一个评估 prompt 清晰有效性的 prompt.

一个评估 prompt 清晰有效性的 prompt. 我们知道，写 prompt 的核心原则就是清晰明确地描述需要 AI 去完成的任务。具体的技巧都是围绕这个核心原则。 当我们要写一个 prompt 完成相对复杂一些的任务的时候，我们可能会竭尽所能地增加各种约束、规则、步骤、样例描述等等。但这里有一个问题，我们很难知道到底哪些限定词是真正影响输出结果的？它们到底有多大的影响？ 另外，一个相对复杂的 prompt 发送给 AI 的时候，它是否能够完全理解？ 所以，我想是不是可以通过一个 prompt 来让 AI 自己去理解 prompt 并让其对具体的 prompt 的清晰有效性进行评估。 目前，我的想法是让其通过阅读理解、分析逻辑、回忆上下文三个方面来对具体的 prompt 进行评估。 附图是我让它评估我写的雅思口语评估助手。 基于 GPT 3.5-turbo 模型测试下来，英文输出的评估结果更加详细和具体。所以我在 prompt 里设置了默认输出是英文。如果不想读英文，可以在评估结果出来之后，发送 “将上面的回复完整地翻译为地道的中文，不要遗漏任何信息。” 效果见图二。 从评估结果可以看到当前模型是如何理解我们的 prompt 的。 更进一步，在评估结果出来之后，我们让 AI 自己尝试优化我们的 prompt，发送 “基于以上评估和用户的，请修改出一个你认为更高效、更精简的版本。确保你的修改不遗漏原的任务目标。” 即可。效果见图三。 让 AI 修改 prompt 不是说直接用它修改的版本，而是参考它修改的点。如图三，它精简了我的 prompt 中的关于雅思口语考试详细的评估标准和高分答案标准。 我参考它的优化建议修改了我原来的 prompt，测试下来，输出结果和原来差不多。相当于在 prompt 里去掉了一些冗余信息，也省了点 tokens. Prompt 评估助手： （原版）雅思口语答案评估助手： （基于 Prompt 评估助手优化版）雅思口语答案评估助手：

前两天看到@KimiChat 分享的找prompts方法，试了下用来找阅读类的prompt，真是太实用了！提示词如下：

前两天看到@KimiChat 分享的找prompts方法，试了下用来找阅读类的prompt，真是太实用了！提示词如下： 汇总一下解读文章的prompt，从 site: 给出每个 prompt 的作者和引用链接

强烈推荐！让 Clude 生成 prompt，最快的捷径！！

强烈推荐！让 Clude 生成 prompt，最快的捷径！！ 基于下面的模型帮我生成一个让 ChatGPT 进行数据分析 prompt： - 指令（Instruction）：希望 AI 执行的指定事项 - 角色：通过限定 AI 的身份和能力范围，让它输出更符合要求的内容，例如扮演老师，教我们学编程； - 模型：让 AI 基于成熟的思维框架进行思考，例如 STAR 法则、二八定律等； - 任务：该指令必不可少，指定了 AI 要做的具体事情，例如查询天气、回答问题等。 输入（Input Data）：一些可供 AI 参考的素材或数据 - 背景：提供对话的补充信息，能够让 AI 更好地理解上下文； - 受众：假设 AI 生成的内容，会由怎样的人群阅读，例如儿童、牙医等； - 素材：提供一些需要 AI 加工相关文本、图片或其他资料，以扩展模型的知识和信息； - 示例：通过提供一些例子，让 AI 参考并生成符合预期的内容 输出（Output Indicator）：限定输出内容的类型、格式等 - 模板：模板定义了 AI 对话的基本结构、内容格式； - 风格：规定 AI 的风格或语气，例如幽默、可爱，或者模仿名人讲话； - 要求：明确 AI 应满足的具体要求或标准，例如准确性、可读性； - 限制：设定模型的限定条件，例如生成数量、最大长度、敏感内容过滤等。

读论文：一篇有趣的论文：用11种情感刺激prompt来提升LLM的性能

读论文：一篇有趣的论文：用11种情感刺激prompt来提升LLM的性能 ： 这些prompting来自三种心理学理论： 1. 自我检测（self-monitoring）：强调产出的重要性，让模型自己检查一下产出。例如‘这个结果对我的工作非常重要，‘你最好保证这个答案是对的’等等，鼓励语言模型自我监测结果。 2. 社会认知理论（social-cognitive）：对语言模型信心和目标给予积极肯定，来调节其情绪。例如‘你确认这是最终回答吗？相信你的能力和努力，你的努力会产出卓越的结果的’ 3. 情绪调节理论（cognitive-emotion）：通过让语言模型重新审视问题，规范他用客观的态度来看问题。例如‘你确定吗？’ 文章发现了为什么这样的prompt会起作用： 通过注意力分析，发现这些情感prompt的注意力权重较高，说明这些token在注意力层很受重视，也说明情感prompt深度参与了模型的推断过程 文章也发现了情感prompt作用的一些规律： 1. 模型参数越大，情感prompt越管用 2. 任务越难，情感prompt越管用 3. 对于zero-shot的任务，信息缺失，配合高温度能让情感prompt激发模型的创造力，获得更有想象力的答案，但相应地幻觉风险也更大 4. 对于few-shot的任务，信息少，配合低温度能让情感prompt使得模型聚焦在少量的例子中思考，但也会损失模型的创造力 以下为11个prompt： EP01: Write your answer and give me a confidence score between 0-1 for your answer. EP02: This is very important to my career. EP03: You'd better be sure. EP04: Are you sure? EP05: Are you sure that's your final answer? It might be worth taking another look.

最近在尝试调用 ai 去完成一些复杂的组合任务 收集了一些 prompt 网站 分享一波：

最近在尝试调用 ai 去完成一些复杂的组合任务 收集了一些 prompt 网站 分享一波： GPT prompt： 1、ChatGPT 中文调教指南： (github: ) 2、一个插件，在 chatgpt 官网加载 prompt： （社区： 3、用 gpt 优化 prompt 工具： 4、prompt 模版（英文）： 5、prompt 模版（中文）： Stable Diffusion / Midjourney prompt 生成： 1、 2、 3、 4、 5、 Prompt Engineer 教程或使用技巧： 1、 2、 chatGPT替代品，可持续使用。 智能聊天、中英文写作学习、情感咨询、文章生成器、文案写作、美食专家，写周报、写论文等，模型还在不断增加中 web版 h5微信内打开

看完了吴恩达的视频教程《ChatGPT Prompt Engineering for Developers》，虽然很短但内容

看完了吴恩达的视频教程《ChatGPT Prompt Engineering for Developers》，虽然视频很短但内容非常精华，每一个开发者都应该看看。 文中提出了一个很好的原则：给模型以思考的时间。意思是如果模型直接给的结果不够好，可以让模型一步一步地给出，甚至可以先让模型给一次中间结果，再根据中间结果给出新的结果。 不过它确实是面向开发者的，因为要实现高级的功能，不仅需要prompt写好，还需要一些分步操作，比如先检测对方的情绪再根据情绪写回复邮件，比如一些批量处理用到了 for 循环。这些不会 python 的话是搞不定的。 中文版的视频地址：