如何更有效地與 AI 大語言模型溝通：提示詞工程的技巧
大家好，歡迎來到老貓聊科技頻道。中國有句俗話說：「見人說人話，見鬼說鬼話」，這句話其實是對有效交流溝通的肯定，說明這個人很會聊天。從大語言模型 (Large Language Model, LLM) 來看，我們與 ChatGPT、Gemini、Grok 等 AI 模型聊天，他們其實就是 AI 數位人。那麼，如何更有效地與他們溝通，並快速獲得我們想要的結果呢？今天就來介紹一些技巧，其實是有規律可循的。
提示詞工程 (Prompt Engineering)
-
谷歌的角色定義： 谷歌團隊提出「提示詞工程師」 (Prompt Engineer) 這樣一個角色，專門研究如何編寫有效的提示詞 (Prompt)。
-
谷歌白皮書： 谷歌開放了提示詞工程的白皮書，詳細介紹了這個概念。
-
中國人的貢獻： 在谷歌的提示詞工程團隊中，有亞裔的中國人，顯示了中國人在 AI 領域的領先地位。
白皮書內容概要
-
介紹提示詞工程的概念。
-
介紹大語言模型輸出的配置項目。
-
介紹提示詞工程的基本方法與撰寫技巧。
大語言模型輸出的參數配置
在與大語言模型互動時，我們可以調整一些參數來獲得更佳的結果。以下介紹三個重要的參數：
-
溫度 (Temperature): 數值介於 0 到 1 之間。數值越大，創造性越強，聯想力也越廣。建議設定在 0.5 左右，避免模型過於發散。
-
Top-K: 從一系列可能的回應中，選取相關性最高的前 K 個選項。例如，當我們說「貓坐在什麼上面」，模型會根據「坐在」後面的詞語與整個句子的相關性進行排序，並選擇前 K 個。
-
Top-P: 也稱為核抽樣 (Nucleus Sampling)，將所有可能選項的相關性數值加總，直到總和達到預設的閾值 P，再將這些選項都選取出來。
這三個參數可以組合使用，相互影響，以達到最佳效果。
提示詞技巧 (Prompting Techniques)
提示詞的技巧可以分為以下幾類：
1. 樣本類型 (Sample Types)
-
零樣本提示 (Zero-shot Prompting): 只給出一個寬泛的範圍，不提供具體例子。
-
單樣本提示 (One-shot Prompting) 和 少樣本提示 (Few-shot Prompting): 不僅給出需求，還提供具體例子，讓模型知道我們期望的輸出格式。提供一個例子稱為單樣本，提供多個例子稱為少樣本。
2. 提示詞結構 (Prompt Structure)
將提示詞分為三個部分：
-
系統提示 (System Prompt): 設定整體情境，例如要求模型將電影評論分類為正面、中性或負面，並以大寫形式返回結果。
-
角色提示 (Role Prompt): 設定模型扮演的角色，例如讓模型扮演旅行指南，根據使用者位置推薦附近好玩的地方。
-
上下文提示 (Context Prompt): 提供具體的背景資訊，例如描述一款 80 年代復古遊戲，請模型給出建議。
這三個部分可以混用或單獨使用，但最好同時提供，以獲得最佳效果。
3. 回退提示 (Fallback Prompting)
逐步縮小範圍，先提出一個寬泛的問題，再根據模型的回應，逐步細化問題，直到獲得精準的答案。
4. 思維鏈 (Chain of Thought)
針對需要推理的問題，引導模型逐步思考，列出詳細的步驟，有助於避免錯誤。
5. 自我一致性 (Self-Consistency)
給模型多個類似的輸入，讓它多次識別，以提高判斷的準確性。
6. 思維樹 (Tree of Thoughts)
讓模型從多個角度思考問題，形成樹狀結構，再從中選擇最佳結果。
結論
掌握提示詞工程的技巧，有助於更有效地與大語言模型溝通，並獲得我們想要的結果。即使對大語言模型的底層邏輯不甚了解，只要掌握這些基本概念和技巧，就能夠更好地利用 AI 工具。在 AI 盛行的時代，提示詞工程將成為各行各業的基本技能。