EgoAlpha🥽 基本Prompt
💥 根据任务的复杂性和不同特点，我们可以从框架中这五个关键部分中选择一些成分来组成你的提示。
框架与原则的应用
接下来，我们从一个只包含背景介绍和任务指示的基础提示开始，逐步丰富我们提示语的结构框架。以此来直观的感受，提示框架中五个关键部分所发挥的作用和不同情况下大语言模型的输出结果。
基础提示
首先，我们将只包含背景介绍和任务指令的提示作为基础示例。将模型的角色定义为一名历史老师（背景介绍），并要求编写一道历史课程的选择题（任务指示）。
👁️ [Prompt example]:
背景介绍: 假设你是一名有着30年执教经验的历史老师。
任务指令: 编写一道历史课程的选择题。
Output:
在19世纪末期的欧洲，以下哪个国家最早实现了工业化？
A. 英国 B. 德国 C. 法国 D. 意大利
答案：A. 英国
解析：在19世纪末期，英国是欧洲第一个实现工业化的国家。英国在18世纪末期开始工业化进程，通过技术创新和贸易扩张，逐渐成为全球最大的工业制造国和商业中心。其他欧洲国家在随后的几十年内也逐渐实现了工业化，但英国始终是工业化的领导者。
根据这样的基础提示内容，大语言模型输出了相应的结果。但是，在这样相对“自由”的提示指令下，大语言模型多次生成结果中题目的形式、格式和涉及内容并不稳定。
参考信息的加入
我们在基础提示的基础上，加入了“题目要涉及文艺复兴知识点”这一参考信息，来指定模型生成的输出内容的相关知识点。
👁️ [Prompt example]:
背景介绍: 假设你是一名有着30年执教经验的历史老师。
任务指令: 编写一道历史课程的选择题。
参考信息 :题目要涉及到“文艺复兴”的相关知识点。
Output:
文艺复兴是欧洲历史上的一次重大文化运动，其主要特点是：
A. 推崇信仰和宗教教义，重视神学研究和修道生活。
B. 崇尚自然和人类理性，推崇人文主义思想和人类中心主义观念。
C. 注重工商业的发展和经济利益的追求，推崇资本主义和市场经济。
D. 追求强大的军事力量和领土扩张，推崇帝国主义和殖民主义。
正确答案是：B.
解析：
文艺复兴是发生在欧洲文化史上的一次重要运动，其主要特点是崇尚自然和人类理性，推崇人文主义思想和人类中心主义观念。这种思想体系的建立，反映了当时欧洲人对于传统信仰和知识体系的质疑，同时也是对人类自身在自然界和社会中的地位进行重新思考的结果。因此，选项B是正确答案。
这种情况下，模型的输出结果保证了所涉及内容的稳定性。
输出约束的明确
在提示中加入输出约束，可以明确模型应该遵循的规则或限制。我们在示例中，添加“四个选项中应当包含两个以上的正确答案”这一约束条件。
👁️ [Prompt example]:
背景介绍:假设你是一名有着30年执教经验的历史老师。
任务指令:编写一道历史课程的选择题。
参考信息:题目要涉及到“文艺复兴”的相关知识点。
输出约束:题目的四个选项中，应当包含两个以上的正确答案。
Output:
以下哪些人物或事件与文艺复兴有关？（选择两个或以上正确答案）
A. 威廉·莎士比亚 B. 列奥纳多·达·芬奇 C. 拉斐尔 D. 贞德
正确答案：B、C
解析：
B. 列奥纳多·达·芬奇是意大利文艺复兴时期最重要的艺术家之一，涉及绘画、雕塑、建筑等领域，与文艺复兴有着紧密的联系。
C. 拉斐尔是意大利文艺复兴时期最著名的画家之一，被誉为“艺术之王”，与文艺复兴有着紧密的联系。
因此，选项B和C是正确答案。
在稳定了输出内容（参考信息的加入）前提下，进一步明确了题目的形式为多项选择题，对最终的输出格式进行了限定。
列举例子
在以上四个关键部分框架的基础上，我们可以进一步加入了可供参考的示例，为模型明确输出结果的具体细节和用自然语言不容易描述的输出格式。
👁️ [Prompt example]:
背景介绍:假设你是一名有着30年执教经验的历史老师。
任务指令:仿照下面的例子，编写一道历史课程的选择题。
参考信息:题目要涉及到“文艺复兴”的相关知识点。
输出约束:题目的四个选项中，应当包含两个以上的正确答案。
列举例子 :
题目：在文艺复兴时期，以下哪些城市是文化中心？
(A) 伦敦 (B) 巴黎 (C) 佛罗伦萨 (D) 阿姆斯特丹
正确答案是：A、C。
答案解析：在文艺复兴时期，佛罗伦萨是欧洲最重要的文化中心之一，许多重要的艺术家、学者和思想家都在这里工作和生活，包括达芬奇、米开朗基罗和但丁。伦敦也在文艺复兴时期迅速崛起，成为欧洲的文化和商业中心，吸引了许多文化名流和商人。因此，选项A和C是正确答案。
Output:
题目：文艺复兴时期的艺术家和文学家有哪些？
(A)高乐
(B) 莎士比亚
(C) 达芬奇
(D) 伽利略
正确答案：B、C
答案解析：文艺复兴是15世纪末到16世纪初欧洲出现的一种新的文化、思想和艺术运动。该运动的代表人物包括艺术家 达芬奇、拉斐尔等，文学家莎士比亚、但丁等。高乐是法国作曲家，伽利略是天文学家，他们并不是文艺复兴运动的代表人物。因此，选项B、C为正确答案。
可以看到，大语言模型会严格按照所给示例的格式，输出了我们所需要的最终结果。
有时，我们可以仅仅通过多示例（甚至单一示例）的列举，就可以让大语言模型理解我们想要下达的任务指令。
👁️ [Prompt example]:
谷爱凌夺得兔年新春第一冠 得分断层优势。
----体育
国家医保局公布的数据显示，2023年1—3月，基本医疗保险基金(含生育保险)总收入9100.48亿元，同比增长9.5%。
----医疗
伯克希尔·哈撒韦将比亚迪股份的持股比例由 10.05% 降至 9.87%。港交所披露易规定，大股东增减持股票只有横跨 某个整数百分比时，需要作出披露。
----金融
边缘计算产品已服务于在线教育、视频、游戏、车联网等行业客户。
----
Output:
科技
提示技术的运用
基本提示
基于提示的方法为解决广泛的NLP任务提供了一个强大而灵活的工具。我们可以通过自然语言的指令描述来完成任务，所以不需要遵守特定的格式。
情感分析
大语言模型可以识别一段文本中所表达的情绪，如积极、消极或中立。这对于分析客户反馈、社交媒体帖子和产品评论非常有用。
👁️ [Prompt example]:
分析以下文本的情感：
文字： 我绝对喜欢这部电影! 演技非常棒，剧情让我在整部影片中都很投入。
Output:
这段文字表达了积极的情感，特别是强烈的喜欢和投入感。具体来说，可以从以下几个方面来分析：
1. 喜欢： "我绝对喜欢"这句话明确表明了作者对这部电影的态度，而且使用了强调词"绝对"，进一步突出了这种情感。
2. 演技非常棒：这句话表达了对电影演员的赞扬，也是对电影整体质量的肯定。
3. 剧情让我在整部影片中都很投入：这句话突出了作者对剧情的认可，同时也表达了在观影过程中的身临其境的感受，即投入感。
因此，可以得出这段文字的情感是积极的。
实体识别
大语言模型可以识别文本中的实体，如人、地方、组织和产品。这可用于各种领域的命名实体识别，如新闻文章或法律文件。
👁️ [Prompt example]:
分析以下段落，找出文中提到的所有人物、地点和组织，然后以Json格式输出结果。
文本：苹果公司的活动在加州库珀蒂诺的史蒂夫-乔布斯剧院举行。苹果公司首席执行官蒂姆-库克（Tim Cook）介绍了新的iPhone 13，该手机将从下周开始接受预购。这款手机有几种颜色，具有更快的处理器和更长的电池寿命。
Output:
{
"人物": ["史蒂夫-乔布斯", "蒂姆-库克"],
"地点": ["加州库珀蒂诺"],
"组织": ["苹果公司"],
"其他": ["iPhone 13"]
}
关系提取
大语言模型也可以提取一段文本中实体之间的关系，例如确定一个人是一个公司的CEO或者一个产品是由某个品牌生产的。这对知识图谱构建等任务很有用，在这些任务中，实体之间的关系对理解该领域很重要。
👁️ [Prompt example]:
分析以下句子，提取两个实体之间的关系，然后以JSON格式输出结果。
文本： 埃隆-马斯克在2002年创立了SpaceX，目标是降低太空运输成本，实现火星殖民化。
Output:
{
"实体1": "埃隆-马斯克",
"实体2": "SpaceX",
"关系": "创立"
}
文本总结
大语言模型可以对文本内容进行总结，自动生成一篇较长文本的摘要，如一篇文章或报告。这对快速理解文件的关键点很有帮助，而不需要阅读整个文件。
👁️ [Prompt example]:
总结以下段落：
我们是否知道我们心中的风筝到底在什么地方，人生错过就不会再得到，也许我们会忏悔，会救赎，但这些似乎都已经晚了，每当天空放飞起风筝的那一刻，我们是不是应该问问自己我们是否真的珍惜我们所拥有的一切。
我们每个人或多或少都在年幼的时候做过一些让自己今后感到羞愧的事，这些事可能如影子一般伴随自己一生，让你只能低着头去看它。可是时光不会掉头，自己尽力的弥补，何尝不是一种自我拯救呢？儿时的美好和友情，因为一个懦弱的疏忽而毁于一旦，如果再给你一次机会，你愿意不顾一切地去重新找回那个曾经的自己吗？
可是人就是这样，总会活在某个时限内，那里的世界也许是几年之后连自己都无法理解的，但这又是我们无法突破的。为你，千千万万遍，遍体鳞伤还是会义无反顾，也许这就是人生，人生不是只做值得的事情！
Output:
这段文字探讨了人们在人生旅途中可能会面临的一些问题和挑战。
首先，它强调了人们应该珍惜所拥有的一切，因为生命中某些机会只会出现一次，错过了就不会再回来。
其次，文章提到了许多人在童年时犯下的错误，这些错误可能会伴随人们的一生，但通过努力弥补这些错误，也许可以实现自我拯救。
最后，这段文字表达了人们常常被困在某个时期的思维模式中，无法真正超越自己的限制。但是即使生命中充满了伤痛和不幸，人们仍然会义无反顾地前行，因为这就是生命的真谛，而不仅仅是做一些看似值得的事情。
文本分类
大语言模型可以将文本分为预定义的类别，例如将新闻文章分为不同的主题或将客户咨询分为不同类型。这对内容审核等任务很有用，因为在这些任务中，需要对传入的文本进行快速和准确的分类。
👁️ [Prompt example]:
将以下一组新闻文章根据其内容分为不同的组别：
"尽管有大流行病，但特斯拉的电动汽车销量仍在飙升"
"新的研究表明饮用咖啡可能会降低患心脏病的风险"
"最新的iPhone型号具有更大的屏幕和改进的摄像头"
"COVID-19病例在印度激增，使医疗系统不堪重负"
"亚马逊宣布计划在德克萨斯州建立一个新的履行中心"
"科学家在亚马逊雨林中发现新的鸟类物种"
"全球气候变化会议将于下个月在巴黎举行"
"星巴克在美国所有门店推出植物奶选择"
Output:
根据文章内容，可以将新闻文章分为以下几个组别：
1. 商业和科技：
- "尽管有大流行病，但特斯拉的电动汽车销量仍在飙升"
- "最新的iPhone型号具有更大的屏幕和改进的摄像头"
- "亚马逊宣布计划在德克萨斯州建立一个新的履行中心"
2. 健康和医疗：
- "新的研究表明饮用咖啡可能会降低患心脏病的风险"
- "COVID-19病例在印度激增，使医疗系统不堪重负"
3. 环境和自然：
- "科学家在亚马逊雨林中发现新的鸟类物种"
- "全球气候变化会议将于下个月在巴黎举行"
4. 餐饮和食品：
- "星巴克在美国所有门店推出植物奶选择"
注意：这些分类是根据文章的主要内容和关键词进行的，可能存在一定的主观性，不同的人可能会进行不同的分类。
机器翻译
大语言模型可用于机器翻译，他们可以将文本从一种语言翻译成另一种语言。这对在全球范围内经营的企业以及需要与讲不同语言的人沟通的个人来说都很有用。
👁️ [Prompt example]:
将以下段落翻译成中文。
Tales from Shakespeare is an English children's book written by Charles Lamb and his sister Mary Lamb in 1807. The book is designed to make the stories of Shakespeare's plays familiar to the young. However, as noted in the author's Preface, "[Shakespeare's] words are used whenever it seemed possible to bring them in; and in whatever has been added to give them the regular。
Output:
《莎士比亚故事集》是一本英文儿童读物，由查尔斯·兰姆和他的姐姐玛丽·兰姆于1807年写成。这本书旨在使莎士比亚的剧作故事对年轻人更加熟悉。然而，正如作者的前言中所指出的那样，"莎士比亚的话语在任何可能引入的地方都被使用了；而且在添加的任何内容中都会使它们变得更加规范。"
回答问题
大语言模型可用于回答问题，它们可以阅读一段文字并回答有关问题。这对客户支持等应用很有用，客户可以提出问题并得到快速、准确的回答。
👁️ [Prompt example]:
大堡礁是世界上最大的珊瑚礁系统，由2,900多个独立的珊瑚礁和900个岛屿组成，绵延2,300多公里。它位于澳大利亚沿海的珊瑚海中。大堡礁是各种海洋生物的家园，包括1500多种鱼类，600多种珊瑚，以及众多其他物种。什么是大堡礁，它位于哪里？
Output:
大堡礁是世界上最大的珊瑚礁系统，位于澳大利亚东海岸的珊瑚海中，从昆士兰州北部的托雷斯海峡一直延伸到南部的伊纳拉沙漠。它由2,900多个独立的珊瑚礁和900个岛屿组成，绵延2,300多公里。大堡礁是各种海洋生物的家园，包括1500多种鱼类，600多种珊瑚，以及众多其他物种。
为了充分的发挥ChatGPT强大的生成能力，除了自然语言任务的生成之外，我们可以着眼于更多方面或者领域的生成任务。如果你想了解更多提示工程相关内容，请点击这里