前段时间学习了智谱AI对外分享的prompt最佳实践，感触良多，顺便记录一下自己的学习总结。
本系列将分为三部分：prompt框架、prompt迭代优化和prompt评测与产品构建。
本篇是第二篇，主要介绍prompt迭代优化。
Prompt engineering, or "提示词工程"，是一个在人工智能领域，尤其是在自然语言处理（NLP）中使用生成模型时，优化输入指令以获得最佳输出结果的过程。
获得一个优越的提示词，要包括如下步骤：
-
迭代：没有人直接写出100分的指令
-
评测：像训练算法模型一样优化指令
角色迭代：尝试不同的角色，让大模型提供最佳的上下文语境。
大模型在任务执行过程中会具有保险业务专家的语境。
任务迭代：对于指令的关键动作，尝试不同的近义词或其他相近的描述来提升准确性。
【动词和名词、业务场景的名词】
执行步骤迭代–正向引导：避免负指令，谈股票更换概念等方式，尽量告诉模型应该输出什么。
执行步骤迭代–逻辑完备：将完备的思考逻辑给大模型，避免在“无”的时候，大模型自由发挥，乱造信息。
执行步骤迭代–避免规则：指令的作用在于引导大模型输出正确的答案，硬规则更加适合于靠规则程序来完成。
Few shot迭代：要么每个类别都均匀添加做示例，要么都不加；样例较多时，引入向量数据库做动态few shot。【好的训练集、评测集】
分隔符作用：
-
避免模型指令收到其他内容的干扰；
-
将文本上下文、不同的知识模块做分隔；
-
避免用户注入无关指令。
分条目作用：
-
有助于大模型理解每个独立的任务，引导大模型按照指令进行思考；
-
有助于开发者顺利任务的逻辑顺序，便于逐条编写测试以及迭代维护。
顺序作用：先输出的内容会影响后输出的内容，可以尝试不同的顺序，避免提取项的干扰，找到最佳的提取效果。
嵌套：平铺直叙，避免多层的逻辑嵌套。
位置：指令的首部和尾部指令遵循效果较好，根据不同的输入文档长度和指令难度尝试不同的段落组织方式。
-
需求描述：
-
迭代指令：prompt v1->prompt v2
-
增加COT，输出步骤中如何判断情绪
-
迭代指令：prompt v2->prompt v2.1
-
清晰明确的表达
-
迭代指令：prompt v2.1->prompt v3
-
从结构上进行优化
-
迭代指令：prompt v3->prompt v3.1
-
在每一个分类中增加few shot
-
迭代指令：prompt v3.1->prompt v3.2
-
格式强约束
-
需求：
-
最初版v1
-
定义修辞手法、输出KV格式
-
拆分prompt、赋予角色
-
添加修辞关键特征、分析原因
-
任务描述：动词
-
加示例、引号强调
-
加反面示例
-
COT：分步骤推理分析
-
输出引导
-
示例顺序调整
