LLM Prompt 的主要类型
在使用 大语言模型(LLM) 时,Prompt 设计至关重要。不同类型的 Prompt 适用于不同的任务,主要包括以下几种类型:
1. 指令型(Instruction-based Prompts)
描述具体的指令,让 LLM 执行特定任务。
- 适用于:问答、代码生成、文本总结、数据转换等。
📌 示例:
请用简单的语言解释量子计算是什么。
将以下内容翻译为法语:"Hello, how are you?"
✅ 最佳实践:
- 明确指令,如 "解释"、"总结"、"翻译" 等。
- 提供额外背景信息可提高准确性。
2. 示例驱动(Few-shot / Zero-shot / One-shot)
通过示例引导 LLM 生成更符合预期的输出。
- Zero-shot:不给示例,直接让 LLM 推测答案。
- One-shot:给一个示例,让 LLM 学习模式。
- Few-shot:给多个示例,提高生成质量。
📌 示例(Few-shot):
将下面的句子改写为更有礼貌的表达:
1. 关门! -> 请您把门关上,谢谢。
2. 给我水! -> 麻烦给我一杯水,好吗?
3. 走开! -> 你能稍微让一下吗?
✅ 最佳实践:
- 提供清晰的输入示例,让 LLM 学习模式。
- 示例应覆盖不同情况,确保泛化能力。
3. 角色扮演型(Persona-based Prompts)
让 LLM 模拟特定身份,以符合身份的方式回应。
- 适用于客服、面试、角色扮演、写作助手等。
📌 示例:
你是一位经验丰富的心理医生,请帮助一位焦虑的患者缓解压力。
你是一个产品经理,给我写一封邮件,邀请团队参加新产品发布会。
✅ 最佳实践:
- 明确角色,例如 "你是一名 AI 科学家"。
- 设定任务场景,使 LLM 生成更真实的回答。
4. 约束型(Constraint-based Prompts)
限制 LLM 的输出格式或风格,以满足特定需求。
- 适用于代码生成、格式化文本、数据处理等。
📌 示例(代码格式):
用 Python 生成一个计算斐波那契数列的函数,返回前 10 项:
(代码格式为 Python 3)
📌 示例(JSON 输出):
请将以下信息转换为 JSON 格式:
姓名:张三
年龄:25
职业:软件工程师
✅ 最佳实践:
- 指定格式,如 JSON、XML、Markdown、表格 等。
- 明确结构,使 LLM 生成符合要求的内容。
5. 迭代式(Refinement-based Prompts)
让 LLM 逐步完善答案,提高输出质量。
- 适用于内容优化、文案润色、代码改进等。
📌 示例(文案优化):
请将以下广告文案改得更加吸引人:
原文:“本店大促销,所有商品 9 折!”
优化后:
📌 示例(代码优化):
以下是一个 Python 代码片段,请优化它的效率:
def factorial(n):
if n == 0:
return 1
else:
return n * factorial(n-1)
✅ 最佳实践:
- 逐步引导,让 LLM 迭代优化内容。
- 可以多轮交互,不断微调结果。
6. 反向工程型(Reverse Prompting)
从已有的输出推测可能的 Prompt。
- 适用于 Prompt 研究、提升 Prompt 质量。
📌 示例:
输出:"一个轻盈的羽毛随风飘动,它映照着夕阳的光辉。"
请推测可能的 Prompt:
✅ 最佳实践:
- 适用于 Prompt 生成优化,帮助构造高质量输入。
7. 多模态型(Multi-modal Prompts)
支持输入文本 + 图像 + 代码等多种数据类型。
- 适用于 GPT-4V、DALL·E、音视频模型等。
📌 示例(文本 + 图像):
请描述这张图片的内容,并生成一段相关的短文。
(附带一张图片)
✅ 最佳实践:
- 结合不同输入类型,使模型生成更丰富的内容。
8. 交互式对话型(Conversational Prompts)
适用于多轮对话,保持上下文一致性。
- 适用于聊天机器人、智能客服、个性化助手。
📌 示例(聊天对话):
用户:我想买一台适合编程的笔记本电脑,有什么推荐?
AI:你是想要 Mac 还是 Windows 设备呢?
用户:Windows 的。
AI:推荐 Dell XPS 15,具有高性能和优秀的显示屏。
✅ 最佳实践:
- 让模型记住上下文,进行多轮互动。
- 适用于个性化推荐和问答。
9. 创意生成型(Creative Prompts)
用于生成富有创意的内容,如故事、诗歌、艺术作品等。
- 适用于 AI 写作、灵感生成、艺术创作。
📌 示例(故事生成):
请写一个关于未来 AI 统治世界的科幻短篇故事。
📌 示例(诗歌):
请写一首关于冬天的诗歌,充满温暖的情感。
✅ 最佳实践:
- 提供特定风格,如 "幽默风格"、"莎士比亚风格"。
- 指定内容方向,确保符合需求。
10. 技术分析型(Analytical Prompts)
用于数据分析、市场分析、趋势预测等。
- 适用于商业报告、代码解析、数据可视化。
📌 示例(数据分析):
请分析以下数据趋势,并总结市场变化:
(附带一组销售数据)
📌 示例(代码解析):
请解释以下 Python 代码的功能,并优化它:
def is_prime(n):
if n < 2:
return False
for i in range(2, int(n ** 0.5) + 1):
if n % i == 0:
return False
return True
✅ 最佳实践:
- 适用于技术解读、数据趋势预测。
- 可结合图表,增强可视化效果。