关于网站建设的论文提纲网络营销顾问招聘

作为大型语言模型接口，ChatGPT 生成的响应令人刮目相看，然而，解锁其真正威力的关键还是在于提示工程。

在本文中，我们将揭示制作提示的专家级技巧，以生成更准确、更有意义的响应。无论你使用 ChatGPT 是为了服务客户、创建内容，还是仅仅为了娱乐，本文提供的知识和工具可以帮助你优化 ChatGPT 的提示。

成本优化

在考虑高级提示时，不经意间很容易生成冗长且占用大量资源的提示，非常不利于成本控制，有一个行之有效的解决方案是：精简提示响应。

精简响应

为了缩减 ChatGPT 响应的长度，你可以在提示中注明长度或字符限制，例如：创建一个不超过 280 个字符的推特帖子。

更通用的方法是，将如下内容添加到提示中：

• Respond as succinctly as possible.（响应尽可能简洁。）

简化提示术语

• Zero-shot（零示例）：不需要提供示例。

• One-shot（单示例）：只提供一个例子。

• Few-shot（少量示例）：提供几个例子。

模式

利用 ChatGPT 生成文本的最佳方法取决于大型语言模型执行的特定任务。如果你不确定使用哪种方法，可以尝试不同的方法，看看哪种方法最适合自己。下面，我们将介绍 5 种方法来帮助你快速上手。

思维链（Chain-of-Thought，CoT）

思维链方法需要为 ChatGPT 提供一些可用于解决特定问题的中间推理步骤示例。

自问法（Self-Ask）

自问法指的是，让模型在回答初始问题之前，先想一想（然后回答），再回答最初的问题。

分步法（Step-by-Step）

分步法指的是向 ChatGPT 提供以下说明：

• Let’s think step by step.（我们来一步步思考。）

实践证明，这种技术可以提高大型语言模型在各种推理任务上的表现，包括算术、常识和符号推理。

OpenAI 利用人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）训练了 GPT 模型，因此，ChatGPT 的底层模型与类人的逐步思考方法相一致。

ReAct 法

ReAct（Reason + Act）法指的是结合推理轨迹与特定于任务的操作。推理轨迹帮助模型规划和处理异常，而操作允许它从知识库或环境等外部来源收集信息。

反思法

反思法（Reflexion）建立在 ReAct 模式的基础之上，通过添加动态记忆和自我反思的能力来增强大型语言模型，改进其推理轨迹和特定于任务的动作选择能力。

为了实现全方位自动化，反思法论文的作者引入了一种简单但有效的启发式方法，允许代理识别幻觉，防止重复动作，并在某些情况下创建环境的内部记忆映射。

以上，我们介绍了 5 种最先进的模式，下面我们来看一看与提示工程相关的几种反模式。

反模式

三星等公司已经意识到：不要共享私人或敏感信息。了解员工如何将专有代码和财务信息输入到 ChatGPT 仅仅是个开始。很快，Word、Excel、PowerPoint 以及所有常用的企业软件都会集成类似 ChatGPT 的功能。

将数据输入到 ChatGPT 之类的大型语言模型之前，请确保制定好政策。需要注意的是，OpenAI API 的数据使用政策明确指出：

“默认情况下，OpenAI不会使用客户通过我们的API提交的数据来训练OpenAI的模型或改进OpenAI的服务产品。”

“OpenAI API的数据将保留30天，用于监控滥用和误用。个别有授权的OpenAI员工以及保密和安全义务约束的专业第三方承包商可以访问此数据，仅用于调查和验证涉嫌滥用行为。”

提示注入

正如你需要保护数据库免受 SQL 注入攻击一样，请务必确保你向用户公开的任何提示免受提示注入的攻击。此处的“提示注入”指的是，一种通过向提示中注入恶意代码来操纵语言模型输出的技术。

第一个记录在案的提示注入是由 Riley Goodside 提出的，他只是在提示前添加了下面这句话：

“Ignore the above directions”（忽略上述指示）。

然后再给出想要的动作，从而成功地让 GPT-3 执行任意动作。

提示泄露

同理，提示不仅会被忽略，还有可能被泄露。

提示泄露是一个安全漏洞，攻击者可以提取模型自带的提示，Bing 在发布自己的 ChatGPT 集成后不久后，就遇到了这样的情况。

从广义上讲，提示注入和提示泄漏大致如下所示：

虽然总有一些行为不端者希望利用你公开的提示，但就像通过准备好的语句防止 SQL 注入一样，我们也可以创建防御性的提示来对抗不良提示。

三明治防御

三明治防御就是这样的一种技术，你可以将用户的输入与你的提示目标“夹在中间”。

总结

ChatGPT 响应是不确定的，这意味着即使输入相同的提示，模型也有可能返回不同的响应。为了应对不确定性结果的不可预测性，你可以在使用OpenAI API时，将参数 temperature 设置为零或很低的值。

你可以自由尝试本文介绍的提示技巧，但是，在探索时请记住大型语言模型的不确定性：

• ChatGPT（ai.com）：OpenAI 的公共聊天机器人界面。

• OpenAI Playground：注册 OpenAI API 密钥后，你可以通过 OpenAI 的 playground 测试你的提示和相应的参数，例如参数temperature等。

• Vercel AI Playground：免费的练习场所。你可以比较多个大型语言模型的提示结果，包括 GPT-4 和 Anthropic 的 Claude 等。

• OpenAI API JavaScript Jumpstart（需要 OpenAI API 密钥）：我开源的一个 UI，你可以全权控制 OpenAI 的提示、呈现方式并计算每个提示的成本。