零样本提示词
1 文本生成与编辑
写作和编辑辅助：撰写和编辑文章、邮件等。
创意写作：创作故事、诗歌、剧本等。
产品描述：生成电商产品描述。
摘要：生成文档和报告的摘要。
语言翻译：进行基本的语言翻译任务。
2 交互与沟通
回答问题：解答各类问题，提供信息。
对话参与：与用户进行自然对话。
角色扮演：参与模拟对话或情境对话。
3 数据分析与决策支持
情绪分析：分析文本的情绪倾向。
信息检索：从数据中提取有用信息。
商业建议：提供商业战略和管理建议。
法律信息：提供法律概念的解释。
医疗信息：提供一般医疗和健康建议。
4 教育与学习支持
教育支持：解释复杂概念，帮助解决学术问题。
编程帮助：提供编程学习和代码调试帮助。
5 娱乐与创意
游戏玩耍：解释和参与逻辑游戏。
笑话和谜语创作：创作幽默内容。
6 生活应用
食谱生成：根据食材提供食谱建议。
时尚建议：提供时尚和穿搭建议。
健身教练：提供健身指导和建议。
旅行推荐：提供旅行建议和行程规划。
单样本提示词
在提示中提供一个示例，以帮助模型理解任务要求和输出格式。它介于零样本提示词（无示例）和多样本提示词（多个示例）之间，适用于希望模型更准确地模仿某种风格或结构，但又不需要大量示例的场景。如，撰写小红书文案。
多样本提示词
在提示中提供多个示例，帮助模型更准确地理解任务要求、输出格式和风格。这种方式适用于任务复杂、风格要求高或希望提高模型一致性和准确性的场景。
提示词优化方法
8种有效Prompt提示词方法
1 明确具体任务
基本原理：明确指定任务可以减少解释上的歧义，让模型更准确地理解所需完成的具体操作。
基本方法：在提示词中直接说明要求的任务。
所属类型：任务明确性
具体案例：
提问：天气怎样。→优化：提供明天旧金山的详细天气预报。
提问：描述抗生素。→优化：列出三种常用抗生素及其主要用途。
提问：讲述二战。→优化：简述第二次世界大战的起因、主要事件和后果。
2 增加细节说明
基本原理：通过增加相关细节，提供更多上下文信息，以便模型更精确地定位和提取信息。
基本方法：在提示词中加入额外的细节。
所属类型：上下文增强
具体案例：
提问：讲述狗的特性。→优化：描述金毛寻回犬的外观特征和性格。
提问：如何烹饪鱼。→优化：解释如何用蒸的方式烹饪三文鱼，并列出所需的调料。
提问：谈谈营销策略。→优化：列出2023年最有效的三种数字营销策略，并解释它们。
3 使用示例引导
基本原理：通过给出示例答案，指导模型生成期望的答案格式和风格。
基本方法：在提示词中包含示例或模板。
所属类型：格式和结构指导
具体案例：
提问：解释牛顿第一定律。→优化：像教授小学生一样简单解释牛顿第一定律。
提问：讲述咖啡的好处。→优化：列出咖啡对健康的三个好处，并给出每一点的简短说明。
提问：讨论环境保护的重要性。→优化：用三个段落讨论环境保护的经济、社会和环境方面的重要性。
4 清晰的逻辑结构
基本原理：构建清晰的逻辑结构，帮助模型沿着逻辑路径进行推理。
基本方法：在提示中包括逻辑步骤。
所属类型：逻辑和推理增强
具体案例：
提问：为什么会下雪?→优化：描述从水蒸气到云再到降雪的过程，包括温度和气压的变化。
提问：解释光合作用。→优化：按步骤解释光合作用过程中光能转化为化学能的过程。
5 提问方式的多样性
基本原理：采用不同的提问方式可以引导模型从多个角度探讨问题，生成更全面或创新的回答。
基本方法：变化提问的形式，如使用假设性问题、间接提问等。
所属类型：查询方式创新
具体案例：
提问：如何改善睡眠?→优化：如果我想在一个月内改善睡眠质量，我应该采取哪些具体措施?
提问：全球变暖的影响是什么?→优化：假设全球温度上升2度，这将对海平面和农业产生哪些具体影响?
6 明确输出的详细程度
基本原理：通过指定答案的详细程度，可以控制输出的信息量，确保生成的内容既不过于简略也不过于详尽。
基本方法：在提示中明确答案的期望长度或详细程度。
所属类型：输出精细化
具体案例：
提问：讲述比特币。→优化：简述比特币的基本原理和使用，不超过200字。
提问：二战的影响。→优化：列出第二次世界大战对今日世界三个最重要的影响，并简要解释每一点。
提问：如何进行有效沟通?→优化：提供五个简短的步骤，每个步骤不超过一句话，描述如何提升个人沟通技巧。
7 包含上下文信息
基本原理：提供充分的上下文信息有助于模型更好地定位问题的具体背景，从而生成更准确和相关的答案。
基本方法：在提示中加入相关背景信息。
所属类型：上下文增强
具体案例：
提问：讲述电动汽车的优势。→优化：考虑当前能源危机，详述电动汽车相比传统汽车的三个环保优势。
提问：中美贸易战的影响。→优化：基于2023年的经济数据，分析中美贸易战对全球供应链的三个主要影响。
提问：防止青少年网络成瘾的策略。→优化：鉴于智能手机和社交媒体的普及，列出三种有效防止青少年网络成瘾的方法。
8 引入比较和对比
基本原理：通过比较和对比不同的概念或实例，可以帮助模型在生成答案时考虑和分析更多方面的信息，从而提供更深入和全面的分析。
基本方法：在提示中使用比较或对比的结构。
所属类型：复杂理解促进
具体案例：
提问：讲述猫和狗的差异。→优化：比较猫和狗在性格、生活习惯和人类互动动差异。
14种高效Prompt结构策略（模型训练）
1 One Shot Learning（单样本学习）
基本原理：利用高度泛化的特征提取器从一个样本中学习。
Prompt描述：提供一个非常具体的单一实例，用于训练或引导模型快速学习并产生所需的输出。
例子：
根据这个详细的产品描述，生成一个针对特定消费者的营销文案。
根据这个简单的用户行为日志，预测用户可能感兴趣的下一个产品类别。
使用单一的患者症状描述来诊断可能的健康状况。
2 Few Shot Learning（小样本学习）
基本原理：从少量样本中快速学习和泛化。
Prompt描述：列举少数几个例子来训练或指导模型，使其能够对类似的任务做出准确的反应。
例子：
根据这三个消费者的反馈，优化我们的产品推荐算法以更好地满足类似客户的需求。
根据几个短视频片段，预测视频的总体情感倾向。
使用几个城市的交通数据来预测交通拥堵模式。
3 Zero Shot Learning（零样本学习）
基本原理：依赖模型的泛化能力，无需特定任务的训练数据。
Prompt描述：说明任务的目标和背景，而不提供具体的训练示例，期待模型能泛化其以前的学习到这一新场景。
例子：
解释一种你从未接触过的技术，如量子计算，假设读者没有物理背景。
预测一个完全新的科技产品如何影响市场，而不是基于过去的数据。
描述一种从未见过的虚构动物的生活习性。
4 Chain of Thought（思维链条推理）
基本原理：逐步展示解决问题的思考过程。
Prompt描述：引导模型展示其思考过程的逐步推理，以解决复杂的问题或回答深入的问题。
例子：
详细解释为什么地球是圆的，包括对地球引力和航海发现的讨论。
逐步解释复杂的投资策略如何影响个人财务健康。
详细说明一台机器如何从原材料到成品的生产过程。
5 Self-Consistency（自我一致性检验）
基本原理：通过多次生成答案并比较一致性来提高准确性。
Prompt描述：要求模型生成多个答案或解释，然后从中选择最一致、最合理的答案。
例子：
生成三种不同的营销策略来提高在线销售，然后选择最可能增加客户参与度的策略。
对比分析多个经济模型对未来市场走势的预测，选择最一致的结果。
生成多种解决城市垃圾问题的方案，并确定最可持续的策略。
6 Tree of Thought（思维树探索）
基本原理：生成思考的决策树，展示多个可能的解决方案或思路，并评估各个选择的结果。
Prompt描述：指导模型构建一个决策树，详细展示多个可能的解决方案或思路，并评估各个选择的结果。
例子：
分析多种不同的营销策略可能带来的利润和风险。
探讨不同的全球变暖对策及其可能的环境影响。
评估多个不同的投资选择，包括预期收益和潜在风险。
7 Meta-Learning（元学习）
基本原理：通过学习如何学习，快速适应新任务。
Prompt描述：引导模型应用其在多个不同任务上的学习经验，快速适应新的、类似的任务。
例子
根据以前XXX系统快速适应并优化一个新的网络安全威胁检测系统。
应用以前的XXX学习策略来快速掌握一种新的编程语言。
根据以前解决过的XXX类似问题，快速生成一个新产品的设计方案。
8 Transfer Learning（迁移学习）
基本原理：从一个任务学到的知识迁移到相关的另一个任务。
Prompt描述：明确指出模型应将在一个领域学到的知识迁移到另一个相关但不同的领域。
例子：
将在文本识别上的训练经验迁移到声音命令识别。
应用在动物图像上的分类模型来识别植物疾病。
利用在大城市交通管理模型中的经验来优化小城市的交通流。
9 Domain Adaptation（领域适应）
基本原理：使模型在一个领域获得的知识适应到另一个不同领域。
Prompt描述：指导模型将其在一个环境中学到的知识调整并适用于一个新的环境，尽管数据分布可能有所不同。
例子：
将军事用途的物流优化技术调整应用于民用供应链管理。
适应从欧洲市场到亚洲市场的品牌营销策略。
修改在西方国家成功的健康应用程序，使其适合东方国家的文化和健康习惯。
10 Curriculum Learning（课程学习）
基本原理：模仿人类学习过程，按照从简到难的顺序逐步训练模型。
Prompt描述：设计一个由简到难的学习计划，让模型逐步掌握复杂概念。
例子：
从简单的数学问题逐步教导至高级的数学建模技巧。
按难度递增的顺序教授复杂的机器人控制理论。
逐步介绍基本的编程概念，然后过渡到高级算法和数据结构的教学。
11 Reinforcement Learning（强化学习）
基本原理：通过奖励和惩罚机制训练模型，找到最优的行动策略。
Prompt描述：设置一系列的奖励和惩罚，以帮助模型在试错的基础上找到最优策略。
例子：
优化AI在模拟环境中的资源分配，以最大化整体效率和生产率。
训练一个模拟代理，通过不断的游戏玩法来掌握复杂的战略游戏技巧。
教育一个机器人模型，通过与环境的交互来学习在复杂地形中导航的最佳路径。
12 Contrastive Learning（对比学习）
基本原理：通过对比正负样本强化特征的区分力。
Prompt描述：要求模型明确区分相似和不相似的实例，以增强其区分特定特征的能力。
例子：
通过比较病理图像与健康图像，提高癌症检测模型的精确度。
利用用户行为数据的对比，区分有效用户与潜在的欺诈行为。
通过对比不同艺术家的画作，训练模型识别每位艺术家的独特风格。
13 Knowledge Distillation（知识蒸馏）
基本原理：从大模型（教师）到小模型（学生）的知识传递。
Prompt描述：从大型、复杂的模型提取核心知识，使之能够被更小、更快的模型使用。
例子：
从复杂的气候模型中提取关键特征，简化模型以便在低功耗设备上运行。
将高级网络安全系统的特征识别能力蒸馏到更快的实时威胁监测工具中。
从详细的市场分析模型中提取决定性指标，以简化投资决策流程。
14 Data Augmentation（数据增强）
基本原理：通过技术手段增加训练数据的多样性。
Prompt描述：指导模型使用通过各种技术手段人工增加的数据多样性来训练，以提高其泛化能力。
例子：
在训练数据量有限的语言模型中，通过合成语料扩展数据集，以改善模型在少数语言上的表现。
使用多种光照和天气条件的合成数据，增强自动驾驶系统的视觉识别能力。
通过随机改变音频样本的音调和速度，增加语音识别系统的鲁棒性。
角色设定
Meta-Learning（元学习）Prompt结构，一种使模型能够快速适应新任务的学习方法。它的核心思想是，模型不仅学习任务本身，还学习如何根据以往经验调整策略，从而在面对新任务时表现更好。如，像鲁迅一样写一篇关于特斯拉的广告文案，包含标题和正文，字数200以内。
提示词结构
COCOE：上下文（context）+目标（objective）+角色（character）+输出格式（output）+例子（examples）。
，转载注明来源）