本文将介绍模块化Prompt,目前在实际应用中对效果提升比较大,本文首先介绍什么是模块化Prompt,然后给出GLM各种应用场景下的推荐prompt,也适用于其它大模型哦。
什么是模块化Prompt
结构化的思想很普遍,结构化内容也很普遍,我们日常写作的文章,看到的书籍都在使用标题、子标题、段落、句子等语法结构。结构化 Prompt 的思想通俗点来说就是像写文章一样写 Prompt。
- 结构化的框架
知名的框架有 CRISPE 框架,CRISPE 分别代表以下含义:
- CR:Capacity and Role(能力与角色)。你希望 ChatGPT 扮演怎样的角色。
- I:Insight(洞察力),背景信息和上下文(坦率说来我觉得用 Context 更好)。
- S:Statement(指令),你希望 ChatGPT 做什么。
- P:Personality(个性),你希望 ChatGPT 以什么风格或方式回答你。
- E:Experiment(尝试),要求 ChatGPT 为你提供多个答案。
这类思维框架只呈现了 Prompt 的内容框架,但没有提供模板化、结构化的 prompt 形式。
- Prompt结构
结构中的信息, 可以根据自己需要进行增减, 从中总结的常用模块包括:
# Role: : 指定角色会让 GPT 聚焦在对应领域进行信息输出
## Profile author/version/description : Credit 和 迭代版本记录
## Goals: 一句话描述 Prompt 目标, 让 GPT Attention 聚焦起来
## Constrains: 描述限制条件, 其实是在帮 GPT 进行剪枝, 减少不必要分支的计算
## Skills: 描述技能项, 强化对应领域的信息权重
## Workflow: 重点中的重点, 你希望 Prompt 按什么方式来对话和输出
# Initialization: 冷启动时的对白, 也是一个强调需注意重点的机会
上述标红的部分是比较重要的模块,在实际使用中需要重点调试;下面给出不同应用领域的prompt模板。
几个推荐模板
- 文本分类
- 情感分析
识别和分析文本中的情感倾向,如:正面、负面或中性情感。
- 文档处理
处理和分析大量文档,如:文档摘要生成、关键信息提取等。
- 信息抽取
从大量文本中提取结构化信息,如:命名实体识别(NER)、关系抽取、事件抽取等。
- 机器翻译
大规模的文本翻译任务,将文本从一种语言翻译成另一种语言。
- 生成任务
利用语言模型大批量生成文本内容,如:撰写SEO文章、小说创作等。
- 文本纠错
自动检测和纠正大批量文本中的拼写错误、语法错误等。