写在前面
在大模型技术应用越发广泛的大背景下，各行各业都在尝试落地。我们以客服场景为例，聊一聊Prompt编写的一些实践指南。
目前，国内外大模型百花齐放，比较典型的是ChatGPT、讯飞星火、MiniMAX、文心一言、百川等，各家公司也有自研模型。对于不同的模型，想要达到同样的效果，使用到的Prompt可能也会不同，这可能受限于以下几类因素：
·
模型本身的参数量级。顾名思义，模型本身的参数量越大，对Prompt的适应能力就越强。有时一个简单的Prompt在大参数模型上的表现，可能会比精心设计的Prompt在小参数模型上的表现更好。
· 模型本身的实现方式。比如某些模型对输入token处理时，会进行截取操作，导致多轮对话的部分信息失效，此时把Prompt放在不同的位置会产生差异较大的结果。
语料准备好了，我们看看一个经典的客服对话场景（用大模型生成的模拟数据）：
用户：我上周在你家买了个手机，但今天发现它有点问题，我能退或者换吗？
客服：您好，非常抱歉给您带来了不便。请问您能详细描述一下手机的问题吗？这样我可以更好地了解您的情况。同时，我们需要核实一下您的个人信息，请问您的全名和联系电话是多少？
用户：我叫李明，这是我的手机号：13800138000。
客服：好的，谢谢您提供的信息。请问您的收货地址是哪里？
用户：北京市朝阳区建国路88号SOHO现代城A座。
客服：明白了，那您有没有尝试过重启手机或者重置呢？
用户：我试过重置，但没用。
客服：好的，那您还有其他问题吗？比如扬声器或者电池续航之类的。
用户：哦，对了，扬声器有时候会有噪音，而且电池续航时间也比我预期的短很多。
客服：感谢您的反馈。为了进一步核实您的订单信息，请问您的手机型号和IMEI号是多少？这些信息通常可以在手机的设置->关于本机中找到。
用户：型号是iPhone 12，IMEI号是351234567890123。
客服：谢谢您提供的信息。请问您的订单号是多少？
用户：我的订单号是16321575678435567。
客服：好的，我们已经核实了您的个人信息和订单信息。根据我们的政策，如果在购买后7天内发现产品存在严重质量问题，您可以申请退货或者换货。请问您的购买日期是什么时候？
用户：上周五。
客服：那么您还在退货期限内。请您将手机包装好，附上退货申请单，然后联系我们的物流合作伙伴进行寄回。我们会在收到您的退货后尽快为您处理退款或者更换新手机。
用户：好的，那我要付邮费吗？
客服：对于因严重质量问题导致的退货或换货，我们提供免费服务，所以运费由我们承担。请您放心寄回。
用户：好，那大概要多久才能搞定？
客服：一般情况下，退货或换货过程需要7-10个工作日。我们会尽快处理，确保您能尽快恢复正常使用。
用户：好的，谢谢。
客服：不客气，如果您在退货或换货过程中遇到任何问题，欢迎随时联系我们。祝您生活愉快！
这里引出了第一条实践原则：区分角色。在上面的例子中，我们分别使用了用户：和客服： 用于角色定义，因为这样会让大模型得到更为准确的输入。试想，如果把大模型当做人，清晰的角色区分会显著地降低理解成本。
Prompt准备
有了语料，我们让大模型来进行总结：用户咨询了什么问题，以及客服提供了什么解决方案。
下面我们设计一下Prompt：
从现在开始，你将扮演总结专家。我会先给你提供客服和用户的对话，然后请你从特定维度进行总结。
下面是几个问题示例：
例1：此处我会提供对话内容\n\n请问用户咨询了什么问题？只需要输出用户咨询的问题。
例2：此处我会提供对话内容\n\n针对用户咨询的问题，客服提供了什么解决方案？请用一句话总结。
对于我提供的对话内容，有以下几点提示，你可以利用：
提示1：对话内容以\n\n作为分隔符。
提示2：我使用了'客服:'和'用户:'标记了两种角色，你可以用来区分。
对于输出，有以下几点要求，请严格遵守：
要求1：使用一句话进行总结，禁止分段，如有序或无序列表也是禁止的。
要求2：不包含任何html标记。
要求3：不包含任何不可见字符，如回车符、换行符、制表符等。
要求4：不超过100字。
要求5：若无法回答，请输出未知，禁止胡编乱造。
你准备好了吗？
我们首先将这段Prompt告诉大模型，让它做一些初始化准备，然后将语料提供给大模型，再分别进行提问：
请问用户咨询了什么问题？只需要输出用户咨询的问题。
针对用户咨询的问题，客服提供了什么解决方案？请用一句话总结。
最终的效果是这样（使用百川大模型进行演示）：
<然后将对话内容发给大模型，此处略去>
可以看到大模型已经给出了对应的总结。对于我们的例子，总结较为简洁，如果你需要更为详细的输出，也可更改提问，比如：
下面我们来看看上面的Prompt和提问，遵循了哪些原则。
实践指南
我们先用一张图片总结下：
分别做一些解释：
角色扮演
告诉大模型，它将要扮演的角色，帮助它了解将要执行的任务。
对于参数量较小的模型，指定角色对于输出质量的提升较为明显。对于参数量较大的模型，则对输出质量的提升较弱。这也体现出：参数量越小的模型，对Prompt的依赖度越高。
少样本提示
给一些例子，让大模型更懂你要解决的问题。
比如上面的Prompt，我们给了一些例子，帮助大模型理解将来我会如何提问。在实践中，我们也可以同时把问题和结果写出来，这样的例子会更为完整。
对于参数量更大的模型，甚至不需要提示，也即“零样本提示”，其实这是因为模型已经有了更多阅历，能够识别我们的场景了。
明确输出要求
对于大模型来说，我们可以指定任意的输出格式，比如对输出做一些限定，包括但不限于：
· 内容的长度限制
· 特定内容过滤，比如不要输出某些字符，常见如html标记、回车符、换行符、制表符等
· 指定以特定格式输出，如最常见的json格式
· 兜底输出内容，以避免幻觉，常见的要求如：“若你无法找到内容，请输出未知”
一次只问一个问题
对于参数量较小的模型，如果我们同时问多个问题，输出可能会出现缺漏。因此我们可以保持提问简单，使得目标更为聚焦。
比如：我们把用户咨询了什么问题、客服提供了什么解决方案，分成两个问题来问，而非一次性问完。
注意文本的顺序
这条规则与大模型的实现方式有关。众所周知，所有大模型均有token上限，因此某些模型在实现时会对文本做取样甚至截断，从而导致它对不同位置的文本内容敏感度存在差异。因此需要我们对文本内容的顺序做适当处理，尽可能把重要内容放到敏感度更高的地方。
选用恰当的分隔符
文本内容与提问之间的分隔符。目前实践发现，多数大模型对于换行分隔符\n\n的敏感度最佳。
必要时，描述数据特征
显而易见的例子就是上问题到的，我们告诉大模型，可以使用客服:和用户:来区分两种角色。另外，还有很多玩儿法，比如：输入内容可能是一段json，如果不想提前做数据清洗，可以告诉大模型仅识别其中的某个字段，大模型就会自动摘取。
尽可能减少文本字符数
这是一条通用原则，适用于所有大模型，目标是减少对token的消耗。
最简单的做法是对数据做脱敏。根据业务场景的不同，过滤效果可能会有较大差别。比如有些客服和用户的对话中可能包含用户名、手机号、IMEI、SN、订单号、详细地址等信息，但总结场景并不会严格依赖这些信息，此时就可以过滤掉，一般可以将文本字符数缩减20%左右。
另外还有一些方法，比如将格式化的html符号过滤掉，等等。
总结
本文以客服对话总结为例，介绍了使用大模型时的Prompt编写和提问实践，供大家参考。
当然，随着大模型技术的不断迭代，适用的原则也可能需要不断演进，这就需要我们不断去探索优化了。参考
1. 如何更好地向 ChatGPT 提问？https://www.zhihu.com/question/570765297/answer/3045672251
2. 你在用ChatGPT时有什么独特的prompt心得？https://www.zhihu.com/question/594837899
3. GPT Prompt编写的艺术：如何提高AI模型的表现力https://blog.csdn.net/Taobaojishu/article/details/132074133
4. https://github.com/GitHubDaily/ChatGPT-Prompt-Engineering-for-Developers-in-Chinese
5. 大模型Prompt工程的重要性及构建方法 https://zhuanlan.zhihu.com/p/658704771
出自：https://mp.weixin.qq.com/s/Oi059Ql_ANnmQaWZ_D5_HA