当前位置：首页 > news >正文

大模型提示词初探

news 来源：原创 2025/7/21 0:36:13

大模型提示词初探

在与大模型交互的过程中，提示词起着至关重要的作用，它犹如给模型下达的精准任务指令，直接影响着模型生成内容的准确性、高效性与合理性。合理运用提示词，能够有效减少模型出现错误和幻觉的情况，从而获取更符合期望的结果。

https://www.bilibili.com/video/BV1s24y1F7eq?vd_source=d4713a9f919d1c45d1bd18250fbe957c&spm_id_from=333.788.videopod.sections 视频教程（建议观看）

https://api-docs.deepseek.com/zh-cn/prompt-library/ deepseek 的一些例子
在这里插入图片描述

一、提示词的迭代优化

可能并不存在一个通用的完美提示词，能适用于所有应用场景。针对特定的应用，我们需要不断迭代提示词，以达到最佳效果。

二、编写清晰而具体的指示

策略 1：使用定界符
- 定界符能够帮助大模型清晰地区分文本段信息和提示词内容。常见的定界符包括三重引号 (“”")、三重反引号 ()、三重破折号(---)、尖括号(<> )以及XML标签( <tag> </tag>)等。例如，在提供一段文本让模型进行处理时，使用定界符将文本包裹起来，如f"你好，请总结下这个句话{text}```"，这样模型就能明确知道需要对定界符内的文本进行总结操作。
策略 2：要求结构化输出
- 当我们期望模型的输出具有特定结构时，可以明确要求其以某种格式输出，例如 HTML、JSON 格式等。这有助于后续对输出结果的进一步处理和分析。比如，我们可以给出提示f"你好，请总结下这个句话```{text}```，并且使用json格式输出，包含原文和总结 "，这样模型就会按照 JSON 格式返回包含原文和总结内容的结果，方便我们进行数据提取和处理。
策略 3：检查条件是否满足
- 在某些情况下，需要模型先检查完成任务所需的假设条件是否满足。例如，对于一段关于茶叶制作知识的文本，我们可以要求模型先判断是否为绿茶制作知识，如果是再进行总结。如prompt = (f"你好，请总结下面这段绿茶知识的制作步骤，首先要先检查这段内容包含绿茶制作的知识，不包含就不总结" f"1，第一步" f"2，第二步" f"n，弟n歩" f"```{text2}```)，这里的text2是需要检查和总结的茶叶制作相关文本。
策略 4：少样本提示
- 通过给出成功完成任务的示例，能引导模型更好地理解任务要求并执行任务。例如，对于总结绿茶制作步骤的任务，我们可以先提供一个成功的示例，如prompt = (f"你好，请总结下面这段绿茶知识的制作步骤，按照成功的示例总结" f"```{text}```" f"成功的示例：" f"第一步：购买原料" f"第二步：化工加工 ")，其中text是绿茶制作步骤的文本，模型会参考示例的格式和思路来总结给定文本中的绿茶制作步骤。

三、给模型思考的时间

策略 1：指定完成任务的步骤
- 明确列出完成任务的具体步骤，有助于模型按部就班地进行思考和处理。例如，对于判断一个公式是否正确的任务，我们可以指定步骤：prompt = (f"你好，请计算如下的公式是否正确" f"第一步：你需要确认这是一个加法运算，如果是输出：yes" f"第二步：输出加法左边的值和右边的值" f"第三步：计算加法是否正确" f"再你确认这个公式是否正确前，你需要自己先计算下" f"```{text}```)，这里text为公式1 + 256 = 258，模型会按照这些步骤进行计算和判断。
策略 2：指示模型在得出结论前自行想出解决方案
- 让模型在给出最终结论之前，先自行思考并尝试找出解决方案，有助于提高模型处理问题的准确性和可靠性。例如在上述判断公式是否正确的例子中，我们要求模型在确认公式是否正确之前先自行计算，这就是给模型留出思考空间，让其基于自身的计算和分析来给出最终结论。

四、代码示例及测试

以下是使用openai库（这里假设与deepseek - chat模型交互）来测试不同提示词策略的代码示例：

from openai import OpenAI
# for backward compatibility, you can still use `https://api.deepseek.com/v1` as `base_url`.
client = OpenAI(api_key="<your api key>", base_url="https://api.deepseek.com")# 分割提示词和实际的文本内容
text = f"""
你好，加油\
时间机器
"""
prompt = f"你好，请总结下这个句话```{text}```"# 结构化输出
prompt = f"你好，请总结下这个句话```{text}```，并且使用json格式输出 ，原文和总结 "# 检查条件是否满足
text = f"""
这个是一份绿茶，需要先采摘，再人工烘焙，包装才能售卖
"""
# 验证
text2 = f"""
这个是一份红茶，需要先采摘，再人工烘焙，包装才能售卖
"""
prompt = (f"你好，请总结下面这段绿茶知识的制作步骤，首先要先检查这段内容包含绿茶制作的知识，不包含就不总结"f"1，第一步"f"2，第二步"f"n，弟n歩"f"```{text2}```")# 少样本提示
text = f"""
这个是一份绿茶，需要先采摘，再人工烘焙，包装才能售卖
"""
prompt = (f"你好，请总结下面这段绿茶知识的制作步骤，按照成功的示例总结"f"```{text}```"f"成功的示例："f"第一步：购买原料"f"第二步：化工加工 ")# 指定完成任务的步骤
# 指示模型在得出结论前先让模型自行想出解决方案
text = "1 + 256 = 258"
prompt = (f"你好，请计算如下的公式是否正确"f"第一步：你需要确认这是一个加法运算，如果是输出：yes"f"第二步：输出加法左边的值和右边的值"f"第三步：计算加法是否正确"f"再你确认这个公式是否正确前，你需要自己先计算下"f"```{text}```")response = client.chat.completions.create(model="deepseek - chat",messages=[{"role": "system", "content": "你是一名资深的编辑作者"},{"role": "user", "content": prompt},],max_tokens=1024,temperature=0.7,stream=False
)
print(response)
print(response.choices[0].message.content)

通过运行上述代码，我们可以针对不同的提示词策略进行测试，观察模型在不同指令下的输出效果，从而不断优化提示词，使其更好地满足我们的需求。需要注意的是，在实际应用中，我们需要根据具体任务和模型的表现，灵活调整和完善提示词，以实现最佳的交互效果。