我是如何赢得GPT-4提示工程大赛冠军的
文章摘要
【关 键 词】 提示工程、CO-STAR框架、分隔符、系统提示、语言模型
本文是一篇关于如何进行有效的提示工程（Prompt Engineering）的指南，作者Sheila Teo在新加坡政府科技局（GovTech）组织的GPT-4提示工程竞赛中获得胜利，并分享了她的成功经验。文章主要包含三个部分，分别介绍了不同的提示工程技术，旨在帮助读者更好地利用大型语言模型（LLM）完成任务。
1. 使用CO-STAR框架搭建prompt结构：CO-STAR是一个由新加坡政府科技局的数据科学与AI团队开发的模板，用于设计有效的prompt结构。它包括六个要素：上下文（Context）、目标（Objective）、风格（Style）、语气（Tone）、受众（Audience）和响应（Response）。这个框架有助于确保LLM的响应是相关和有效的。作者通过一个实际案例展示了CO-STAR框架的应用，说明了如何通过整合这些要素来提高LLM的响应质量。
2. 使用分隔符为prompt设置分节：分隔符是一种特殊的token，用于帮助LLM区分prompt中的不同部分，从而提供结构化的理解。作者提到，分隔符对于简单任务的影响不大，但对于复杂任务，使用分隔符可以显著提高LLM的响应质量。文章中提供了两种分隔符的使用方式：特殊字符（如###、===、>>>）和XML标签。通过使用分隔符，可以确保LLM输出的内容符合用户的需求。
3. 使用LLM防护围栏创建系统提示：这一部分的内容仅适用于具有系统提示功能的LLM，如ChatGPT。作者指出，这一节的内容将使用ChatGPT作为示例进行说明。然而，文章中并未详细展开这一部分的具体内容。
总结来说，本文提供了一些实用的提示工程技术，包括CO-STAR框架和分隔符的使用，以及对系统提示的简要介绍。这些技术可以帮助用户更有效地与LLM交互，提高任务完成的质量和效率。作者强调，这些策略是基于她个人的实验和理解，旨在为读者提供新的见解和不同的技术处理方法。
原文和模型
【原文链接】 阅读原文 [ 8467字 | 34分钟 ]
【原文作者】 机器之心
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★
相关文章
