Meta 前身为 Facebook，由领先的科技公司马克·扎克伯格 （Mark Zuckerberg） 领导，发布了一份关于提示工程的详细指南。本指南旨在帮助从开发人员到 AI 爱好者的用户充分利用他们与高级语言模型的交互，例如 Meta 自己的 LLaMA 2、ChatGPT、Bard 等。通过应用指南中概述的策略，用户可以显着提高他们从这些人工智能系统收到的结果和响应的质量和相关性。

本指南介绍了七种关键的提示技术，这些技术可以大大提高语言模型的性能。第一种技术称为显式指令，侧重于提供清晰详细的提示的重要性。这允许用户指导模型生成符合特定准则的输出，例如仅使用最新的信息源。这种特异性水平确保了人工智能提供的信息既准确又最新。

另一种技术是零样本提示，它要求模型在没有任何先验示例的情况下响应查询。这测试了模型理解和响应提示的固有能力，从而提供了对其能力的快速衡量。相反，Few-Shot Prompting 为模型提供了几个示例来说明所需的输出类型。此上下文有助于模型更好地理解手头的任务，并提供更精确和相关的响应。

Meta AI 提示工程指南概述

角色提示是一种技术，其中模型被分配了特定的角色，例如导师或记者。这有助于在特定上下文中指导模型的响应，从而产生更一致和适当的输出。另一方面，思维链提示鼓励模型概述其推理过程。这对于处理复杂的推理任务特别有用，因为它将问题分解为模型可以更轻松地导航的更简单的步骤。

自洽技术涉及要求模型提出多个答案，然后选择最连贯或最准确的答案。这可以提高模型响应的可靠性。最后，检索增强生成 （RAG） 提示模型将外部信息纳入其响应中，这对于需要当前和事实数据的任务至关重要。

Meta 的指南是向前迈出的重要一步，使复杂的语言模型对广大受众来说更容易理解和有效。通过利用这些提示工程技术，用户可以期待与更先进、更精确、更了解上下文的 AI 系统进行交互。本指南不仅仅是一本手册;它是人类用户与驱动语言模型的复杂算法之间的桥梁，确保通信尽可能无缝和高效。

Meta 指南的意义不仅仅局限于改善用户体验。它还为人工智能在各个领域的应用开辟了新的可能性。例如，在教育领域，人工智能模型可以被定制为个性化的导师，为学生提供迎合他们个人学习风格的解释和信息。在新闻业中，人工智能可以通过快速收集和综合来自各种来源的信息来帮助记者，使他们能够制作消息灵通的故事。

此外，该指南对思维链和自洽提示等技术的强调可以使人工智能模型不仅响应速度更快，而且决策过程更加透明。这种透明度对于在用户和人工智能系统之间建立信任至关重要，尤其是在问责制和准确性至关重要的领域。

随着人工智能继续融入我们的日常生活，微调与这些系统的交互的能力变得更加重要。Meta 的提示工程指南对于任何希望利用 AI 力量的人来说都是宝贵的资源。它为改善与语言模型的通信提供了一个清晰的框架，确保用户能够充分利用这些技术。

Meta AI 的 Prompt 工程指南概述

本指南的发布恰逢其时，因为人工智能在各个领域的使用正在以前所未有的速度增长。通过分享他们在提示工程方面的专业知识，Meta 不仅增强了用户体验，还为更广泛的 AI 研发领域做出了贡献。随着语言模型变得越来越先进，本指南中的见解可能会在塑造人类与人工智能交互的未来方面发挥至关重要的作用。

1. 明确说明

显式指令是关于为模型提供精确和明确的指令。这种技术不仅仅是提出问题或请求信息;它涉及定义所需响应的范围、上下文，有时还涉及定义结构。例如，如果你需要为非科学读者量身定制的量子物理学解释，与其问“什么是量子物理学？”，不如说，“用简单的术语解释量子物理学，不超过两句话，没有技术术语。在这里，您不仅指定了复杂程度，而且还限制了长度并禁止使用技术术语。

好处：

• 减少歧义：通过清楚地说明你想要什么，你可以最大限度地减少收到不相关或过于复杂的答案的机会。
• 增强的精度：模型的响应更有可能直接解决查询，并包含指定的限制或指令。
• 提高效率：为用户节省了时间，用户会收到更有针对性的响应，并且可能为模型节省时间，模型可以在不探索不相关细节的情况下生成答案。

2. 风格化

提示中的风格化使模型能够采用特定的声音或语气，这在教育环境、内容创建或只是使信息更具相关性时特别有用。例如，要求模型解释一个概念，“就像你是一个友好的科学家与高中生交谈”或“好像你是一个揭开宇宙奥秘的侦探”可以使解释更具吸引力和记忆力。这种方法不仅为互动带来了创造性的方面，而且还根据观众的需求定制了内容的复杂性和基调。

好处：

• 提高参与度：程式化的回应比直截了当的解释可以更有效地吸引和保持观众的注意力。
• 可及性：当在熟悉或有趣的上下文中呈现时，复杂的信息变得更容易消化。
• 多面性：这种方法允许广泛的应用，从教育材料到创意写作、营销内容等等。

3. 格式化

格式化涉及以特定方式构建模型的输出，这对于清晰度至关重要，尤其是在处理数据、指令或多部分信息时。例如，在项目符号中请求响应可以使指令或功能列表更易于遵循，而请求 JSON 对象对于将模型的响应集成到软件应用程序中可能至关重要。通过指定所需的格式，用户可以确保模型的输出立即可用或需要最少的后处理。

好处：

• 清晰度和组织性：如果信息组织得当，无论是列表、表格还是结构化数据格式，都更容易扫描和理解信息。
• 易于集成：对于技术应用程序，以特定格式（如 JSON）接收数据可以显著减少在编程上下文中使用此信息所需的工作量。
• 最终用途定制：无论信息是用于报表、数据库还是显示在网站上，格式设置请求都有助于确保模型的输出与最终目标保持一致。

4. 限制

提示中的限制将指导模型在生成响应时遵守某些参数。当用户需要现代、特定或符合某些标准的信息时，这可能特别有用。例如，如果用户对人工智能的最新研究感兴趣，他们可能会指定该模型应基于过去两年内发表的文章或论文。同样，限制可用于避免敏感话题或确保内容适合所有受众。

好处：

• 相关性和及时性：确保模型提供的信息是最新的，并且与当前上下文或标准相关。
• 内容适当性：通过避免不需要或敏感的话题，帮助保持内容对特定受众或目的的适用性。
• 重点信息：缩小模型响应的范围，以适应特定的研究或专业需求，提高所提供信息的效用。

5. 零样本和小样本学习

零样本学习和少样本学习是允许模型分别在没有或具有最少先验特定示例的情况下执行任务的技术。零样本学习使模型能够根据其一般理解和能力来理解和执行尚未明确训练的任务。另一方面，小样本学习为模型提供了少量示例来指导其响应，从而提高了其在新环境中生成准确且相关输出的能力。

好处：

• 适应性：这些技术增强了模型适应新任务和格式的能力，而无需大量重新训练或提供特定数据。
• 效率：它们允许在各种应用程序中快速部署模型，使其成为用于各种任务的多功能工具。
• 提高准确性和一致性：通过提供小样本学习中的示例，用户可以引导模型获得更准确、更一致的输出，从而符合他们的期望。

6. 角色提示

角色提示涉及在交互期间为模型分配特定的角色或专业知识级别。这可能包括从财务问题的友好顾问到机器学习的技术专家。通过定义角色，用户可以设置对语言类型、详细程度以及模型在其响应中应使用的视角的期望。这对于获得需要深入了解某个主题领域的细微差别和专业信息特别有效。

好处：

• 增强的深度和权威性：回应更有可能反映出对该主题的更深层次的理解和权威，这是根据指定的角色量身定制的。
• 情境化：角色提示可帮助模型根据假定的角色将其响应情境化，使其输出更相关且更具体地满足用户的需求。
• 用户体验：它创造了一种更具吸引力和个性化的互动，因为该模型在整个对话中采用了一致和适当的语气和观点。

7. 思维链 （CoT） 提示

思维链提示是一种鼓励模型以顺序、循序渐进的方式解开其推理过程的技术。这种方法对于解决复杂的问题或答案背后的逻辑与答案本身一样重要时特别有用。例如，在解决数学问题或解释历史事件的原因时，CoT 提示可以使模型呈现导致最终结论的每个逻辑步骤。这不仅有助于理解模型的思维过程，还有助于识别和纠正推理中的错误。

好处：

• 改进的问题解决能力：通过将复杂的任务分解为更简单的顺序步骤，该模型可以更有效地导航达成解决方案所需的推理。
• 提高透明度：CoT 提示使用户能够深入了解模型如何得出结论，从而更容易信任和验证响应的准确性。
• 教育价值：这种方法具有重要的教育应用，因为它反映了鼓励学生展示他们的作品的教学方法，从而增强了理解和记忆力。

8. 自洽

自洽涉及对同一提示生成多个响应，然后在其中选择最常见或最连贯的答案。这种方法利用 LLM 的概率特性来降低错误的可能性。通过比较回答问题的多次尝试，该模型可以识别并收敛到最可靠的响应。这种技术对于精确性和可靠性至关重要的问题特别有用，例如在事实验证、复杂推理或提供意见或建议时。

好处：

• 提高精度：聚合多个响应以选择最常见的答案有助于确保所提供的信息更有可能是正确的。
• 减少异常：此方法有助于过滤掉由于概率生成过程而可能发生的异常响应或错误。
• 提高可靠性：对于准确性至关重要的应用，自洽性可以成为提高模型输出可信度的重要工具。

9. 检索增强生成 （RAG）

检索-增强生成将 LLM 的生成功能与外部数据的检索相结合，以提高响应的准确性和相关性。对于需要特定、最新或详细事实信息的问题，此技术特别有价值，这些信息可能不在模型预先存在的知识库中。通过访问和整合外部资源，该模型可以提供不仅基于其训练数据的响应，还可以反映来自权威来源的最新可用信息或特定详细信息。

好处：

• 获取最新信息：RAG 使模型能够使用来自外部来源的最新信息来补充其知识，从而克服其训练数据的局限性。
• 提高事实准确性：通过从可靠的外部数据库或来源检索数据，该模型可以提供更准确、更具体的答案。
• 增强的多功能性：这种方法拓宽了模型可以有效解决的问题范围，包括那些需要专业知识或最新数据的问题。

10. 程序辅助语言模型 （PAL）

程序辅助语言模型 （PAL） 通过在响应中集成生成、理解和利用编程代码的能力，增强了传统大型语言模型 （LLM） 的功能。这种方法利用模型在自然语言理解方面的熟练程度，并将其与代码生成相结合，以解决需要计算过程的问题，例如算术运算、数据分析和算法问题解决。从本质上讲，当面对涉及复杂计算或数据操作的任务时，PAL 技术会指示模型在代码中表述问题，执行它（如果环境允许），并将结果解释回人类可读的形式。

它是如何工作的：

• 提示代码生成：用户可以通过显式请求模型生成相应的代码来要求模型解决涉及计算的问题。例如，提示可能会要求模型编写 Python 脚本来分析数据集或执行数学计算。
• 代码执行：在支持代码执行的环境中，模型可以运行生成的代码来获取结果。此步骤对于确保计算任务的准确性至关重要。
• 解释结果：然后，该模型解释已执行代码的输出，将其转换为用户简明易懂的响应。

好处：

• 扩展的问题解决能力：PAL 显着拓宽了 LLM 可以协助的任务范围，使其成为解决涉及计算的技术和科学问题的宝贵工具。
• 精度和可靠性：通过利用以计算精度著称的编程语言，PAL 可以提供精确的数字或数据驱动的答案，从而减少与纯基于文本的推理相关的误差幅度。
• 日常任务的自动化：PAL 可以自动执行某些类型的分析和数据处理任务，从而节省时间并减少人为错误的可能性。
• 教育应用：这种技术还可以通过演示如何通过编程来解决问题，为复杂问题提供代码示例和解释，从而达到教育目的。

应用：PAL 在数据科学、工程和金融等领域特别有用，在这些领域，任务通常涉及数据分析、统计计算和算法逻辑。它可以帮助自动执行重复性任务，为计算问题提供快速答案，甚至生成用户可以从中学习或集成到大型项目中的代码片段。