如何从 ChatGPT 中获得更准确的结果：哪些技术或“神奇短语”可用于提示工程？

撰文：Mr Newq

编译：巴比特

图片来源：由无界 AI 工具生成

在本周的文章中，我们将讨论“提示工程”（prompt engineering）以及一些可以用来从 ChatGPT 等大型语言模型（LLMs）中获得更好结果的技术和“神奇短语”。

无论你是一个强大的用户、研究人员，还是建立新的人工智能业务的企业家，“提示工程”都是你需要掌握的一个主题，以获得最佳效果。这篇文章将给你一个坚实的基础，并为你指引更多的资源。

如果你曾经与 ChatGPT 或任何其他大型语言模型（LLM）进行过交互，那么你可能会遇到过这样的情况，即回答并不完全是你所期望的，或者说，确实不符合要求。

您可能得到了不正确的，或者在某些情况下是编造的信息，正如我在以前的文章中详细讨论过的那样，甚至偶然发现了一些 ChatGPT 无法重现的神秘的“不可言说的标记”。

其中一个问题是，LLMs 已经变得如此复杂，而通过它们得出答案的“黑匣子”神经网络是如此不透明，以至于用户仍然在摸索如何从它们那里获得最佳结果。

在像 ChatGPT 这样的 LLM 中输入你的问题或查询，也被称为“提示”（prompting），仅仅通过改变你的提示措辞，就可以给你带来非常不同的结果。

比如：

还记得我在上一篇文章中向 ChatGPT 提出的这个简单问题吗，它的回答是错的。

那么，你可以在你的提示词中添加什么“神奇文字”来使它做出正确的回答？下面就来看看如何通过一点“零样本思维链”（zero-shot chain of thought）的提示工程，每次都得到准确的结果（并不像听起来那么复杂，真的！）。

“提示工程师”的到来

由于 LLM 结果的可变性，如 ChatGPT，人工智能行业最近出现了一个新的专家角色，即“提示工程师”，他的工作就是从人工智能模型中提取最大价值。

这个角色通常从具有“黑客思维”的人中招聘，包括构建精心措辞的提示，向人工智能模型解释他们想要什么。

这个职位现在非常抢手，一些人工智能公司在现金充裕的情况下可为具有正确技能或能力的人支付数十万美元。

人工智能安全公司 Anthropic 公布的“提示工程师”的工作

哪些技术可以运用于提示工程？

我们很容易想象，提示工程师的工作就是整天对着电脑向 ChatGPT 打谜语，看它是否能解决这些问题，然后调整模型以获得最佳结果。

虽然大多数人工智能公司都有团队负责测试预先训练好的模型，并实施安全措施以减少偏见结果，但这个过程通常发生在人工智能模型向公众提供之前。

另一方面，提示工程是一个更加动态的过程，包括有时在逐个提示的基础上对模型进行更有力的指导（即“少样本学习”，后文会有更多介绍），或者通过从文件中上传专门的学习“提示 - 完成对”来创建一个微调的模型（同样，后文会有更多介绍）。

虽然 ChatGPT 是基于自然语言生成模型，不需要具体的提示，但当你提供更多的背景和具体的例子时，它确实表现得更好。

事实上，你提供的信息越多，ChatGPT 和其他 LLM 模型就越能理解你所问的问题，并能提供更准确的回答。

在 OpenAI 开发的语言模型中，有两种主要技术用于激活其庞大的知识库，并提高对提示的反应的准确性。

这些技术被称为“少样本学习”（few-shot learning）和“微调”（fine-tuning）。

接下来让我们来看看它们。

少样本学习

命名为“少量样本”的学习是指为模型提供一些明确的例子，这些例子被用来有力地指导模型的生成，以输出所需任务的答案，如识别和分类一个新物体或概念。

通常情况下，使用的例子少于 10 个，但数量可能有所不同。对于只有一个例子的学习，你也可能听到它被称为“单次”学习（one-shot learning）。

OpenAI 模型中的单次学习可以在 ChatGPT 提示下实现，也可以通过调用 OpenAI API（应用编程接口）的“completion”端点以编程方式实现。

例如，在 ChatGPT 中使用基于提示的少样本学习来对电影类型进行分类，你可以简单地在提示中加入一些例子：

提供这些例子作为背景，可以帮助 ChatGPT 正确地将新的电影描述，“一群宇航员执行任务，通过殖民一个新的星球来拯救人类的灭绝。”，归类为“科幻/冒险”类型。