本文内容源于《Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4》（https://arxiv.org/pdf/2312.16171v1#page=1.62）论文的翻译和提炼。
由于笔者近几天比较忙，没时间上新的实践教程，故把之前整理比较有用的一些大模型相关的知识提供给观众姥爷。希望你在智能体写提示词时候能用上
📌 论文简介
本文提出了26条指导原则，旨在简化与大型语言模型（如LLaMA-1/2、GPT-3.5/4、DeepSeek等）交互时的提问和提示设计过程。通过这些原则，用户可以更有效地与不同规模的模型进行交流，提升模型的响应质量。研究通过在LLaMA-1/2（7B、13B、70B）和GPT-3.5/4上的广泛实验，验证了这些原则在指令和提示设计中的有效性。项目主页：https://github.com/VILA-Lab/ATLAS。:contentReference[oaicite:1]{index=1}
🎯 核心原则概览
- 明确任务：使用“你的任务是……”等明确的语言来指示模型的任务。
- 强调重要性：使用“你必须……”等词语来增强任务的紧迫感。
- 设定后果：引入“如果回答错误，将会受到惩罚”等后果，以提高模型的认真程度。
- 角色扮演：为模型分配特定角色，如“你是一位经验丰富的医生”，以引导其响应风格。
- 逐步思考：鼓励模型“逐步思考”，以提高推理质量。
- 简化语言：使用简单明了的语言，避免复杂或双重否定的表达。
- 示例驱动：通过提供示例来引导模型理解任务。
- 允许提问：鼓励模型在回答前提出 clarifying questions，以确保理解任务。
- 分解任务：将复杂任务分解为更小的子任务，逐步引导模型完成。
- 使用分隔符：在提示中使用清晰的分隔符（如“—”）来区分不同部分。
🧠 26条提示设计原则（Principled Instructions）
-
明确任务指令：使用诸如“你的任务是……”或“你必须……”等明确的语言，清晰地传达任务要求。
-
指定目标受众：在提示中明确指出目标读者，例如“面向医学专业人士”或“为小学生解释”。
-
分解复杂任务：将复杂的任务拆分为更小的子任务，逐步引导模型完成。
-
使用肯定性指令：采用积极的语言，如“请执行……”而非“不要……”，以减少模型的误解。
-
简化语言表达：使用简单明了的语言，避免复杂或双重否定的表达。
-
提供上下文信息：在提示中包含相关背景信息，帮助模型更好地理解任务。
-
采用Few-shot示例：通过提供示例来引导模型理解任务要求。
-
明确输出格式：指定所需的输出格式，例如“请以列表形式回答”或“生成JSON格式的数据”。
-
强调任务重要性：使用“你必须……”等词语来增强任务的紧迫感。
-
设定后果：引入“如果回答错误，将会受到惩罚”等后果，以提高模型的认真程度。
-
鼓励提问：允许模型在回答前提出澄清性问题，以确保理解任务。
-
逐步思考（CoT）：鼓励模型“逐步思考”，以提高推理质量。
-
使用输出引导词：在提示末尾添加期望的输出开头，引导模型生成符合预期的内容。
-
允许模型提问：鼓励模型在不确定时提出问题，以获取更多信息。
-
测试理解：要求模型在回答后进行自我检查或测试，以验证其理解。
-
赋予角色：为模型分配特定角色，如“你是一位经验丰富的医生”，以引导其响应风格。
-
使用分隔符：在提示中使用清晰的分隔符（如“—”）来区分不同部分。
-
明确输出长度：指定所需的输出长度，例如“请生成100字以内的摘要”。
-
结合CoT与Few-shot：将逐步思考与示例结合，增强模型的推理能力。
-
使用输出引导语：在提示中提供期望输出的开头，引导模型生成符合预期的内容。
-
要求详细说明：指示模型提供详细的解释或描述，以增强回答的深度。
-
指定输出结构：明确要求模型按照特定的结构或格式输出内容。
-
保持写作风格一致：确保生成的内容在语气、风格和格式上与提供的示例一致。
-
使用特定开头：在提示中提供特定的开头词语或句子，引导模型生成相关内容。
-
明确内容要求：清晰地列出模型在生成内容时必须遵循的关键词、规则或提示。
-
模仿示例语言：要求模型使用与提供的段落、标题或文本相同的语言风格。
📘 总结
通过遵循这26条指导原则，用户可以更有效地与大型语言模型进行交互，无需进行复杂的模型微调。这些原则为提示设计提供了实用的框架，适用于从研究人员到日常用户的广泛群体。这些原则来源于提示词工程指南，感兴趣的小伙伴可以进行查阅： https://www.promptingguide.ai/
（文：PyTorch研习社）