from transformers import pipeline

# 加载文本生成管道 (如 GPT-4)
generator = pipeline("text-generation", model="gpt-4")

# 提供清晰、具体的提示词
prompt = "用两句话总结阿波罗太空任务。"
output = generator(prompt, max_length=50)
print(output[0]["generated_text"])

2. 使用逐步指令

对于复杂任务，将提示词分解为更小的部分，便于AI理解并逐步执行。这能够提高AI输出的清晰度，并确保每一步都被准确执行。

例子:

一般提示词: "解释光合作用的过程。"
改进后的逐步提示词: "首先解释阳光在光合作用中的作用。然后描述植物如何将二氧化碳和水转化为葡萄糖。"

图示: 逐步提示词

一般提示词 --> 含糊、宽泛的回应
逐步提示词 --> 清晰、逐步详细的回应

3. 设置清晰的边界和限制

当你需要简明或具体的回答时，设定清晰的限制，如字数限制、风格指令或内容重点。

例子:

没有限制: "描述法国大革命的重要性。"
有明确限制: "用3句话描述法国大革命的重要性，并使用简单语言。"

限制的代码示例:

# 提供回应长度限制
prompt = "用50字总结《罗密欧与朱丽叶》的情节。"
output = generator(prompt, max_length=50)
print(output[0]["generated_text"])

4. 使用少样本或零样本学习技巧

少样本提示技术是指在实际提示之前给AI几个例子，以便“训练”它如何提供你想要的响应。这种技术对于需要特定格式或创造性输出的任务尤为有用。

少样本示例:

示例1: "法国的首都是巴黎。"
示例2: "意大利的首都是罗马。"
现在你的问题: "西班牙的首都是哪里？"

零样本示例: 相比之下，零样本学习是在不给予示例的情况下直接让AI执行任务，完全依赖它的先验知识。

图示: 少样本提示

示例提示1 --> 示例提示2 --> AI从示例中学习 --> 目标提示 --> 准确回应

4. 迭代提示：通过精炼指令获得更好的结果

有时，AI的初次响应可能并不符合你的预期。迭代提示是一种根据AI的初始输出不断精炼提示词，直到结果符合你的意图为止的方法。

例子:

初始提示词: "描述第二次世界大战。"
- 回应: 一段冗长、没有重点的总结。
精炼后的提示词: "用两句话描述第二次世界大战的主要原因。"
- 回应: 更简洁，并集中讨论原因。

迭代提示的代码示例:

# 初始模糊提示词
prompt_1 = "描述量子力学。"
output_1 = generator(prompt_1, max_length=100)
print(output_1[0]["generated_text"])

# 更具体的精炼提示词
prompt_2 = "简要解释量子力学及其在计算中的应用。"
output_2 = generator(prompt_2, max_length=100)
print(output_2[0]["generated_text"])

图示: 迭代提示过程

初始提示词 --> AI输出（太广泛/无重点） --> 精炼提示词 --> 针对性的AI回应

5. 格式化与结构：通过清晰的呈现提高AI的响应质量

清晰的格式化可以显著提高AI响应的质量，尤其是在处理复杂任务时，如撰写报告、生成代码或提供逐步指令。

格式化提示词的最佳实践:

使用项目符号或编号:

有助于AI逻辑性地组织输出。

例子:

列出运动的主要好处：
1. 改善心血管健康。
2. 提升情绪和心理健康。
3. 增强免疫力。

要求特定格式:

如果你需要代码或表格，指定格式。

例子:

编写一个计算圆面积的Python函数。

预期输出:

def area_of_circle(radius):
    return 3.14159 * radius**2

指定语言或语气:
- 指导AI使用特定的语气（如正式、对话式），以更好地满足你的需求。
例子:
```
写一封正式的邮件给我的老板，解释我为什么会迟到上班。
```

结论

当提示词被视为指令时，能够优化与像GPT-4这样的AI模型的互动。通过运用具体性、迭代精炼和结构化格式等原则，用户可以提升AI回应的质量和清晰度。理解如何有效地构建这些提示词，对于充分利用AI在各类应用中的潜力至关重要。

. Brown, Tom B., et al. "Language models are few-shot learners." Advances in Neural Information Processing Systems 33 (2020): 1877-1901. 2. OpenAI. "GPT-3 and the art of prompt engineering." OpenAI Blog, 2021. 3. Vaswani, Ashish, et al. "Attention is all you need." Advances in Neural Information Processing Systems 30 (2017): 5998-6008. 4. Hugging Face - Prompt Engineering Guide: https://huggingface.co/docs/transformers/prompt

4. 优化与AI的沟通

引言

1. 提示词作为指令的作用

AI如何解读提示词

2. 优化提示词的技巧

1. 具体但简洁

具体性的代码示例: