摘自 Vectors of Mind —— 图片见原文。
[图片：原文中的可视化内容]你在读完这篇文章之后的样子
![[图片：原文中的可视化内容]](https://substackcdn.com/image/fetch/$s_!EpIx!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F719d87af-7c69-45fd-8c84-595b16af3dae_1024x1024.webp){kind=link}
我的工作已经危险地接近“提示工程师（Prompt Engineer）”1 了。对此我完全没意见，因为它结合了我对写作、心理测量（psychometrics）和自然语言处理（NLP）的热爱。下面是一些最“超纲”的提示技巧：
使用清晰且具体的指令
链式思维（Chain-of-thought）推理
在执行任务前先收集所需信息
将任务拆分为步骤
技术术语是你的朋友
实用短语杂烩包
1. 清晰且具体的指令#
律师和计算机科学家在这方面往往很擅长。事实上，提示的一大乐趣在于，相比常规代码，你可以不那么精确，而大语言模型（LLM）往往也能抓住大意。不过，很多请求只要在任务本身以及答案应采用的格式上更明确，就能显著改进。比如，我最近胡乱拼出了这顿饭：
![[图片：原文中的可视化内容]](https://substackcdn.com/image/fetch/$s_!dVwU!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F216d83a0-b1be-4f15-877a-bfbb9842c0ed_1284x1253.jpeg){kind=link}
味道很好，谢谢关心。其他一些例子：
“用一段话总结人工智能的历史。”
“创建一个按年代排序的最古老语系表格。要穷尽。”2
“用 White 和 Strunk 的风格改写引号中的文本。给我三个版本。”
“为附带的 .csv 文件的第 2–7 列计算 Pearson 相关矩阵。”
后续提示：“写出代码，将结果以热图形式展示，分辨率要足够高以用于海报展示。在美学选择上采用最佳实践。”
具体的指令往往包含具体的例子。White 和 Strunk 写了 Elements of Style（《英文写作手册》）。引用他们的书要比使用诸如“简洁”“专业”“优秀”之类的形容词更好。部分原因在于，LLM 在面对具体形容词时往往会“过度发挥”。因此，如果你想让机器人采用一种刻薄/毒舌的 persona，不妨试着让它表现得像《美眉校探》（Veronica Mars）里的 Veronica Mars，或者《贱女孩》（Mean Girls）里的 Regina George。
2. 链式思维（Chain of thought）推理#
LLM 是在海量文本语料上训练出来，用来预测下一个词的。出人意料的是，这使得它们在近似推理方面表现不错，但在复杂任务上会很快崩溃。这里，“复杂”可以简单到“把第 1 列的数字加起来”。这类任务很难一次性完成，它会吐出一个看起来合理、数值大致在正确范围内但并不正确的答案。只要在提示后面加一句“分步骤思考（think about it in steps）”就会有奇效。很多时候，你甚至不需要具体说明步骤；LLM 能推断出，要对一列求和，中间步骤就是写出 “n1 + n2 + n3 + … + n100 =”。本质上，它是在给自己下提示，以便在等号右侧给出更好的答案。或者打个比方，就是给自己留出“思考时间”。对于任何问题，“分步骤思考（think about it in steps）”这句话是你应对 LLM 幻觉的第一道防线。如果这还不奏效，那就自己把步骤列出来（这一技巧我们稍后会再提）。
3. 在执行任务前先收集所需信息#
如果你让 chatGPT 写一篇博客文章（我绝不会这么做）或者写一个 Python 函数（这个我绝对会），它会直接开写，而不会先询问你真正想要什么样的细节。很多问题可以通过这样一句话来避免，比如：“我想写一个实现 X 功能的函数；在编码前我需要先收集哪些信息？”或者“写一个实现 X 功能的函数，但在写代码之前先询问所有必要的信息。”其中“X”是某种不完整的描述。
4. 将任务拆分为步骤#
每当 chatGPT 没能完成任务，而链式思维也帮不上忙时，就把任务拆成子任务。这往往本身就是完成任务的一半工作，而且碰巧也是（目前）LLM 自主完成起来比较困难的部分。不过要注意的是，你通常也可以把这部分外包给 LLM3。例如，我曾提示 chatGPT 为一个创造力测验设计题目（你可以略读一下）：
我正在尝试设计更多类似“远距离联想测验（Remote Associates Test, RAT）”的问题。RAT 要求被试找到一个能把三个看似无关的词联系起来的共同词。以下是一些示例词组：
1. Cottage, Swiss, Cake（答案：Cheese）
2. High, Book, Chair（答案：School）
3. Fruit, Gaze, Traffic（答案：Jam）
4. Cream, Skate, Water（答案：Ice）
5. Ache, Hunter, Cabbage（答案：Head）
6. Manners, Round, Tennis（答案：Table）
7. Falling, Actor, Dust（答案：Star）
8. Light, Birthday, Stick（答案：Candle）
9. Salad, Head, Goose（答案：Egg）
10. Music, Ached, Green（答案：Apple）
有哪些最佳实践？我应该如何分步骤来思考这个问题？
就像理解如何对数字求和一样，chatGPT 非常擅长给出完成任务的“配方”。在它给出回答之后，我只需要说：
“太好了！现在按照这个流程生成 5 个新问题。”
然后再来 5 个，再来 5 个。在此之前，我曾直接要求它给出新题目，结果糟糕透顶。对于一个复杂得多的例子，可以看看一家 AI 安全研究机构是如何使用这一技巧（以及其他一些技巧）来解决一个被设计为对 LLM 来说“不可能”的问题的。
5. 技术术语是你的朋友#
技术术语是促使 LLM 表现得更专业的“吸引子盆地”。例如，描述一种疾病并询问“what is indicated”（“有什么适应证/应采取什么措施”）会比问 “What should I do?”（“我该怎么办？”）走得更远。使用“indicated”会让 LLM 把你的症状映射到所有曾经写过的医学教科书上；而后者则会被映射为在寻求医疗/人生建议，而这正是它被训练要避免给出的。使用技术性或非口语化的术语，可以把你从“普通助理模式”中拉出来——那一模式有最多的安全护栏和 Reddit 水平的建议。
6. 实用提示语杂烩包#
以下是一些我经常使用的短语：
“Is that correct?”（“这样对吗？”）
每当我写别人工作的总结，或者描述一个我并不完全熟悉的观点时，我会把自己的文字复制粘贴进去，问它是否正确。它通常很擅长在有争议的地方提出质疑。
“Are you sure?”（“你确定吗？”）
同样地，每当我怀疑 LLM 在胡说八道时，我会问它是否确定。如果它改变了说法，那就要对该结论持极大的怀疑态度。
“Help me brainstorm.” “Be creative”（“帮我头脑风暴一下。”“发挥创造力。”）
使用 LLM 的最佳方式之一，就是让它帮你探索“想法空间”。有时，它需要一点鼓励，才能摆脱那些最常见的、模式化的回答。
如果你有自己的常用提示语，欢迎在评论区补充！