Microsoft 提示工程技巧优化 AI 语言模型的输出

TL;DR 摘要

• 微软发布了一份全面的提示工程指南，提供了关于为 AI 语言模型设计有效提示的宝贵见解。
• 该指南强调在提示中保持清晰、具体并提供相关上下文的重要性，以优化语言模型的性能。
• Microsoft 关于提示编写的技巧包括保持清晰和具体、提供示例输出，并通过迭代过程优化提示。

微软最近发布了一份全面的提示工程指南，提供了关于设计有效提示艺术的宝贵见解。该指南深入探讨了各个方面，包括提示结构、编写技巧、清晰度、具体性，以及提供示例输出和上下文信息。该指南强调引导模型产生最佳结果的重要性，突出了结合示例和相关上下文的作用。它承认，优化模型生成的输出通常涉及一个动态的试错过程，需要进行迭代调整以达到预期结果。

什么是提示，以及如何对其进行工程化设计？

提示是提供给语言模型的具体指令或输入，以引发所需的响应或输出。它作为模型生成过程的起点，指导其理解并塑造随后的输出。

提示由上下文和任务/查询组成。上下文为模型提供相关信息或背景，以便理解所需的输出。例如：“上下文：你是一名高中教师。任务/查询：创建一个关于光合作用的课程计划，包括学习目标、活动和评估方法。”

提示工程是指战略性地设计和优化提示以优化语言模型性能的过程。它涉及考虑提示结构、清晰度、具体性、示例输出和相关上下文等因素，以引导模型生成更准确和相关的响应。通过仔细设计和迭代提示，提示工程旨在提高所需语言模型输出的质量和有效性。

Microsoft 提示编写技巧

设计有效的提示是提示工程的关键方面，Microsoft 提供了宝贵的见解和技巧来增强提示编写的艺术。虽然以下技巧列表简明扼要，但它为优化提示构建并获得预期结果奠定了坚实的基础。

• 保持清晰和具体
• 提供示例输出
• 提供相关上下文
• 优化，优化，再优化

保持清晰和具体——引导模型获得预期结果

在编写提示时，清晰度和具体性在塑造模型生成的输出方面起着至关重要的作用。指令越明确和详细，模型需要做出的假设就越少，从而产生更准确和有针对性的响应。在提示中设置边界和约束以引导模型产生预期结果至关重要。例如，一个好的提示可能会指定所需的格式、标准或约束，例如“在 150 字以内提供主要发现的摘要”。相反，一个缺乏清晰度和具体性的模糊提示，如“总结发现”，可能会由于模型的解释而导致模棱两可或不一致的输出。

通过在提示中保持清晰和具体，开发人员和用户可以有效地引导模型的理解，并鼓励它生成与其意图一致的输出。在提示中提供明确的指令并设定明确的边界，使提示工程能够产生更准确和可靠的结果。

提供示例输出——通过零样本学习和少样本学习引导模型

为了启动输出的生成，利用经过训练的模型的预配置设置（称为零样本学习）提供了一种快速的方法。然而，为了进一步提高模型的性能并使其输出适应特定任务或领域，提供示例输出变得非常有价值。通过分享示例，特别是使用与预期工作上下文相似的数据或场景，可以更好地引导模型生成更准确和期望的结果。这种技术称为少样本学习，利用示例的力量来增强模型的理解并提高其生成输出的质量。

例如，让我们考虑一个场景，您希望模型总结新闻文章。通过零样本学习，模型可以根据其预训练生成一般摘要。然而，通过提供同一领域内先前总结的新闻文章的示例输出，您可以训练模型捕捉特定的细微差别，提高摘要的连贯性，并确保与期望的风格和语调一致。这样，模型就能更好地有效地处理总结新闻文章的任务。

提供相关上下文——为模型提供基础以增强性能

在提示工程中，通过提供事实和额外信息来提供相关上下文是一种强大的技术，可以引导模型回答问题并执行各种任务。这个过程称为接地（grounding），涉及锚定模型对事实信息的理解。Bing，微软的搜索引擎，利用类似的方法来增强其 AI 能力。除了提交查询外，执行搜索以提供来自相关网页的信息。这些网页的内容随后作为提示中的额外上下文纳入其中，使 AI 模型能够生成更符合用户意图的响应。

例如，假设您想利用语言模型来协助回答历史 trivia 问题。通过在提示中包含相关的历史事实和细节作为上下文，例如特定的时间段、涉及的历史人物或重大事件，您可以为模型提供坚实的历史基础。这些额外信息使模型能够生成利用相关历史知识的响应，并增加产生准确和信息丰富答案的可能性。

精炼，精炼，再精炼——通往优化输出的迭代之路

在提示词工程中，生成最佳输出的过程往往涉及试错。如果初始结果不符合您的预期，请不要气馁。相反，应采取迭代方法，并尝试本文概述的各种技术，以发现最适合您特定用例的方法。一种有效的策略是重用模型生成的初始输出来作为精炼后续提示词的宝贵资源。

通过将初始输出作为额外的上下文和指导纳入提示词，您为模型提供了一个反馈循环，从而告知并指导其后续迭代。这种迭代精炼过程使模型能够从之前的尝试中学习，并随着时间的推移产生更精炼和准确的输出。因此，不要犹豫，要不断精炼、迭代，并利用生成的输出来作为实现预期结果的垫脚石。请记住，成功往往在于坚持不懈，并不断微调提示词工程模型，直到它们符合您的预期。

要点

随着本指南的发布，微软旨在赋能开发者和用户充分利用提示词工程的全部潜力。通过理解提示词构建的复杂性，从业者可以提升语言模型的性能和准确性。指南强调提示词的清晰性和具体性，有助于从模型中引出精确的响应。此外，包含示例输出和相关上下文使模型能够理解预期的意图，并生成更恰当和连贯的响应。通过采用指南中建议的迭代方法，开发者可以微调输出并迭代精炼提示词工程模型，最终带来更好的结果和更个性化的用户体验。