在人工智能的浪潮中,大型语言模型(LLM)以其惊人的自然语言理解和生成能力,成为了目前非常重要的生产力工具。然而,要真正驾驭LLM的威力,恰当的"提示"就显得尤为关键。随着大型语言模型 (LLM) 的兴起，提示词工程已成为与这些模型进行交互的关键方式。提示词工程是指设计和优化提示词的过程，以使 LLM 生成所需的输出。

最近，IBM 发表了一篇论文《探索企业中的提示词工程实践》，分析了企业环境中提示词工程的运用。该论文基于对 57 个用户会话的分析，共包含 1523 个提示词，揭示了从业者如何编辑和改进提示词。IBM论文的分析为我们提供了一窥提示词工程潜在优化路径的机会。

论文的主要发现

用户主要编辑提示词的上下文部分，其次是任务指令和标签。研究发现在编辑上下文中，添加示例会对输出结果产生显著影响。

用户经常使用多个模型输出。平均每个会话会尝试3.6种不同的模型，这个分析结果跟我自己的实践也非常一致。我一般都是把GPT4、Claude3、Gemini1.5再加上Kimi一起打开，同时进行提示词输入。因为你不知道哪个模型会“发疯”，即使是号称最强的GPT4也不是每次都能输出比较理想的结果，而从实践结果看，这种方法非常有效。

提示词中的标签（label）编辑是第三个最常见的提示符组件编辑。标签编辑通常采用标识符、冒号、分隔符或描述信息部分的开始/结束标记的形式。例如在Claude3中常用的<s>和</s>、<example>和</example>等。标签修改是希望让LLM关注提示中某些潜在的可参数化结构。

论文中总结了一份完善的提示词包含的组件和它们的事例，我归纳总结并添加了一些内容列出下表：

1. **任务目标（task）**：

- 这些是用来明确告知模型执行特定任务的词汇。

- 例子：根据文档回答问题；总结文档。

2. **角色（persona）**：

- LLM在生成输出时应扮演的人或角色类型。。

- 例子：顾问，批评家，SQL专家等。

3. **限制（Constraints）**：

- 对输出内容设置限制条件。

- 例子：风格、字数、格式、包含或不包含的内容等。

4. **句柄未知回应（handle-unknown）**：

- 如果缺少生成请求输出所需的知识，输出应该是什么的描述。

- 例子："如果你不知道，回应以 [...]"。

5. **上下文信息（Contextual Information）**：

- 提供足够的背景信息和示例来引导模型更好地理解和执行任务。

- 例子：故事背景，技术术语解释，格式示例等。

6. **步骤（method）**：

- LLM生成输出应遵循的过程描述。

- 例子：让我们一步步思考。深吸一口气，一步一步地做这件事。

- 说明：一般以上诉例子开头，然后列出工作流（Workflow），

7. **标签（label）**：

- 提示中用于标识提示元素的标签文本。

- 例子：<Context> </Context>等。

在实际的LLM使用中，每个模型接受的提示词格式和组件可能会有部分区别，我前面有文章介绍Claude3对话框中输入时，要特别注意添加必要的标签（label），而其他个别模型对是否添加标签并不重要。

IBM的研究强调了在人工智能的应用过程中观察、分析和优化提示词的重要性。通过总结提示词使用的规律，有助于我们掌握提示词工程的基本规律，灵活运用于不同AI大语言模型的输出中，提高LLM的生成效率。

参考链接：https://arxiv.org/abs/2403.08950