大語言模型（LLM）的提示策略對於有效運用模型至關重要。本文從避免幻覺、指定格式與參考文字參照等導向探討如何提升提示效率，並以蘋果數量計算的案例逐步拆解問題分析過程，最後深入講解如何透過自我評估及迭代提升 LLM 輸出的精確度，以及 LLM 在分類別任務中的應用，包含零次學習、少次學習的策略與優勢。理解這些技巧能幫助工程師更有效率地運用 LLM 解決實際問題，包含文字生成、程式碼撰寫、資料分析等，並在分類別任務中取得更佳的成果。
GPT 提示策略
到目前為止，您已經涵蓋了幾種提示策略，包括要求上下文、文字風格捆綁、從少到多和角色提示。現在，讓我們探討更多策略，從使用適當的參考文字來避免文字幻覺，到為 LLM 提供批判性思考時間，到理解任務分解的概念。
避免幻覺與參考文字
第一種方法是指示模型只使用參考文字來回答問題。透過這種方式，模型可以被導向使用這些資訊來生成其回應。
例如，給定一段文字：
B2B 客戶往往具有較長的決策過程，因此其銷售漏斗也較長。建立關係的策略對於這些客戶更有效，而 B2C 客戶則對短期優惠和訊息更敏感。
如果您問模型一個問題：
B2C 銷售是否更具成本效益？
模型可能會回答：
我找不到答案。
或者，如果答案存在於文字中：
是的，B2B 客戶往往具有較長的決策過程，因此其銷售漏斗也較長。
指定格式和方向
前面的提示很好，因為它既指示了模型如何找到答案，也設定了特定的回應格式。
考慮到 GPT 的限制，動態檢索相關資訊可能是必要的。另一個方法是指示模型在其回應中包含參考文字中的參照。當輸入被增強以包含相關資訊時，模型可以被引導以包含參照的方式來回答問題。
例如：
您將被提供一個檔案，該檔案由玄貓標記。您的任務是使用僅該檔案來回答問題，並在答案中參照檔案中的相關段落。如果檔案中沒有包含回答問題所需的資訊，則只需寫入「Insufficient information」。如果答案被提供，則必須附上參照。
給定一段文字：
核反應堆積是一種啟動、控制和維持核鏈式反應的裝置。核反應堆積使用由玄貓釋放的能量，然後通常用於產生蒸汽來驅動渦輪機並產生電力。
如果您問模型一個問題：
什麼是核反應堆積？
模型可能會回答：
核反應堆積是一種啟動、控制和維持核鏈式反應的裝置。它使用由玄貓釋放的能量，然後通常用於產生蒸汽來驅動渦輪機並產生電力。{"citation": "核反應堆積是一種啟動、控制和維持核鏈式反應的裝置。核反應堆積使用由玄貓釋放的能量，然後通常用於產生蒸汽來驅動渦輪機並產生電力。"}
問題分析與解決
首先，我們需要了解問題的內容。Jane 原本有 5 個蘋果，John 從 Mary 那裡拿了 2 個蘋果，Mary 原本有 15 個蘋果。然後，John 將他拿到的蘋果給了 Jane。
步驟一：計算 Jane 的蘋果數量
Jane 原本有 5 個蘋果。
步驟二：John 的行動對 Jane 的蘋果數量的影響
John 從 Mary 那裡拿了 2 個蘋果，但是這個行動不直接影響 Jane 的蘋果數量。
步驟三：John 將蘋果給了 Jane
John 將他拿到的 2 個蘋果給了 Jane。
結果
根據以上步驟，Jane 的最終蘋果數量是她原本的 5 個蘋果加上 John 給她的 2 個蘋果，總共 7 個蘋果。
flowchart TD
A[Jane 原本有 5 個蘋果] --> B[John 從 Mary 那裡拿了 2 個蘋果]
B --> C[John 將 2 個蘋果給了 Jane]
C --> D[Jane 的最終蘋果數量是 7]
圖表翻譯：
此圖表展示了 Jane 蘋果數量的變化過程。首先，Jane 原本有 5 個蘋果。然後，John 從 Mary 那裡拿了 2 個蘋果，但是這個行動不直接影響 Jane 的蘋果數量。最後，John 將他拿到的 2 個蘋果給了 Jane，導致 Jane 的最終蘋果數量是 7。
內容解密：
在這個問題中，我們需要計算 Jane 的最終蘋果數量。首先，我們需要了解 John 的行動對 Jane 的蘋果數量的影響。然後，我們需要計算 Jane 的最終蘋果數量。這個問題需要我們仔細分析問題的內容，並且需要我們有邏輯性的思考能力。
flowchart TD
A[計算 Jane 的蘋果數量] --> B[分析 John 的行動]
B --> C[計算 Jane 的最終蘋果數量]
C --> D[得出結果]
圖表翻譯：
此圖表展示了計算 Jane 蘋果數量的過程。首先，我們需要計算 Jane 的蘋果數量。然後，我們需要分析 John 的行動對 Jane 的蘋果數量的影響。最後，我們需要計算 Jane 的最終蘋果數量，並且得出結果。
分類別與評估：提升LLM輸出的精確度
在人工智慧的世界中，分類別是一項基本任務，涉及預測給定資料點或樣本的類別或分類別。這項任務在機器學習中尤其重要，因為它能夠幫助我們瞭解和組織複雜的資料。然而，當使用大語言模型（LLM）進行分類別時，如何確保輸出的精確度和可靠性？
自我評估和迭代
一種有效的方法是要求LLM評估自己的輸出，並根據評估結果進行迭代改進。例如，給定一個生成“Hello World”函式的任務，LLM可能會產生一個基本的Python函式。但是，透過要求LLM評估和改進自己的輸出，我們可以獲得一個更強大、更具彈性的函式，包含型別提示和預設引數。
def print_hello_world() -> None:
"""
Prints "Hello, World!" to the standard output.
"""
print("Hello, World!")
def print_message(message: str = "Hello, World!") -> None:
"""
Prints the given message to the standard output. If no message is given, it defaults to "Hello, World!".
Args:
message (str, optional): The message to be printed. Defaults to "Hello, World!".
"""
print(message)
多次迭代和評估
這種自我評估和迭代的過程可以多次進行，直到LLM的輸出達到預期的精確度和可靠性。透過這種方式，我們可以不斷地改進LLM的效能，獲得更好的分類別結果。
分類別任務
在分類別任務中，LLM可以被用於預測給定資料點或樣本的類別或分類別。例如，給定一篇文章，LLM可以被用於預測文章的主題或類別。透過使用LLM進行分類別，我們可以自動化許多工，節省時間和精力。
圖表翻譯：
flowchart TD
A[開始] --> B[自我評估]
B --> C[迭代改進]
C --> D[分類別任務]
D --> E[結果輸出]
內容解密：
上述流程圖展示瞭如何使用自我評估和迭代的方法來改進LLM的效能。首先，LLM進行自我評估，以確定自己的輸出的精確度和可靠性。然後，根據評估結果，LLM進行迭代改進，以獲得更好的分類別結果。最後，LLM將結果輸出，以供使用者參考。這種方法可以幫助我們更好地理解和組織複雜的資料，獲得更精確和可靠的分類別結果。
瞭解LLM在分類別任務中的應用
大語言模型（LLM）在分類別任務中是一種強大的工具，能夠根據學習到的模式將未標記的資料分配到預先定義的標籤中。即使只提供零個或少量的示例，LLM也能夠實作高準確度的分類別。這是因為LLM在大量資料集上進行了預先訓練，從而具備了一定的推理能力。
零次學習和少次學習
在解決LLM分類別問題時，有兩種主要策略：零次學習和少次學習。零次學習是指LLM在沒有任何特定示例的情況下對資料進行分類別，而少次學習則是在提供少量示例的情況下進行分類別。後者可以顯著影響輸出格式的結構並提高整體分類別準確度。
LLM分類別的優勢
利用LLM可以讓您跳過傳統機器學習過程中需要的冗長步驟，從而快速原型化一個分類別模型，確定基礎準確度，並創造即時的商業價值。雖然LLM可以執行分類別任務，但根據您的具體問題和訓練資料，您可能會發現使用傳統機器學習過程可以獲得更好的結果。
玄貓風格技術文章結論：關於GPT提示策略
深入剖析GPT提示策略的核心技巧後，我們可以發現，有效的提示工程如同一位經驗豐富的馴獸師，引導著強大的LLM展現其真正的潛力。從避免幻覺的參考文字策略到引導思考的逐步拆解，再到自我評估及迭代最佳化的分類別應用，這些策略的多維比較分析顯示，精準的提示並非單純的指令，而是與LLM進行深度溝通的橋樑。
技術限制深析指出，儘管LLM具備強大的理解和生成能力，但仍受限於上下文視窗大小和潛在的資訊偏差。為特定情境提供解決思路，例如參考文字的使用和逐步拆解複雜問題，能有效降低幻覺風險並提升輸出品質。此外，透過明確的格式和方向指示，例如要求參照來源和指定輸出結構，能進一步提升LLM的輸出精確度和可控性。
從技術演進角度來看，提示工程將成為人機協同的重要介面，未來3-5年內，更為自動化和智慧化的提示生成技術將蓬勃發展。隨著LLM理解能力的提升和更豐富的工具整合，我們預見根據自然語言的程式設計和問題解決將成為主流趨勢。
玄貓認為，掌握提示工程的核心技巧，如同掌握了開啟AI寶函式庫的鑰匙，對於釋放LLM的巨大潛力至關重要。技術團隊應著重於理解LLM的運作機制，並不斷探索和精進提示策略，才能在AI驅動的未來保持競爭優勢。
