我滿意為止”），這類似于設定了一個循環(huán)結構。還是一點是最后的那句話“請開始詢問我的提示詞”，這個其實是'要求輸入'模式 (Ask for input)，這是為了防止GPT“做白日夢”（自行杜撰出你不敢興趣的案例），浪費你的時間。

從中看出，好的提示詞往往是多種模式的組合。

另一種用法的模板（“開腦洞”）

每當我要求你為我寫一個完成任務的提示詞時，列出任務是什么，列出完成任務的替代方法，然后為每種方法寫一個提示詞。當你完成后，詢問我下一個需要創(chuàng)建替代方案的提示詞。請詢問我需要你為何事寫提示詞。

Whenever I ask you to write a prompt for me to accomplish a task, list what the task is, list alternative approaches for completing the task, and then write a prompt for yourself for each approach. When you are done, ask me for the next prompt to create alternatives for. Ask me what I want you to write a prompt for.

這個版本里，我們嘗試讓GPT就某個具體的問題，首先生成多個不同的解決方案，然后對每個方案，創(chuàng)建對應的提示詞。這樣，你就一次性地獲得了多個提示詞，是不是感覺思路一下子被打開了？這里面還用到了一個“分步走”的方法，這個對GPT產生結果的質量十分關鍵，以后有機會可以展開講講。

提示詞示例

打開思路

設計模式之四：反向提問（Flipped Interaction Pattern)

我們常常說，在AI時代，人類要始終坐在“主駕駛”的位置，將AI設定為“副駕”（Co-pilot）。在與GPT的互動過程中，這一規(guī)則基本上是成立的——人類提出問題，GPT來回答。然而，也有一些情況下，我們會嘗試顛覆這個規(guī)則，把GPT推到前臺，讓它發(fā)問，而我們則通過回答問題來提供更多上下文信息，引導GPT進行某種行為。這種互動模式我們稱之為“反向提問”。

可能你會問，為什么要用反向提問呢？它的用途有哪些呢？反向提問適用的場景是那些我們一開始并不清楚實現(xiàn)目標所需的所有步驟或信息的情況，而這些又恰恰是GPT的優(yōu)勢（見多識廣）。例如，你想從GPT那里得到一個適合自己的健身計劃，但你不是專業(yè)的健身教練，并不清楚要達成這個目標需要哪些信息。那么，此時就可以利用反向提問模式，讓GPT提出關于健身目標和身體狀況的問題，你通過回答這些問題，提供更多的上下文信息。最終，GPT就能根據(jù)你提供的信息為你制定一個專屬的健身計劃。

請注意，即使在沒有足夠信息的情況下，GPT也會給出答案。但它只會給出一個通用性的答案（Generic answer），并讓你提供更多的信息以便給出更好的答案。比如在上個例子中，如果你只是告訴GPT你想要一個健身計劃，但沒有提供任何具體的信息，GPT可能會給出一個一般性的健身計劃，并告訴你如果你能提供更多的信息，它將能夠為你制定一個更適合你的健身計劃。但是，如果你使用反向提問模式，GPT就會直接提出問題，讓你提供所需的信息，省掉了中間步驟，提高了問答效率。

你不能指望這個模板一次性就能取得理想的效果，你可能需要嘗試多次。然而，這個模板更大的價值在于提醒你哪些地方可能被遺漏了。

提示詞模板

我希望你就{主題}向我提問，直到你有足夠的信息達到{目標}。當你有足夠的信息時，展示給我{結果}。一次問我一個問題?，F(xiàn)在問我第一個問題。

I would like you to ask me questions about {topic} until you have enough information to achieve {target}. When you have enough information, show me {outcome of target}. Ask me the questions one at a time. Now ask me for the first question to start.

請注意，在這個提示詞里，“直到…”設定了一個循環(huán)結構，也給了GPT結束對話的條件，而“一次問我一個問題”則可根據(jù)你的喜好選擇（默認是'一次性給多個問題'），“問我第一個問題”則是讓GPT別“磨嘰”，趕快干活。

設計模式之五：事實檢查清單（Fact Check List Pattern)

我們都知道大語言模型有個毛病，那就是它時常會“一本正經地胡說八道”：給出一些看似正確但實際上錯誤的答案，甚至可能會編造一些證據(jù)，即所謂的“AI幻覺”（AI Hallucination）。這是由于它的生成機制導致的，事實上，GPT并不真正“理解”它所說的話（這里的“理解”一詞是我們人類用來描述生物大腦特性的）。

那么，我們怎么讓GPT生成的文本更準確呢？除了運用一些高級的提示詞工程技術，如分步提示詞設計、少樣本學習(Few-shot examples)、思維鏈設計(Chain of Thoughts)等，或者使用必應聊天（Bing Chat）- 它會在生成的回答結尾附帶信息來源鏈接。我們還有一個更簡單的方法，那就是利用一種叫做“事實檢查清單”（Fact Check List Pattern）的設計模式。

在這個模式中，我們讓GPT自己對它說出的話進行一次核查，并生成一份包含文中主要事實的清單，這樣就能更方便地追蹤和核查它所生成的信息。這種模式特別適合在大量文本輸出的場景使用，因為在這種場景下，需要付出很多的時間和精力做細致的核查和確認（這也是GPT的強項之一）。例如，你可能會讓GPT幫你撰寫一份市場分析報告，那么就可以讓它提供一個簡短的核查清單，從而讓你能夠依照此清單進行核實和修正。

那么具體怎么實現(xiàn)呢？你可以在GPT生成文本之后，添加一段提示詞，讓GPT列出它所說的主要事實。比如：“GPT，你剛才所說的主要事實有哪些？”這樣，GPT就會將之前說出的主要事實羅列出來，你可以依據(jù)這個清單來核查和修改它的回答。

提示詞模板

在輸出文本的{末尾}，生成一組關鍵事實。

這些事實應是判斷輸出文本真實性的關鍵，如果其中任何一項錯誤，都可能影響輸出文本的準確性。

Generate a set of facts that are contained in the output.

The set of facts should be inserted at {the end)} of the output.

The set of facts should be the fundamental facts that could undermine the veracity of the output if any of them are incorrect.

待續(xù)

本文初步地探討了提示詞的五項基本原則和五種設計模式，這些都是構建一個優(yōu)秀的提示詞工程的基礎。需要指出的是，提示詞工程還是一個相對新穎的領域，這些原則和模式就如同登山者手中的指南針和地圖，它們?yōu)槟阒该髁朔较?，但具體的路徑仍然需要你自己去探索、去實踐。在這個過程中，我希望你能以開放的心態(tài)去面對可能出現(xiàn)的問題，以創(chuàng)新的精神去尋找更好的解決方案。

先寫到這里，后面的章節(jié)會視情況不定期更新。Stay tuned??