《中移智庫：2024提示工程——大模型中的提示詞設計研究報告（17頁）.pdf》由會員分享，可在線閱讀，更多相關《中移智庫：2024提示工程——大模型中的提示詞設計研究報告（17頁）.pdf（17頁珍藏版）》請在三個皮匠報告上搜索。

1、提示工程大模型中的提示詞設計提示工程大模型中的提示詞設計中國移動研究院 業務研究所2024 年 11月中移智庫 摘要摘要當今的人工智能領域，大模型如 GPT 和 BERT 已展現出卓越的性能，被廣泛應用于多種語言處理任務。然而，這些模型的訓練成本極高，涉及昂貴的計算資源和大量的數據處理。如何在不重新訓練模型的前提下有效利用已有模型，成為了一個重要的研究和應用方向。提示工程（Prompt Engineering）是一種通過設計精確的輸入提示來最大化模型性能的技術，旨在通過優化輸入的提示詞影響模型輸出，從而實現更精準的結果。提示工程（Prompt Engineering）為我們提供了一種成本效率高

2、且靈活的方法，通過按照一定方法和規則設計輸入的提示詞來引導模型輸出，從而適應特定的應用場景和領域。文章詳細介紹了提示工程的原理及多種方法，如角色扮演和思維鏈，通過調整輸入使模型更適應特定任務。本文還探討了提示工程與中移智庫 大模型結合的多種方式，包括多模型集成、動態提示調整、遷移學習等。文末指出提示工程在模型輸出評估、提示詞保護以及醫療等低容忍行業的應用中面臨挑戰。一、一、大模型與提示工程大模型與提示工程（一）大模型的提示詞想象大模型是一個巨大的、由數百萬甚至數十億參數構成的高維向量空間。這個空間中的每一個向量都代表了從龐大數據集中學習到的某種語言特征、知識片段或概念。當用戶提供輸入（如文本查

3、詢）時，這個輸入被模型轉換成一個或多個向量，這些向量代表了輸入的語義和結構特征。這些向量被投射到模型的向量空間中，與已有的向量進行交互。輸入向量在模型的向量空間中尋找與之最相關的向量。模型通過內部算法（如深度學習的前向傳播）計算這些向量之間的相互作用，確定最適合的輸出向量?；谳斎胂蛄颗c向量空間中其他向量的交互，模型生成響應。也就是說，用戶輸入和中移智庫 大模型共同形成了對應輸出的答案或其他形式的輸出。（二）（二）提示工程的目標提示工程的目標提示工程的核心是設計一種輸入的結構和內容，以便它們能夠更有效地與模型的向量空間中的向量進行交互。良好的提示使得輸入向量能夠更準確地定位到向量空間中相關的部

4、分，從而產生更準確、更相關的輸出。通過提示工程，可以優化輸入的清晰度、詳細程度、專業術語的使用、語境信息等，這些都直接影響模型如何理解和處理輸入。良好的提示可以大大提高模型在特定任務上的表現，例如在零樣本學習中更準確地解讀用戶的意圖。在不同的應用場景中，根據需要定制輸入的結構和內容是可能的，例如在醫療、法律或客戶服務等領域。提示工程的重要性在于，它使我們能夠通過簡單調整輸入端的提示來適配新的應用需求，避免了高成本的模型重新訓練。這種方法不僅節中移智庫 約成本，還提高了模型的靈活性和適應性，使其能夠迅速適應技術和市場的變化。一個針對通用語料庫訓練的模型，通過恰當的提示詞設計，可以用于進行特定類型

5、的情感分析、市場預測或技術文檔概括，而無需額外訓練。二、二、提示工程方法提示工程方法提示工程方法有很多，如角色扮演、思維鏈、反事實提示提示集成等，下面就角色扮演和思維鏈兩種方法，舉例說明提示工程對大模型輸出的優化。（一）（一）角色扮演方法角色扮演方法角色扮演（Role-playing）模型被指定扮演一個具體的角色，以增強其在特定情景下的表現。這可以幫助模型生成更具體、更符合角色的語言和行為。角色扮演方法的優點是可以高效地輸出適合提問者角色需要的答案。對話示例：問題:如何計算圓柱的體積？中移智庫 改進提示（角色扮演）:假設你是一名數學老師，請詳細解釋如何計算圓柱的體積，并用半徑為 3，高為 7

6、的圓柱來舉例說明。輸出:作為數學老師，我會解釋圓柱的體積計算公式為 V=r h，其中 r 是圓柱的底面半徑，h 是圓柱的高。對于半徑為3，高為7的圓柱，體積 V=3 7=63立方單位。（二）（二）思維鏈方法思維鏈方法思維鏈（Chain of Thought）方法通過模擬人類解決問題的邏輯思維過程來提高模型解答復雜問題的能力。它不僅引導模型給出最終答案，還展示了達到該答案的完整推理過程。實現方式：步驟1：設計問題并明確要求模型展示其解答過程的每一步。步驟2：讓模型生成包含完整推理步驟的答案。思維鏈的優點有如下幾個方面：中移智庫 透明度：通過展示推理過程，用戶可以清楚地看到模型如何從問題的基本信息

7、到最終答案的逐步推導，增強了解答的透明度。教育價值：這種詳細的解釋有助于教育用戶如何自己分析類似問題，特別是在教育和學習環境中。信任和可靠性：展示詳細的思考過程可以幫助建立用戶對模型的信任，尤其是在其解答需要被依賴時，如在技術支持或商業決策支持中。思維鏈方法通過模擬人類解決問題的邏輯思維過程來提高模型解答復雜問題的能力。它引導模型展示其推理過程，而不僅僅是給出最終答案。對話示例：問題:請解釋一個復雜幾何形狀的體積計算，例如一個截頭錐。改進提示（思維鏈）:請詳細解釋如何計算一個截頭錐的中移智庫 體積，并分步驟展示計算過程，使用上底半徑 R=6、下底半徑r=3和高h=10的截頭錐來舉例說明。輸出:

8、首先，定義截頭錐的體積公式：V=(1/3)h(R +Rr+r)。然后，代入已知值：R=6，r=3，h=10。計算每一項：R=36，Rr=18，r=9。將各項相加：36+18+9=63。計算體積：V=(1/3)1063=210。所以，截頭錐的體積為 210 立方單位。（三）（三）小結小結復雜的提示詞設計，實際上是根據提示工程給出了用戶輸入結構的邏輯規則，幫助大模型在組合返回時，從不同待選內容選擇更符合用戶期待的答案，糾正模型理解錯誤造成的大模型幻覺。在面對探索性問題，復雜計算推理類問題，有效彌補中移智庫 模型能力在某些領域的不足。針對復雜度越高，推理層次越深的問題，需要設計與之匹配的提示詞結構。

9、三、三、提示工程提示工程與大模型融合與大模型融合在提示工程的應用中，如何與大模型（如 GPT、BERT 等）高效結合，是提升 AI 系統性能的核心之一。大模型憑借其龐大的參數量和強大的語言生成能力，能夠處理復雜的自然語言任務。然而，僅依賴大模型并不能充分發揮其潛力，提示工程通過巧妙的提示設計，為大模型的高效應用提供了新的可能。以下是提示工程與大模型結合的幾種關鍵方法。（一）（一）組合提示與多模型集成組合提示與多模型集成提示工程不僅可以應用于單一的大模型，還可以通過多模型集成的方式，進一步提高系統的表現。大模型通常擅長處理自然語言任務，但在特定領域中（如圖像識別、語音識別等），其他類型的 AI

10、模型可能具備更好的專業能力。通過提示工程設計，用戶可以結合多個模型的優勢，實現更復雜的多模態任務。中移智庫 例如，用戶可以設計提示，將自然語言任務的輸出作為輸入引導給其他模型，如將 GPT 生成的文本作為輸入傳遞給圖像生成模型，從而完成圖像描述生成任務。這樣的提示設計可以大幅度提升多模態AI系統的協同工作效率。（二）（二）動態提示與自適應模型動態提示與自適應模型提示工程與大模型結合的另一種重要方法是通過動態調整提示內容，使模型能夠適應不同的上下文需求。在一些復雜的任務場景中，簡單的靜態提示可能無法完全滿足需求。動態提示通過根據用戶交互反饋、上下文變化，實時調整輸入提示的內容，使得大模型能夠靈活

11、應對不同的任務需求。例如，在對話系統中，動態提示可以根據對話的前后文內容、用戶輸入的情感或意圖，自動調整提示，從而提升對話的流暢性和智能化水平。這種方法使提示工程在大模型中的應用更加靈活和精準，能夠有效提高大模型的交互能力。中移智庫（三）（三）提示與遷移學習的結合提示與遷移學習的結合遷移學習是一種通過在不同領域或任務之間共享模型知識的技術，大模型往往具備強大的遷移學習能力。提示工程可以與遷移學習相結合，通過設計合適的提示，將大模型在一個領域中的知識遷移到另一個領域中使用。通過提示工程引導，模型能夠在無需額外訓練的情況下，直接應用于新的任務或領域。例如，將在通用語料庫上訓練的 GPT 模型，通過

12、提示定制應用于法律或醫學等專業領域任務。這種結合方式可以顯著減少領域適應時間，降低訓練成本，尤其適用于跨領域的大模型應用。（四）（四）小結小結提示工程與大模型的結合為 AI 領域帶來了更多的創新機會與應用前景。通過定制化的提示詞設計、組合提示與多模型集成、動態提示調整以及遷移學習的應用，提示工程能夠在不重新訓練模型的情況下，充分發揮大模型的潛力。隨著技術的不斷進步，提示工程與大模型的結合方式將繼續發展，推動 AI 技術在各個行業的深入應用，實現更智能、更高效的任務處理和決策中移智庫 支持。四、四、提示工程當前的挑戰和應對策略提示工程當前的挑戰和應對策略當前是提示工程在大模型中應用的初期階段，在

13、評估模型輸出、保護提示詞資產以及在低容忍行業的應用方面有諸多挑戰。我們需要在未來提示工程發展的道路上，逐步解決這些挑戰帶來的問題。（一）（一）提示工程有效性量化評估提示工程有效性量化評估提示詞的設計是提示工程的核心，直接影響大模型的輸出質量。然而，目前缺乏有效的量化評估手段來衡量提示詞的好壞。量化評估提示詞有效性可以幫助開發者優化提示設計，提升模型在不同任務中的表現。該評估過程可以從兩個關鍵階段進行分析：提示輸入階段和模型輸出階段。在提示輸入階段，提示詞的設計需要通過幾個核心指標來量化其有效性。提示詞的結構化程度、使用的詞匯是否精準以及是否具備領域專門性都至關重要。提示詞的清晰度和簡潔性也需要

14、考慮，確保輸入簡明扼要，易于理解。提示詞的語義豐富性決定了其能否為模型提供足夠的信息來處理復雜任務，是評估提示詞設計的關鍵因素之一。這些因素的量化可以通過統計詞匯、句子結構分析以及語義深度評估等工具進行。中移智庫 在模型輸出階段，提示詞的有效性最終體現在模型生成的結果上。輸出的準確性是首要的評估指標，通過與預期結果的對比，可以量化提示詞的設計是否能引導模型生成符合任務要求的內容。模型輸出的一致性也是重要的考量標準，評估不同輸入提示詞下，模型是否能穩定地產生類似的結果。輸出與提示詞的語義相關性也是關鍵，通過語義相似度量化工具可以衡量輸出是否與提示詞緊密相關。信息完整性也需要評估，確保模型輸出涵蓋

15、提示詞所要求的所有關鍵信息。這些量化評估結合自動化分析工具和用戶反饋，能夠為提示工程提供系統的有效性評估方法，幫助優化提示設計和提升模型的實際應用效果。（二）（二）提示詞資產的保護提示詞資產的保護隨著提示工程的逐漸普及，高效的提示詞本身成為了重要的資產。在競爭激烈的行業中，有效的提示詞可以顯著提高模型的性能，成為企業的核心競爭力之一。企業需要保護這些提示詞，防止未經授權的復制或泄露。申請專利或版權是有效的法律手段來保護企業對提示詞資產的所有權；在企業內部，實施嚴格的訪問控制措施，確保只有授權人員才能訪問提示詞；建立訪問審計機制，記錄和監控提示詞的使用情況，防止未經授權的訪問和泄露；企業可制定一

16、個安全的內部分享機制，以便在團隊內部實現有效地分享的同中移智庫 時，避免資產風險。（三）（三）在低容忍行業的應用在低容忍行業的應用在低容忍度行業（如醫療、航空和金融等領域）應用提示工程面臨極高的風險。在這些領域，任何小的錯誤或不準確都可能導致嚴重的后果，如誤診、安全事故或財務損失。如何確保模型在這些行業中穩定、安全地運行，是一嚴峻挑戰。在錯誤低容忍行業，可建立覆蓋模型開發、測試和部署各環節的嚴格質量控制體系，使用高質量的數據集進行訓練和測試，來確保模型輸出的準確性和可靠性。在醫療領域，使用經過嚴格審查的醫療數據集進行模型訓練。部署模型后，實施持續監測和反饋機制，實時監控模型的表現，交易系統的輸

17、出，一旦檢測到異常交易，立即觸發警報并發現異?；蝈e誤，能夠迅速響應和修正；在金融領域，實時監控交易系統并采取措施。模型的開發和應用必須嚴格遵循所在行業的標準和法規要求，確保所有輸出都經過嚴格驗證，并符合行業規范。在航空領域，確保模型符合航空安全管理的所有規定和標準。采用多層驗證和冗余設計，確保模型輸出的可靠性。提示工程的發展不僅依賴技術創新，還需要政策制定者和監管機構、行業領導者和技術開發者的緊密合作。通過集體努力，可以推動提示工程向更高效和準確的方向發展，滿足各行業的中移智庫 不同需求。建立多維度評價體系、保護提示詞資產、在低容忍行業應用中實施嚴格的質量控制和監測機制，將是解決當前提示工程挑

18、戰的有效策略。這些措施能夠幫助企業在各個應用領域中更好地利用大模型的潛力，同時保障其輸出的可靠性和安全性。中移智庫 參考文獻參考文獻 1 LIU P,YUAN W,FU J,et al.Pre-train,prompt,and predict:asystematic survey of prompting methods in natural language processingJ.ACM computing surveys,2023,55(9):1-35.2 BROWN T B,MANN B,RYDER N,et al.Language models are few-shotlearner

19、sJ/OL.2020.DOI:10.48550/arXiv.2005.14165.3 WEI J,WANG X Z,SCHUURMANS D,et al.Chain-of-thought promptingelicits reasoning in large language modelsJ.arXiv preprintarXiv:2201.11903,2022.4 ARORA S N.Ask me anything:a simple strategy for promptinglanguage modelsJ.arXiv preprint arXiv:2210.02441,2022.5 李姝

20、;韋有濤;喬芷琪.大語言模型 Prompt 的設計原則和優化流程J.中國信息化,2024,(09):31-33.6 張玲玲;黃務蘭.基于 ChatGPT API 和提示詞工程的專利知識圖譜構建J.情報雜志,:1-8.7 雷鳴.自然語言提示驅動的智能信息分析模式研究J.情報理論與實踐,:1-10.8 黃峻;林飛;楊靜;王興霞;倪清樺;王雨桐;田永林;李娟娟;王飛躍.生成式AI 的大模型提示工程：方法、現狀與展望J.智能科學與技術學報,2024,(02):115-133.9 方海光;王顯闖;洪心;舒麗麗.面向 AIGC 的教育提示工程學習提示單設計及應用J.現代遠距離教育,2024,(02):62-70.審稿：李連源、吳博、葛欣|業務研究所 中移智庫 本文作者本文作者程剛，就職于中國移動研究院，主要從事大數據、機器學習等領域研究工作中移智庫