当前位置：首页 > news >正文

面向超大规模模型的提示词工程

news 来源：原创 2025/5/25 5:51:29

一段话看懂

对百亿乃至千亿参数的大语言模型（LLM）来说，“让模型做好题”有两条主线：

提示工程——0 参数就能用，关键是给出“好提示”。
- In-Context Learning（ICL）：把少量“示例→答案”塞进同一次输入，靠语言模型的补全能力直接推理。
- Instruction-Tuning：先用大量“指令→答案”微调，让模型学会“听指令” 。
- Chain-of-Thought（CoT）：提示或输出里写下推理过程，显著提升算术/逻辑正确率。
参数高效微调（PEFT）——只改千分之几权重，让同一基座模型快速“贴题”。常见做法：Prefix/Prompt-Tuning、Adapter-Tuning、LoRA 及 QLoRA 。（下篇讲解）

三招提示法+三类 PEFT 共同撑起 2025 年企业级 LLM 落地：前者解决“怎么问”，后者解决“如何接线”。

1 三种提示工程

方法	最早工作	一句话原理	痛点
ICL	GPT-3 (2020)	把 K 条「示例+答案」放在测试样本前；模型当作长文本，一次性补全	模板敏感，结果方差大
Instruction-Tuning	Google FLAN (2022)	用多任务「指令→答案」再训练一次，让模型学会“看到指令就执行”	需要额外微调一次，成本较高
CoT	Chain-of-Thought Prompting (2022)	在提示或输出里显式书写中间推理步骤，模型再输出答案	只有“大模型”才显著生效，响应更长

2 GPT-Style 中文伪代码

说明：已安装 openai 并设置 OPENAI_API_KEY。仅保留最小必要字段，演示核心逻辑。

下面把 6 种常见提示技巧 全部改写成「ChatCompletion 消息列表」风格（system / user / assistant）

说明

• 代码仍可直接运行（需 openai & 已配置 OPENAI_API_KEY）。

• 仅展示核心逻辑，异常捕获 / 分页等可按需添加。

• 若用国产大模型，只需把 model= 改成对应名称即可。

1．In-Context Learning（Few-shot 示例）

import openai, textwrapsystem_msg = "你是一位精准的中英翻译助手。"# 把 2 条演示 + 1 条测试都写进同一个 user 消息
user_prompt = textwrap.dedent("""
示例：把中文翻译成英文。
输入：你好
输出：hello示例：把中文翻译成英文。
输入：再见
输出：goodbye示例：把中文翻译成英文。
输入：销售
输出：
""").strip()rsp = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":user_prompt}],temperature=0.0
)
print(rsp.choices[0].message.content.strip())   # → sell

2．Instruction-Tuning

system_msg = "你是一位精准的中英翻译助手。"
user_msg   = "请把“销售”翻译为英文，只给结果。"rsp = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":user_msg}],temperature=0.2
)
print(rsp.choices[0].message.content.strip())   # → sell

3．Chain-of-Thought（Few-shot 中文算术）

import openai, textwrapsystem_msg = "你是一位善于逐步推理的数学助理。"cot_demo = textwrap.dedent("""
问：小明有 5 支铅笔，又买 2 盒，每盒 3 支，一共多少支？
答：让我们一步一步思考：
1. 原来 5 支。
2. 2 × 3 = 6 支。
3. 5 + 6 = 11 支。
因此答案是 11。
""").strip()problem = "问：盒子里有 12 本书，又放进去 7 本，现在多少本？\n答：让我们一步一步思考："rsp = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":cot_demo + "\n\n" + problem}],temperature=0.2
)
print(rsp.choices[0].message.content.strip())
# 典型输出（含推理步骤，最后给 19）

4．Self-Consistency（CoT × 多次采样投票）

import openai, collections, resystem_msg = "你是一位善于逐步推理的数学助理。"
question   = "问：盒子里有 12 本书，又放进去 7 本，现在多少本？\n答：让我们一步一步思考："def ask_once():rsp = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":question}],temperature=0.7         # ↑ 提高随机性)return rsp.choices[0].message.contentextract_num = lambda txt: int(re.findall(r"\d+", txt)[-1])  # 取答案里的数字
votes = [extract_num(ask_once()) for _ in range(5)]
answer = collections.Counter(votes).most_common(1)[0][0]
print("多数票答案 =", answer)      # 多数票 19 更稳

5．ReACT （Reason + Act + Tool Calls）

import openai, textwrapsystem_msg = "你可以调用工具 SEARCH[]，如果需要外部信息请先思考再调用工具。"user_prompt = textwrap.dedent("""
问题：成吉思汗是哪一年去世？
Thought: 我需要具体年份。
Action: SEARCH[成吉思汗 去世 年份]
Observation: 1227 年 8 月 25 日
Thought: 信息已足够。
Action: ANSWER[1227]
""").strip()rsp = openai.ChatCompletion.create(model="gpt-4o-mini",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":user_prompt}],temperature=0
)
print(rsp.choices[0].message.content.strip())
# 模型应按 Thought → Action → Observation → ANSWER 的格式续写

⚙️ 如需真正执行搜索，可结合 functions 或外部检索 API；这里为演示写死 Observation 内容。

6．Tree-of-Thought（单分支简化示例）

import openaisystem_msg = "你是一位善于枚举多种解法并选择最优的规划助理。"root_state = ("目标：用 1, 2, 3, 7 通过四则运算得到 9。\n""当前状态：[]  当前结果：0\n""请给出一步扩展及新的中间结果，只输出 '步骤: ...' 和 '结果: ...'。")rsp = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"system","content":system_msg},{"role":"user",  "content":root_state}],temperature=0.3
)
print(rsp.choices[0].message.content.strip())
# 真实 ToT 会递归展开多分支并打分；此处只示范首步格式

技巧对照速查

场景	推荐技巧	把它写进 messages…
零代码改模型，快速 Demo	Few-shot ICL	多条示例塞进同一个 user
RAG / API 服务	Instruction-Tuning 基座	system 给角色，user 写指令
算术 / 逻辑推理	CoT ± Self-Consistency	user 里带示例或加“让我们一步一步思考”
需要外部检索	ReACT / 检索-CoT	在推理链中显式写 Action: SEARCH[…]
多方案规划	Tree-of-Thought	逐步展开分支，选最高分答案