基本提示工程策略介绍
介绍
尽管看起来具有超自然的能力，但语言模型（LLM）实际上是基于提供的上下文来预测下一个单词的序列的预测模型。
因此，它们的性能不仅取决于它们所训练的大量数据，还严重依赖于用户输入提供的上下文。
经常使用LLM驱动的聊天机器人的用户都意识到上下文的重要性。缺乏足够的上下文，无论是公开可用的服务（例如ChatGPT）还是定制的LLM产品，都将难以执行更复杂的指令。
在这里，我们深入探讨了一种最基本的策略，用于引导LLM正确回答提示：在用户提示中提供上下文。这通常通过三种不同的方法来实现：零点提示、单次提示和少次提示。
零点提示
如果您以前与LLM驱动的聊天机器人进行过交互，您可能已经无意中使用过零点提示。零点提示仅依赖于LLM的预训练信息来回答给定的用户提示。
例如，假设我们将ChatGPT用作情感分类器。使用零点提示的输入如下：
用户提示：“确定这个句子的情感。句子：’这个篮球很重’。”
ChatGPT：“句子’这个篮球很重’的情感是中立的。它没有传递积极或消极的情感，而是提供了有关篮球重量的事实信息。”
在没有额外上下文的情况下，LLM将评估这个句子为中立。
虽然这种方法通常可以得到令人满意的回答，但在问题的复杂性较高或答案的标准与常规不同的情况下可能不足够。