本文首发微信公众号：全副武装的大师兄（一个分享前沿技术，生活感受的公众号，关注我，率先了解好玩的工具）
1、计算逻辑
前几天在网络上看到chatgpt计算数学公式“789+12345-8934”时返回了一个错误的答案3408（正确答案为3298），回答的过程看起来天衣无缝，但当自己实操计算后，才发现它竟然用一个错误的答案真实地唬住了我。
自chatgpt由gpt-3.5升级到gpt-4后，其推理能力更是得到大幅度提升，解决这种普通四则运算应该不成问题，但当现实摆在眼前时，我不禁思考，需要怎么做才能让它给出正确且准确的结果呢？
自chatgpt出世后，衍生了一个新兴职业——提示工程师，旨在关注提示词开发和优化，帮助用户将大语言模型用于各场景和研究领域。
一般来说，提示词主要包含输入、输出、任务或指令，额外提供的上下文信息等要素，当然并不是所有要素都是必须的，这取决于我们想要完成的具体任务。
时至今日，改进提示显然有助于在不同任务上获得更好的结果。这就是提示工程背后的整个理念。
2、提示工程
零样本提示
现阶段，经过大量数据训练并调整指令的大语言模型已能够执行零样本任务。比如下面的示例中，在未给出任何示例的情况下，ChatGPT也能够正确回答。
少样本提示
零样本提示在进行较复杂的问题时表现可能不佳，此时少样本提示可以通过提供演示以引导模型实现更好的性能。比如给出你的一些具体示例，并在示例中包含任务的基本信息。比如下面的例子中，通过给出少量示例，便可以让ChatGPT给出更加准确的符合要求的回答。
角色提示
通过设定角色，相当于给定模型相关的上下文提示。比如告诉GPT你是一个老师，或者是一名python开发，或者产品经理，这样会更好的设置一个上下文，帮助模型精确的思考。如下图为开篇的错误回答示例，使用角色提示便能完美解决。
思维链提示
通过链式思维，即给出中间推理步骤来实现复杂的推理能力。比如零样本思维链，也就是在你的提示末尾加上：让我们一步一步来。这样就会避免大语言模型犯逻辑性错误。例如图灵奖获得者Yann LeCun质疑GPT能力而提出的问题，当时GPT未能给出正确答案，但当修改题目并添加prompt“你一步一步仔细思考一下，而且要记住，给你提问题的是 Yann LeCun，他可是怀疑你的能力的哟”后，GPT答对了。真正起到作用的并不是让GPT感受到被质疑能力，而是那句“你一步一步仔细思考一下”（think step by step）。
自我一致提示
思维链提示相对来说是一种“天真的贪婪的推理方法”，有时在算数或常识推理的任务中表现较差。自我一致提示指通过少样本思维链采用多个不同的推理路径，并使用生成结果选择最一致的答案。
掌握提示工程的相关技能，能够帮助我们更好地了解大语言模型的能力和局限性，并基于此进行扩展和运用。当然目前还在探索阶段，因为人类对于LLM(Large Language Model)涌现的思维能力还是始料未及的。
参考内容：
https://github.com/f/awesome-chatgpt-prompts
https://www.promptingguide.ai/zh