buzzup-docs/development/prompts.mdx

---
title: 提示词
description: 了解我们如何使用提示词来引导我们的人工智能代理的行为。
icon: "page"
---

## 什么是提示词`Prompt`

提示词在塑造我们的人工智能代理的行为方面发挥着关键作用，它们引导语言模型朝着实现特定任务或目标的方向发展。我们主要使用两个模型 `gpt-3.5-turbo` 和 `gpt-4`。所有这些模型都对提示中的最微小的细节非常敏感，这使得提示设计成为我们系统中至关重要的一个方面。

## 提示模板

除了这些强大的模型之外，我们还提供了各种预制的提示模板。这些模板在刚开始时可以作为宝贵的资源，提供了良好结构提示的优秀示例。然而，这些模板并不总是完美的，应该根据您特定的用例进行微调以最好地满足您的需求。每种情况都是独特的，最好的结果通常来自基于您独特的需求和目标进行的提示的迭代测试和细化。

## 开始使用提示

如果您对学习提示的艺术感兴趣，我们建议参考以下资源：

1. [学习提示文档](https://learnprompting.org/)
2. [提示工程指南](https://www.promptingguide.ai/techniques/consistency)
3. [开发者的提示工程](https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/)

## 关键术语

1. **一次性 / 两次性 / N 次性**: 您提供 1、2 或 N 个示例与您的提示一起以提高模型准确性。
2. **零次性**: 您直接向模型提供一个提示，而不提供任何示例。

## 在WealthMentor中的提示技术

### 计划与解决

计划与解决（PS）是一种增强思维链提示方法的技术。在PS中，模型被要求理解问题，提取相关变量和值，并制定逐步计划。我们主要使用这种零次方法来增加关于抽象目标的推理准确性。通过其 [GitHub 仓库](https://github.com/AGI-Edgerunners/Plan-and-Solve-Prompting) 了解更多关于计划与解决的信息。

### ReAct

Reasoning + Action，简称为 ReAct，是一种将推理和行动生成结合到一个输出中的提示技术。这使得模型能够更好地将思想与行动同步。


以下内容，其中 🔵 是指适合初学者的提示工程技术，而 🔴 是指进阶技术。

1. [🔵] 使用 CO-STAR 框架来搭建 prompt 的结构
2. [🔵] 使用分隔符为 prompt 设置分节
3. [🔴] 使用 LLM 防护围栏创建系统 prompt
4. [🔴] 仅使用 LLM 分析数据集，不使用插件或代码 —— 附带一个实操示例：使用 GPT-4 分析一个真实的 Kaggle 数据集。

其工作方式为：

(C) 上下文（Context）：提供与任务有关的背景信息。这有助于 LLM 理解正在讨论的具体场景，从而确保其响应是相关的。
(O) 目标（Objective）：定义你希望 LLM 执行的任务。明晰目标有助于 LLM 将自己响应重点放在完成具体任务上。
(S) 风格（Style）：指定你希望 LLM 使用的写作风格。这可能是一位具体名人的写作风格，也可以是某种职业专家（比如商业分析师或 CEO）的风格。这能引导 LLM 使用符合你需求的方式和词语给出响应。
(T) 语气（Tone）：设定响应的态度。这能确保 LLM 的响应符合所需的情感或情绪上下文，比如正式、幽默、善解人意等。
(A) 受众（Audience）：确定响应的目标受众。针对具体受众（比如领域专家、初学者、孩童）定制 LLM 的响应，确保其在你所需的上下文中是适当的和可被理解的。
(R) 响应（Response）：提供响应的格式。这能确保 LLM 输出你的下游任务所需的格式，比如列表、JSON、专业报告等。对于大多数通过程序化方法将 LLM 响应用于下游任务的 LLM 应用而言，理想的输出格式是 JSON


### 进阶

#### Prompt调优

1. 零样本提示

2. 少样本提示


#### 技巧

1. 思维链(Chain-of-thought)


2. 自洽性(Self-Consistency)


3. 思维树(Tree-of-thought)


衍生出 network search API 和 embedding search 向量数据