你知道吗？你每天和ChatGPT说的‘你好’、‘谢谢’，让科技公司多花了1000万美金！
没错，OpenAI CEO亲口承认：用户90%的客套话都是废话，AI根本不想听！
更可怕的是——80%的人根本不会写prompt，导致AI要么瞎编，要么摆烂。
今天，我扒光了谷歌68页prompt白皮书，挖出6个用户黄金法则+5个开发者秘技，让你的AI从“人工智障”秒变“超能学霸”！
用户篇：让AI听懂人话的6个黄金法则
1、给大模型提供示例
在prompt中给AI提供示例，就相当于给了大模型一张路线图。它能够以此为参考，提高响应的准确性、模仿对应的风格和预期。
2、与其寒暄客套，不如直截了当
尽管我们最常见到的就是应用就是聊天机器人，但是想要让大模型成为更好的工具，还是需要下达更清晰的提示词，避免不必要的客套和冗余信息。
比如，OpenAI CEO Sam Altman就曾发文称，仅仅是为了处理用户日常的寒暄用语，OpenAI就花费了千万美金的开销。
对比下图中两个prompt，修改后的prompt包含角色设定（导游）、明确地点（纽约）和需求（3岁儿童），更加清晰简洁，从而能够带来更好的效果。
就像绘画的prompt一样，如果你提的需求太简单笼统：“女性”，那么大模型就只能给你一个通用的结果，用户需要在其中抽卡，才能撞到一个满意的结果。
而在提示词中表达的越明确越详细、AI越懂你，就越可能得到符合需求的结果。比如，可以把这个绘图细化到：
“25岁亚洲女性佩戴金属框眼镜，柔顺长发自然垂落，专注阅读书籍，背景是悬浮飘动的书籍内页纸张，伦勃朗式三角光打在面部轮廓，深褐色皮质沙发，磨砂玻璃窗透出朦胧日光，8K超清画质，人像摄影大师Gregory Crewdson风格，超现实光影对比，背景动态模糊处理，纸张边缘泛着微弱的暖金色反光”
4、多说要什么，少说不要什么
- 正向指令：和大模型明确所需的内容、样式和格式说明；
- 负向约束：对于大模型输出的限制，告知大模型应该避免什么。
有越来越多的研究发现，在提示词中使用正向指令比负向约束更有效果，能够在限定范围内，让大模型创造更多的灵活性和创造性。
只有在涉及到安全性或特定过滤要求的时候，才建议使用负向约束，以禁止大模型特定的输出。
5、控制字数装刹车：限定token最大长度
我们可以在配置 或 提示词中明确指定输出长度，如“用一条微博的长度，解释量子力学的核心概念。”
这条建议同样适用于开发者场景，通过限定最大的token输出长度，可以控制成本、避免异常情况的发生。
6、AI也挑食：尝试不同的输入风格
不同的模型在什么样的表述方式下效果更好？这个问题在今天仍然是个玄学。既然没有办法确定最优解，那么谷歌给到的建议就是：试！
依次尝试不同的风格、措辞方式和提示类型（零样本、少样本），通过这种方式来遍历可能的最优解。
比如，⼀个旨在⽣成关于⾰命性视频游戏机世嘉 Dreamcast 的提示词，就可以表述为问题、陈述句、祈使句等不同句式，从⽽产⽣不同的输出：
- 问题：什么是世嘉 Dreamcast？为什么它是如此具有⾰命性的游戏机？
- 陈述：世嘉 Dreamcast 是由世嘉于 1999 年发布的第六代视频游戏机，它……
- 指令：写⼀个段落，描述世嘉 Dreamcast 游戏机，并解释它为何如此具有⾰命性。
开发者篇：工业级Prompt工程5大秘籍
1、了解模型的迭代，适配模型的变化
大模型的变化日新月异，过往不能解决的问题可能随着模型的更新就迎刃而解。但另一方面，模型的更新和升级也可能会使得过往效果不错的prompt失效或需要迭代。
在大模型基础上进行二创的开发者，就需要及时了解模型的架构变化、功能升级，从而做出对应的适配和调整。
2、在prompt中使用变量
这条建议对于应用Coze等工具的用户来说并不陌生，它更像是一种编程思维的抽象。
通过将prompt中的核心关键词转变为变量，可以使得prompt变得通用，后续的迭代更加便捷。
3、分类任务需要6个分类示例起步
在执行分类任务时，需要保证少样本提示（few-shot）中包含了不同分类的例子，并且将这些示例打散。否则，大模型可能学习到的不是真实的特征，而是给出例子的顺序。
一个经验是，对于分类任务至少要包含6个示例。
4、以JSON格式结构化输入输出
通常建议以JSON格式进行输出，这样的好处在于：
- 能够始终保持相同的格式
- 减少模型可能的幻觉
- 专注于数据、数据格式、便于后续的处理。
一个示例prompt如下：
需要补充的是，目前应用下来，感觉国内和国外模型的一个很大的差别就在于JSON格式输出的稳定性。在接口调用的场景下，Gemini的输出格式稳定性还是相对更高一些的。
尽管如此，谷歌也在白皮书中专门提到了如json-repair这样的修复JSON数据格式的库，以便在大模型输出有误的时候进行兜底。
进一步，既然JSON适合构建大模型的输出，那么同样适合用于构建大模型的输入。在开发场景下，我们可以通过预处理数据的方式，将文档转变为Schema和数据，从而让大模型能够更清晰的了解。
这种结构化输入的方式，在处理大量数据 和 将大模型集成到业务的场景中显得尤为有效。
比如，我们将商品目录转变为JSON格式的数据提供给大模型，就可以有效提升后续的处理准确率。
5、以版本管理的方式管理你的prompt
应用大模型，最需要扭转的思维方式就是从确定性的思维方式切换到不确定的思维方式：
- 同一段提示词，其输出可能因模型、采样设置甚⾄同⼀模型的不同版本⽽异。
- 即使是同⼀模型，输出语句的格式和措辞也可能存在细微差异。（即便两个 token 具有相同的预测概率，也可能会随机性而被随机选择，从而影响后续生成的token）
在这种情况下，就需要以版本管理的方式来维护提示词，从而更好地记录迭代过程。并在代码库中，建议将提示词和代码分别保存，从而使得后续更容易维护。
提示词工程=25%科学+25%艺术+50%测试
在这样一个不断迭代试错的过程里，我们只有通过设计和测试不同的提示词、记录和分析结果，基于模型反馈不断改进，才能最终获得满意的输出。
