解锁Prompt秘籍：框架、技巧与指标全解析
解锁Prompt秘籍：框架、技巧与指标全解析
更多大模型知识分享，尽在>>>GitHub<<<
Prompt 是什么？
在大模型的神奇世界里，Prompt 堪称一把神奇的 “钥匙”。简单来说，Prompt 就是我们输入给大模型的一段文本指令 ，像是给模型下达的 “任务书”，引导它按照我们的期望生成输出。比如，当你想让模型写一篇关于春天的散文，输入 “请创作一篇优美的，描绘春天自然风光，充满生机与活力的散文”，这就是一个 Prompt。
大模型在预训练阶段吸收了海量的数据知识，但这些知识就像一座巨大的图书馆，Prompt 的作用就是精准定位，帮我们从这座图书馆里找到所需的 “书籍”，唤起模型理解文本、生成内容、逻辑推理等各种能力 ，从而满足我们的实际需求。它决定着模型输出内容的质量、方向和风格，从写文章、回答问题到图像生成等应用场景，优质的 Prompt 能让模型输出更贴合需求、更有价值的内容。要是 Prompt 没写好，模型可能就像没领会老师意图的学生，给出不尽人意的答案。
万能框架：立角色 + 述问题 + 定目标 + 补要求
掌握一个万能框架，能帮你在撰写 Prompt 时事半功倍，这个框架就是：立角色 + 述问题 + 定目标 + 补要求 。接下来详细讲讲每个部分的要点。
立角色
立角色，就是赋予模型一个特定的身份，让它从这个角色的视角和能力出发来生成内容。不同的角色设定会让模型输出截然不同的结果。比如，当你想要一段关于健康饮食的建议时，如果设定角色为 “普通网友” ，得到的回答可能比较随意、口语化 ：“多吃蔬菜水果，少吃油腻的东西呗，我平时就这么吃，感觉还挺健康的。” 但如果设定角色为 “专业营养师”，回答就会更严谨、专业：“从营养学角度来看，日常饮食应保证蔬菜摄入量不少于 300 克，优先选择深绿色、红色、橙色蔬菜，水果 200 - 350 克，同时控制油脂摄入，每日不超过 25 - 30 克 ，以维持身体营养均衡。” 可见，精准的角色设定能调用模型特定的知识储备和语言风格，让输出更贴合场景需求。
述问题
清晰阐述问题是 Prompt 的关键。描述问题时要尽量避免模糊不清的表述，做到简洁明了，让模型能精准理解你的意图。比如，不要问 “给我讲讲科技的事”，模型会一头雾水，不知道你关注科技的哪个方面。换成 “介绍一下近五年人工智能在医疗领域的应用成果” 就清晰多了，模型能迅速聚焦到特定领域和时间范围，给出有针对性的回答，像列举人工智能辅助疾病诊断、药物研发等方面的具体成果 。
定目标
明确目标能让模型清楚努力的方向，生成符合预期的内容。比如，你想让模型帮你创作一篇公众号文章，如果目标设定为 “写一篇吸引人的公众号文章”，这个目标比较宽泛，模型可能不知道从何下手，或者生成的文章重点不突出。但如果目标改为 “创作一篇 1500 字左右，以年轻人职场成长为主题，包含真实案例和实用建议，风格轻松幽默，能引发读者共鸣，适合在周一发布的公众号文章”，模型就能按照这些具体要求，从文章结构、内容素材到语言风格等方面进行创作，输出的文章更符合你的发布需求 。
补要求
补充要求可以进一步细化对模型输出的期望，常见的有格式要求、长度要求、风格要求等。例如，当你让模型为你生成一份旅游攻略时，你可以提出 “请以表格形式呈现，包含景点名称、开放时间、门票价格、游玩时长和简要介绍，总字数控制在 800 字以内，语言风格活泼，突出景点特色和游玩乐趣”。这样，模型生成的攻略不仅格式规范、信息全面，而且风格轻松有趣，方便你阅读和使用 。
优化技巧大盘点
掌握了万能框架，再来学习一些实用的优化技巧，能让你的 Prompt 如虎添翼，引导模型输出更优质的内容 。
提供示例
在 Prompt 中提供示例是一种非常有效的技巧，它能让模型更直观地理解你的需求，明白你期望的输出格式和风格。以文本分类任务为例，如果你想让模型将一些新闻文章分类为政治、经济、体育、娱乐等类别，只是简单地说 “对以下新闻进行分类”，模型可能不太确定具体的分类标准 。但如果你给出示例：“示例 1：新闻内容‘国家出台新的税收政策’，分类：经济；示例 2：‘某足球明星转会’，分类：体育”，然后再给出需要分类的新闻内容，模型就能参照示例，更准确地进行分类。通过示例，模型可以学习到任务的模式和要求，减少理解上的偏差，在处理复杂或模糊的任务时，这种方式尤为重要 。
明确输出要求
明确输出要求能让模型生成的内容更符合你的预期。输出要求可以包括很多方面，除了前面提到的格式要求、长度要求和风格要求外，还有边界要求、异常要求等。比如，当你让模型生成一个数学计算结果时，你可以规定 “只输出计算结果，不要输出计算过程”，这就是一种边界要求 ，避免模型输出过多不必要的信息。再比如，当你让模型处理用户输入时，可以要求 “如果输入内容无法理解或与任务无关，输出‘无法识别的输入，请重新提供相关信息’”，这属于异常要求，让模型在面对异常情况时也能给出合理的反馈，增强模型的稳定性和可靠性 。
设定角色技巧
在立角色的基础上，还有一些进阶的角色设定技巧。你可以结合具体的专业领域和应用场景来设定角色，让模型的回答更具专业性和针对性。比如，在医疗领域，如果你想了解某种疾病的治疗方案，设定角色为 “该疾病领域的权威专家”，模型就能从专业医学知识和临床经验的角度给出更深入、准确的治疗建议 。还可以设定模型为 “一位有多年教学经验的老师，正在给小学生讲解科学知识”，这样在让模型解释科学原理时，它会使用更通俗易懂、生动有趣的语言，便于小学生理解 。通过更细致、贴合场景的角色设定，充分挖掘模型在不同领域和场景下的潜力 。
有效背景输入
为模型提供有效背景输入能帮助它更好地理解任务，从而生成更相关、准确的内容。背景输入可以是上下文信息、专业知识、相关事件背景等。例如，当你让模型对一篇文章进行评论时，提供文章的创作背景、作者的写作风格等信息，模型就能从更全面的角度进行评论，分析文章在特定背景下的意义和价值 。在一些需要专业知识的任务中，如法律问题咨询，输入相关的法律条文和案例作为背景，模型可以依据这些信息给出更符合法律规定和实际情况的解答 。丰富而有效的背景输入就像是给模型提供了一把 “万能钥匙”，打开它通往准确理解任务的大门 。
常用指标解读
在评估 Prompt 的效果时，有几个常用指标能帮助我们更科学地衡量，下面来深入了解一下。
准确率
准确率是评估 Prompt 效果的重要指标之一 ，常见的有 Zero-shot 准确率和 Few-shot 准确率。
Zero-shot 准确率指的是在没有给模型提供任何示例的情况下，模型仅根据任务描述（Prompt）给出正确答案的比例 。例如，当你直接问模型 “唐朝的开国皇帝是谁？”，模型回答 “李渊”，如果在多次这样的测试中，模型回答正确的次数占总测试次数的比例就是 Zero-shot 准确率。这个指标能反映模型对一般性知识和任务的理解能力，不需要借助额外示例就能准确回答问题，说明模型具备较强的知识储备和推理能力 。
Few-shot 准确率则是在给模型提供少量示例的情况下，模型给出正确答案的比例 。比如，在让模型判断一些句子情感倾向的任务中，先给它展示几个句子及其对应的情感倾向示例：“我今天真开心，这是个正面句子”“这部电影太无聊了，这是个负面句子”，然后再给出新的句子让模型判断情感倾向，如果模型回答正确的概率较高，就说明 Few-shot 准确率高。Few-shot 准确率体现了模型在参考少量示例后，学习并应用到新任务的能力 ，在处理一些复杂或格式要求较高的任务时，Few-shot 的方式能帮助模型更好地理解任务要求，提高回答的准确性 。
敏感性
敏感性主要包括选择敏感度和置换敏感度 。
选择敏感度衡量的是 Prompt 中示例的选择对模型输出的影响程度 。不同的示例选择可能会引导模型关注不同的特征或信息，从而影响最终输出。比如在图像分类任务中，选择不同的图像示例作为 Prompt 的一部分，模型可能会因为示例的差异，对后续待分类图像的关注点不同，导致分类结果有所变化 。如果选择敏感度高，说明示例的选择对模型输出结果影响较大，在设计 Prompt 时就需要更谨慎地挑选示例，确保其能准确传达任务要求和关键信息 。
置换敏感度指的是改变 Prompt 中示例的排列顺序对模型输出的影响 。在包含多个示例的 Prompt 里，示例的排列顺序理论上不应该影响模型对整体任务的理解，但实际上，有些模型可能会对顺序敏感 。例如，在文本生成任务中，同样的几个示例，不同的排列顺序可能会让模型生成的文本在内容重点、逻辑结构上产生差异 。了解模型的置换敏感度，有助于我们在设计 Prompt 时确定示例的最佳排列方式，避免因顺序问题干扰模型的判断和输出 。
平均相对增益
平均相对增益是一种用于聚合准确度指标的方法 ，它能综合考虑不同模型和数据集下，不同 Prompt 的效果差异 。计算平均相对增益通常分为三步 ：首先定义一个相对增益函数，该函数用于衡量某个 Prompt 下模型的准确度得分与基准准确度得分的相对差异；然后根据这个函数，计算每个 Prompt 的相对增益值 ；最后对这些相对增益值求平均，得到平均相对增益 。
举个例子，假设有三种 Prompt 设计方法 A、B、C，在某个分类任务中，使用基准方法时模型的准确率为 60%，使用 A 方法时准确率提升到 70%，使用 B 方法时准确率为 65%，使用 C 方法时准确率为 75% 。通过计算相对增益函数，得到 A、B、C 三种方法相对于基准方法的相对增益值，再求平均值，就得到了平均相对增益 。平均相对增益值越高，说明对应的 Prompt 设计方法在提升模型准确率方面效果越好 ，它能帮助我们在多种 Prompt 设计方案中，快速筛选出更优的方法，对比不同 Prompt 对模型性能的提升程度 。
总结与展望
通过对 Prompt 的深入探讨，我们了解到它作为与大模型交互的关键，在各个领域都发挥着重要作用 。掌握万能框架，能让我们迅速构建出有条理、有针对性的 Prompt；运用优化技巧，则能不断打磨 Prompt，提升模型输出的质量 ；而熟悉常用指标，帮助我们科学地评估和改进 Prompt，让模型更好地为我们服务 。
随着人工智能技术的不断发展，Prompt 工程也在持续演进 。未来，我们有望看到更多智能化的 Prompt 生成和优化工具出现，进一步降低使用门槛，提高效率 。Prompt 在更多复杂场景和专业领域的应用也将不断拓展，为解决实际问题提供更强大的支持 。希望大家能将今天学到的知识运用到实际中，不断探索和创新，在大模型的世界里挖掘更多的可能性 。