Zhi Blog
  1. LLM&RAG&Agent
Zhi Blog
  • Zhi Blog
  • LLM&RAG&Agent
    • agent+大数据
    • deepseek的指令
    • 大模型控制电脑
    • 10.开发llm的两种方式
    • 11.展示写一个网站
    • 12.展示写一个reactflow前端
    • 13.大模型在反复迭代场景中的应用举例
    • 14.agent开发的workflow流程和自主编排
    • 15.利用大模型实现提示词的优化
    • 16.这就是为啥要学习提示词工程
    • 提示技巧
    • 17.提示词通用技巧以及提示词工程框架介绍
    • 18.Unsloth 大模型微调工具
    • autogen starter
    • MCP1:about MCP
    • MCP2: 如何用langchain创建自己的MCP server&client
    • 十分钟系列
      • 1.十分钟实现免费本地大模型对话框
      • 2.十分钟在本地部署大模型
      • 3.十分钟实现本地大模型部署并部署对话应用
      • 4.十分钟实现本地知识库部署
      • 5.十分钟在本地实现Deepseek R1 70B免费对话
      • 6.十分钟实现本地可视化开发Agent
      • 7.待补充
    • 参考
      • AI最大赛道Agent机遇全解析
      • 从第一性原理看大模型Agent技术
      • Agent项目
      • LLama部署和微调手册
      • Agent实战-JSON结构化智能
      • AI智能体卷爆大模型!AutoGPT等4大Agent打擂,「西部世界」谁将成为软件2.0
      • Agent调研--19类Agent框架对比
      • 国内近 50 款 AI Agent 产品问世,技术足够支撑应用可靠性了吗
      • 解析 AI Agent 的发展现状和技术难点
      • 清华大学与智谱 AI 联合推出 CogAgent:基于多模态大模型的 GUI Agent,具备视觉问答、视觉定位等能力
      • Agent 还没出圈,落地先有了“阻力”:进入平台期,智力能否独立担事?
      • 钉钉卡位战:SaaS 挣不到的钱,Agent 会挣到
      • 近三代操作系统开发元老一起创业搞 AI Agent 操作系统
      • 从科幻走向现实,LLM Agent 做到哪一步了
  • Hudi
    • 1.hudi介绍和简单实践
    • 2.flink基于hudi的数据湖实践
    • 3.概说hudi
  • Iceberg
    • iceberg初步实践
  1. LLM&RAG&Agent

提示技巧

1.分步提示以增强逻辑性#

分布提示(step by step)是一种高效的提示工程技巧,旨在通过引导LLM按照一系列有序的步骤来处理问题,这种方法适合需要逻辑推理或多步骤解决问题的场景
明确步骤
在构建提示时,首先明确解决这个问题所需的各个步骤,这些步骤应该是连贯的,且可操作
使用标签
在提示中使用特殊标签<step> 来标记每个步骤的开始,这样可以帮助AI识别并按照预定的顺序执行每个步骤
逐步引导
在每个步骤中提供足够的信息和指导,确保AI能够理解并执行该步骤,也可以包括条件判断或假设,以便AI能够在给定的情景中做出合理的决策。
反馈和迭代
在AI提供答案后,根据其表现进行反馈,如果结果不符合预期,可以通过调整步骤的描述或提供额外的信息来优化提示

举例#

假设你需要AI来提高客服服务的效率,客户询问关于某个产品的退货政策,AI需要能够做出对应的回答,以下是一个分布提示的示例:
你是一个客户代表,一位客户想要了解我们的退货政策,请按照以下步骤回答客户的问题:
<step1>确认产品信息。请根据客户提供的产品名称和购买日期,查找相关的退货政策。
<step2>概述退货政策。请简洁明了的说明退货的条件,包括退货期限,产品状况要求等
<step3>指导退货流程。请详细描述客户需要遵循的退货步骤,包括联系客服,包装产品,选择运算方式等。
<step4>提供额外帮助。询问客户是否有其他问题,或是否需要进一步的帮助来完成退货。

2.少量样本提示以提供具体示例#

few-shot-prompting是一种通过提供具体的示例来指导LLM模型理解和执行特定任务的技巧。这种方法通过展示期望的输入和输出,帮助LLM模型快速学习并模仿所需的行为。少量样本提示特别适用于那些需要模型进行模式识别或适应新任务的场景,因为它能够在没有大量训练数据的情况下,有效地传达用户的意图。
选择有代表性且多样性的样本
明确示例格式
简介明了的指导

举例#

假设你正在使用AI来帮助自动化处理电子邮件,需要AI根据邮件内容将其分类为“紧急”、“重要”或“一般”。
你是一个电子邮件分类助手。请根据以下样本学习如何将电子邮件分类:

<sample 1> 输入:我们系统出现了严重的技术问题,需要立即解决。输出:紧急
<sample 2> 输入:关于下周会议的日程安排,请查收附件并确认。输出:重要
<sample 3> 输入:感谢大家的努力,祝大家周末愉快!输出:一般
现在,请将以下电子邮件内容分类:

输入:我们的项目合作伙伴希望在下周五安排一次电话会议,讨论合作事宜。

3.提示链#

提示链是另一种实用的提示工程。它通过将复杂任务分解为一系列更小、更易于管理的步骤,并通过连续的提示来引导LLM模型逐步完成整个任务。这种方法特别适用于那些需要多步骤逻辑或深度思考的问题,它能够帮助模型更好地理解任务的结构,并提供更加连贯和精确的输出。
提示链(Prompt Chaining)和分步提示(Step by Step Prompting)虽然看起来很相似,但其实是两种完全不同的提示工程技术。提示链通过连续的交互,将任务分解为多个子任务,并在每个步骤中建立上下文,形成一个链式结构,以引导模型逐步完成整个任务。这种方法适用于需要深度对话或多步骤逻辑的任务,能够提高模型的推理能力和下游任务的效果。分步提示则是将复杂问题分解为一系列简单、清晰的步骤,每个步骤都是独立的,AI在完成一步后,再根据新的提示开始下一步。
任务分解
首先将任务分解成多个逻辑上连贯的子任务,每个子任务都是明确且可操作的
构建连续提示
为每个子任务设计一个提示,并确保每个新的提示都在前一个提示的基础上构建,以便模型能够在已有信息的基础上继续工作。
维持上下文连贯性
在提示链中的每个步骤都要考虑到之前的上下文,确保整个对话的流畅性和连贯性。
逐步细化
随着任务的进行,逐渐提供更多的细节和指导,帮助模型更深入地理解任务需求。
你是一个市场分析专家。你有一份新的市场研究报告,需要从中提取关键的市场趋势和洞察。请按照以下步骤进行:

<step 1> 阅读并理解报告的摘要部分。请总结报告中提到的主要市场趋势。

<step 2> 深入分析报告中的数据和图表。请指出任何显著的市场变化或模式,并解释它们对行业的影响。

<step 3> 关注报告中提到的竞争动态。请列出主要竞争对手的市场策略,并评估它们对市场的潜在影响。

<step 4> 基于你的分析,提出几条针对我们公司的战略建议。请确保这些建议考虑到了市场趋势、竞争环境和我们公司的目标。

ps#

那么在deepseek这个推理模型的加持下,上面的提示技巧还重要么?????
修改于 2025-03-20 05:09:33
上一页
16.这就是为啥要学习提示词工程
下一页
17.提示词通用技巧以及提示词工程框架介绍
Built with