ChatGPT Prompt 学习笔记
Contents
ChatGPT Prompt 学习笔记
LLM
LLM（Large Language Models，大型语言模型） 分为两种类型：
- 基础LLM(base LLM)：基于文本训练数据，训练出预测下一个单词能力的模型，其通常是在互联网和其他来源的大量数据上训练的。
- 指令微调LLM(instruction tuned LLM)：通过在基础LLM的基础上使用大量文本数据进行微调，进一步使用指令和人类反馈的强化学习技术来提高帮助性和遵循指令的能力。
与基础LLM相比，指令微调LLM更少输出有问题的文本，如毒性内容。
Prompt 使用指南
两个基本原则
- 编写清晰、具体的指令
- 分隔符
- 三重引号Triple quotes
""" - 三重反引号Triple backticks
``` - 三重破折号Triple dashes
--- - 角括号Angle brackets
<> - XML标签XML tags
<tag> <\tag>
- 三重引号Triple quotes
- 结构化的输出（Json、HTML）
- 检查是否满足条件（如果xxx，则xxx）
- 提供少量示例
- 分隔符
- 给模型时间去思考
- 指定步骤
- 指导在做决策之前要思考解决方案
局限性 - 幻觉
幻觉 hallucinations：模型在训练过程中接触了大量的知识，它并没有完全记住所见的信息，因此它并不很清楚自己知识的边界。这意味着它可能会尝试回答有关晦涩主题的问题，并编造听起来合理但实际上并不正确的答案。
减少幻觉：
- 遵循两个基本原则
- 追溯源文档：先要求模型找到文本中的任何相关引用，然后要求它使用这些引用来回答问题
LLM 功能
文本概括 Summarizing
- 限制字数
要求生成不多于 xx 词 - 划重点
说明面向对象，应具有什么性质且侧重于什么方面 - 关键信息提取 （注意：“文本提取(Extract)“而非"文本概括(Summarize)"）
文本推断 Inferring
- 推断情感
- 情感（正向/负向）
用一个单词回答：「正面」或「负面」 - 识别情感类型
类型不超过五个，以逗号分隔的格式回答 - 识别喜悦/愤怒
xxx是否表达了喜悦？给出是或否的答案。 - 识别物品，名称
- 情感（正向/负向）
- 推断主题
- 推断5个主题
确定五个主题。每个主题用1-2个单词概括。输出时用逗号分割每个主题。 - 主题匹配（机器学习 Zero-Shot learning）
确定以下主题列表中的每个项目是否是以下文本中的主题。以 0 或 1 的形式给出答案列表。
- 推断5个主题
e.g. 一次完成多项任务
从评论文本中识别以下项目：
- 情绪（正面或负面）
- 审稿人是否表达了愤怒？（是或否）
- 评论者购买的物品
- 制造该物品的公司
评论用三个反引号分隔。将您的响应格式化为 JSON 对象，以 "xxx" 作为键。
如果信息不存在，请使用 "未知" 作为值。
让你的回应尽可能简短。
将 xxx 值格式化为布尔值。
文本转换 Transforming
- 文本翻译
- 单/多语种翻译
- 识别语种
- 翻译+正式语气
翻译成中文，分别展示成正式与非正式两种语气 - 通用翻译器（识别各个消息的语种，并翻译成目标用户的母语）
- 语气/风格调整（正式语气，书面用词，轻松口语化的语气等）
- 格式转换（JSON到HTML、XML、Markdown）
- 拼写及语法纠正（可以使用类Grammarly纠错示例，输入原始文本，输出纠正后的文本，并基于Redlines输出纠错过程。）
e.g. 综合样例：文本翻译+拼写纠正+风格调整+格式转换
针对以下三个反引号之间的英文评论文本，
首先进行拼写及语法纠错，
然后将其转化成中文，
再将其转化成优质淘宝评论的风格，从各种角度出发，分别说明产品的优点与缺点，并进行总结。
润色一下描述，使评论更具有吸引力。
输出结果格式为：
【优点】xxx
【缺点】xxx
【总结】xxx
注意，只需填写xxx部分，并分段输出。
将结果输出成Markdown格式。
```{text}```
文本扩展 Expanding
- 生成文本
假设你是一个客户服务AI助手，你的任务是为客户发送电子邮件回复，根据通过三个反引号分隔的客户电子邮件，生成一封回复以感谢客户的评价。 - 温度 temperature （数值越大，输出越随机）
e.g.
你是一名客户服务的AI助手。
你的任务是给一位重要的客户发送邮件回复。
根据通过"```"分隔的客户电子邮件生成回复，以感谢客户的评价。
如果情感是积极的或中性的，感谢他们的评价。
如果情感是消极的，道歉并建议他们联系客户服务。
请确保使用评论中的具体细节。
以简明和专业的语气写信。
以"AI客户代理"的名义签署电子邮件。