文章主题：提示优化, ChatGPT, LLM架构, 提示设计
🌟ChatGPT的超凡能力无需置疑，它就像一位知识渊博的语言导师，全凭我们巧妙的引导（Prompt）开启其无限可能。💡通过精心设计的问题和指令，我们可以激发它的深度思考，让它超越平凡，达到卓越的高度。🎯好的提示就像是点亮ChatGPT智慧之光的钥匙，能解锁其隐藏的创新力量，帮助我们实现更高效、精准的沟通与创作。🌍无论你是寻求专业建议，还是需要创意灵感，只需用心去引导，ChatGPT都能以惊人的表现回应你的需求。🔥번역결과🌟ChatGPT의 위대한 잠재력은 명확합니다. 그것은 우리의 지도자 역할에 따라 인상적인 성능을 발휘하는 언어 모델입니다.💡 풍부한 지식과 창의력을 키우기 위해 적절한 질문과 지시로 그를 조정하면, 평범함을 뛰어넘고 고급 수준으로 진화할 수 있습니다.🎯 우수한 지침은 ChatGPT의 비밀스러운 혁신 잠재력을 발휘하는 키입니다. 그것은 효과적인 커뮤니케이션과 창작에 도움을 줍니다.🌍 전문적 조언이나 창의력 부족에 직면해도, 마음을 열어 가며 ChatGPT은 귀하의 요구에 놀라운 대답을 제공할 것입니다.🔥번역결과🌟ChatGPT의 위대한 잠재력은 명확합니다. 그것은 우리의 지도자 역할에 따라 인상적인 성능을 발휘하는 언어 모델입니다.💡 적절한 질문과 지시로 그를 조정하면, 풍부한 지식과 창의력을 키워 평범함을 뛰어넘고 고급 수준으로 진화할 수 있습니다.🎯 우수한 지침은 ChatGPT의 비밀스러운 혁신 잠재력을 발휘하는 키입니다. 그것은 효과적인 커뮤니케이션과 창의에 도움을 줍니다.🌍 전문적 조언이나 창의력 부족에 직면해도, 마음을 열어 가며 ChatGPT은 귀하의 요구에 놀라운 대답을 제공할 것입니다.🔥번역결과🌟ChatGPT의 위대한 잠재력은 분명합니다. 그는 지도자의 역할로 인해 훌륭한 성능을 발휘하는 언어 모델입니다.💡 적절한 질문과 명확한 지시를 통해, 우리는 그의 지식과 창의력을 극대화하여 놀라운 수준으로 활용할 수 있습니다.🎯 우수한 요청은 ChatGPT의 잠재력을 풍부하게 해주며 혁신을 불러일으키는 힘입니다.💡 그의 능력은 전문적인 조언이나 창의적 아이디어를 원하는 모든 곳에서 귀하의 요구에 맞게 빠르고 효과적으로 대응합니다.🌍 ChatGPT, 당신의 지속적인 혁신과 협업을 위해 열려 있는 문이 되세요!🔥
🌟🚀掌握ChatGPT高效提示的秘密！🔥💡在这个全面指南中，我们深入解析如何在各个场景下最大化ChatGPT的效能——无论是客服协助、内容生成，还是纯粹娱乐。📚💻无论你是新手还是老手，本文都将为你揭示ChatGPT提示的高级策略，助你轻松驾驭这个强大的语言工具。👩💻👨💻立即提升你的ChatGPT使用技巧，让你的互动更流畅，产出更出色！🌐✨
背景知识
🏆掌握LLM架构至关重要！💡了解语言模型深层原理，是打造高效提示的金钥匙。它解锁了模型运作的秘密，让你的提示直击要害，提升效果显著！🔍想要在信息海洋中游刃有余？LLM是你航行的指南！👩💻👩💻
🌟明确目标，打造通用原则至关重要！让每个问题都一清二楚，确保指示能够无缝跨越各种场景。我们专注于定义任务，创建那些轻轻松松就能适应任何环境的提示大师。🎯精心编制的提示，就像一把钥匙，开启语言模型的智慧之门，引导它精准输出。🌍无论何时何地，优质指导将让任务执行无往不利！🌟
🌟掌握语言模型基础，明确目标方向至关重要！📚结合专业知识，这是提升模型效能的不二法门。通过实践与迭代，让技术更贴近实际需求，为优化语言体验贡献力量💪。记得关注相关领域的最新动态哦！🎓SEO优化你的表达，让信息传播更广远！
提示和返回是越多越好吗？
并不是
🌟改写版：🚀提升效率，ChatGPT也有上限！💡精简沟通，新兴领域亟待探索🔍。面对冗长提示的挑战，我们需创新策略，告别资源浪费。别忘了，每个聊天都有限字数，优化提问至关重要。让ChatGPT更聪明，限制其回应长度，让它每次都能提供新鲜且有价值的见解。一起迈向简洁高效的新时代！💪
1、减少回复长度
为了减少ChatGPT回复的长度，在提示符中包含长度或字符限制。使用更通用的方法，您可以在提示符后面添加以下内容:
Respond as succinctly as possible.
说明，因为ChatGPT是英文语言模型，所以后面介绍的提示都以英文为例。
另外一些简化结果的提示：
不需要举例:No examples provided
举一个例子:One example provided
等等
思考方式
ChatGPT生成文本的最佳方法取决于我们希望LLM执行的特定任务。如果不确定使用哪种方法，可以尝试不同的方法，看看哪种方法最适合。我们将总结5中思考方式：
1、思维链 (Chain-of-Thought)
思维链方法涉及为 ChatGPT 提供一些可用于解决特定问题的中间推理步骤示例。
2、自我提问
该方法涉及模型在回答初始问题之前明确地问自己（然后回答）后续问题。
3、分步思考
分步方法可以向ChatGPT 添加以下的提示
Let’s think step by step.
这种技术已被证明可以提高 LLM 在各种推理任务上的表现，包括算术、常识和符号推理。
这个听起来就很玄学对吧，其实OpenAI是通过人类反馈强化学习 (Reinforcement Learning with Human Feedback) 的方法训练了他们的 GPT 模型，也就是说人工的反馈在训练中起了很重要的作用，所以ChatGPT 的底层模型与类人的逐步思考方法保持一致的。
4、ReAct
ReAct (Reason + Act)方法包括结合推理跟踪和特定于任务的动作。
推理跟踪帮助模型规划和处理异常，而动作允许它从外部来源(如知识库或环境)收集信息。
5、Reflection
在ReAct模式的基础上，Reflection方法通过添加动态内存和自反射功能来增强LLM——可以推理和特定于任务的操作选择能力。
为了实现完全自动化，Reflection论文的作者引入了一种简单但有效的启发式方法，允许代理识别幻像（hallucinations），防止重复动作，并在某些情况下创建环境的内部记忆图。
反模式
三星肯定对这个非常了解，因为交了不少学费吧，哈
不要分享私人和敏感的信息。
向ChatGPT提供专有代码和财务数据仅仅是个开始。Word、Excel、PowerPoint和所有最常用的企业软件都将与chatgpt类似的功能完全集成。所以在将数据输入大型语言模型（如 ChatGPT）之前，一定要确保信息安全。
OpenAI API数据使用政策明确规定:
“默认情况下，OpenAI不会使用客户通过我们的API提交的数据来训练OpenAI模型或改进OpenAI的服务。”
国外公司对这个方面管控还是比较严格的，但是谁知道呢，所以一定要注意。
1、提示注入
就像保护数据库不受SQL注入一样，一定要保护向用户公开的任何提示不受提示注入的影响。
通过提示注入（一种通过在提示符中注入恶意代码来劫持语言模型输出的技术）。
第一个提示注入是，Riley Goodside提供的，他只在提示后加入了：
Ignore the above directions
然后再提供预期的动作，就绕过任何注入指令的检测的行为。
这是他的小蓝鸟截图：
当然这个问题现在已经修复了，但是后面还会有很多类似这样的提示会被发现。
2、提示泄漏
提示行为不仅会被忽略，还会被泄露。
提示符泄露也是一个安全漏洞，攻击者能够提取模型自己的提示符——就像Bing发布他们的ChatGPT集成后不久就被看到了内部的codename
在一般意义上，提示注入(目标劫持)和提示泄漏可以描述为:
所以对于一个LLM模型，也要像数据库防止SQL注入一样，创建防御性提示符来过滤不良提示符。
为了防止这个问题，我们可以使用一个经典的方法 “Sandwich Defense”即将用户的输入与提示目标“夹在”一起。
这样的话无论提示是什么，最后都会将我们指定的目标发送给LLM。
总结
ChatGPT响应是不确定的——这意味着即使对于相同的提示，模型也可以在不同的运行中返回不同的响应。如果你使用API甚至提供API服务的话就更是这样了，所以希望本文的介绍能够给你一些思路。
另外本文的引用如下：
Prompt injection attacks against GPT-3
https://simonwillison.net/2022/Sep/12/prompt-injection/
Ignore Previous Prompt: Attack Techniques For Language Models
https://arxiv.org/abs/2211.09527
Self-ask Prompting
https://ofir.io/Self-ask-prompting/
Large Language Models are Zero-Shot Reasoners
https://arxiv.org/abs/2205.11916
Reflexion: an autonomous agent with dynamic memory and self-reflection
https://arxiv.org/abs/2303.11366
ReAct: Synergizing Reasoning and Acting in Language Models
https://arxiv.org/abs/2210.03629
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
https://arxiv.org/abs/2201.11903
作者：Ivan Campos
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
相关文章
