向大语言模型提问时的神奇咒语和指导性原则

在课程中，李宏毅老师讲到不训练模型也能强化语言模型（精读和准度）的方法，第一点就是使用“神奇咒语”，通过多加一句指令，让模型得到的结果大不同。如下图中，使用GPT早期的版本，通过添加右侧框中的咒语，比直接使用效果好很多。

不一定适用于所有模型、所有版本

更有意思的是，对AI进行情绪勒索同样会起到一定作用。

接下来李老师提到一篇文章：Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4 （原则性指导是你询问LLaMA-1/2、GPT-3.5/4所需的一切），文末点击阅读原文可跳转。

在本研究中，作者引入了26个原则性指导原则，目的是提高提示的质量、清晰度和简洁性，从而使LLM能够提供更好的响应。

论文系统地探讨了如何应用这些原则来实现从LLM获得更准确、更相关响应的目标，强调了提示工程作为与生成模型互动的关键方面的重要性。通过在不同模型规模（从小到大）上进行广泛的实验，作者展示了这些原则性指导原则的应用可以显著提高响应质量——当应用于GPT-4时，平均质量和准确性分别提高了 57.7% 和 36.4% ，随着模型大小的增加，改进效果更加显著。

根据领域将26个原则进行分类，如下：

提示结构与清晰度：

• 整合预期听众：在提示中明确预期的听众，如“听众是该领域的专家”。
• 采用肯定指令：使用诸如“做”之类的肯定指示词，避免使用“不要”等否定语言。
• 使用引导词：如写作时提示“一步步思考”。
• 使用输出引导：在提示的结尾处加上预期输出的开头，以引导模型生成特定类型的回答。
• 使用分隔符：在提示格式化时，先以“###Instruction###”开头，后跟“###Example###”或“###Question###”（如有必要），然后呈现内容，使用一个或多个换行符分隔指示、示例、问题、上下文和输入数据。

具体性与信息量：

• 添加无偏见和避免依赖刻板印象的语句：“确保你的回答无偏见，不依赖刻板印象。”
• 使用具体的词汇、规则或指令明确模型必须遵循的要求。

用户互动与参与：

• 允许模型通过提问来获取更精确的细节和要求，直到它有足够的信息提供所需的输出。
• 在询问特定主题或想法时使用特定短语，并在结尾处包含测试以验证理解。

内容与语言风格：

• 无需对LLM使用礼貌用语，直接进入主题。
• 重复特定单词或短语，在提示中多次使用。
• 添加激励性语句，比如“我会给出$xxx的小费以换取更好的解决方案！”
• 将复杂任务分解为一系列更简单的提示，以互动式对话的形式进行。

复杂任务与编程提示：

• 在有多个文件的复杂编程提示中，生成可以运行的脚本，自动创建指定的文件或对现有文件进行修改，以插入生成的代码。
• 结合链式思考（CoT）与少量示例提示，以提高解决复杂问题的能力。

当然，类似的“神奇咒语”还有很多，我们可以使用另一个语言模型来找到目的语言模型的咒语，并进行评估。

快去试试吧！