AI prompt 工程实践
Zero-shot prompt 工程实践
在生成答案之前, "让我们一步步思考 (Let's think step by step)" 可以极大提高 LLM 的推理准确性.
What is meaning of life?
Let's think step by step.
First, what is the meaning of the word "life"?
The meaning of the word "life" is the natural or human state of existence. In other words, it is the time between being born and dying.
Now that we know the meaning of the word "life", let's try to figure out the meaning of "the meaning of life".
One possible interpretation is that it is the purpose or reason for living. In other words, why we are alive and what we are supposed to do with our time on earth.
Another interpretation is that it is the way we live our lives. This includes our values, beliefs, and actions.
Ultimately, the meaning of life is something that each person haas to figure out for themselves. There is no single answer that is right for everyone.
prompt is not enough
解构与建构: LLM 辅助下的深度思考
-
解构与建构: 思维的两个阶段
- 解构是将复杂问题分解为最基本的部分, 建构是在解构的基础上重新组合这些基本的部分, 创造新的理解或解决方案
-
解构阶段: 拆解复杂性
-
多维度分析: 从多个角度分析问题, 创建问题相关的概念网络并探索它们之间的联系, 利用大模型识别在思考问题时可能忽视的假设
对于选择笔记工具和搭建知识管理体系, 我们可以从多种维度分析和思考: 1. 功能性:工具的核心功能 (如标签、链接、搜索) 2. 易用性:界面设计、学习曲线 3. 可扩展性:插件系统、API接口 4. 数据安全:本地存储vs云存储、加密选项 5. 跨平台性:支持的操作系统和设备 6. 协作能力:多人协作功能 7. 成本:免费版vs付费版, 订阅制vs一次性购买 8. 长期可持续性:开发团队的活跃度、用户社区
-
跨领域类比: 利用大模型在不同知识领域间建立联系, 使用大模型模拟 "如果问题反过来会怎样", 结合 AI 快速检索和分类类似的历史案例
我们可以将选择笔记工具和搭建知识管理体系类比为其他领域的情况: 1. 建筑学:将知识管理体系比作一座建筑, 笔记工具就是建筑材料。我们需要考虑地基 (基本功能) 、结构 (组织方式) 、外观 (界面) 、可扩展性 (未来renovation的可能性) 等。 2. 生态系统:将知识管理体系视为一个生态系统, 笔记就是其中的物种。我们需要考虑物种多样性 (不同类型的笔记) 、生态位 (笔记的功能和作用) 、适应性 (工具的灵活性) 等。 3. 厨房用具:将笔记工具比作厨房用具。有些工具是多功能的 (如电饭煲) , 有些则是专门用途的 (如蒜压器) 。初学者可能需要多功能工具, 而随着经验的增加, 可能会需要更专业的工具。 通过这些类比, 我们可以从新的角度思考问题, 获得创新的见解。
-
多角度模拟: 模拟不同利益相关者的视角从而全面考虑问题的影响, 模拟不同时间点可能的发展, 模拟极端情况下的表现
我们可以从不同角色和时间点来模拟选择笔记工具和搭建知识管理体系的过程: 1. 学生视角:需要快速记录课堂笔记, 整理学习资料, 准备考试 2. 研究者视角:需要管理大量文献, 记录研究思路, 撰写论文 3. 职场人士视角:需要管理项目, 记录会议纪要, 整理工作思路 4. 创作者视角:需要收集灵感, 组织创意, 规划创作过程 我们也可以以时间作为维度, 设计时间轴模拟: * 初始阶段 (1个月) :学习工具基本功能, 建立简单的笔记结构 * 中期 (6个月) :深入使用高级功能, 开始形成个人的知识管理方法 * 长期 (2年) :建立完善的知识体系, 能够利用笔记助力学习和工作 通过这种多角度模拟, 我们可以更全面地考虑不同用户的需求和工具的长期价值。
-
-
建构阶段: 重组与创新
-
动态问题重构: 随着信息的获取利用大模型持续调整问题定义, 验证关键假设并根据结果调整思路, 建立反馈机制不断优化思考过程和结果
在使用笔记工具和构建知识管理体系的过程中, 我们可能会发现初始问题需要重新定义: 初始问题: "如何选择一款适用的学习型笔记工具? " 重构后的问题: "如何构建一个灵活、可持续的个人知识管理系统? " 这个重构反映了我们对问题的理解从单一工具选择转变为整体系统的构建。 我们可以通过以下方式验证这个新假设: 1. 尝试使用多个工具协同工作一段时间 2. 分析自己的学习和工作流程, 找出知识管理的痛点 3. 与其他用户交流, 了解他们如何组合使用不同工具
-
后退一步思考: 利用大模型跳出当前思维框架, 探索问题的根本原因和潜在硬性, 考虑长期影响和系统性变化
在考虑"如何提高工作效率"这个问题时, 我们可以后退一步思考: 1. 更宏观的视角: * 我们为什么需要提高工作效率? 是为了有更多空闲时间, 还是为了完成更多工作? * 效率提高了, 但生活质量是否也随之提高? * 在追求效率的过程中, 我们是否忽视了其他重要的人生价值? 2. 根本原因探索: * 效率低下是否源于工作本身的设计问题, 而不仅仅是个人行为的问题? * 社会文化对"忙碌"的推崇是否导致了我们过度关注效率? * 技术进步是否真的提高了我们的效率, 还是带来了更多干扰? 3. 长期影响考虑: * 持续追求效率提升可能带来哪些身心健康问题? * 高效率工作模式是否可持续? 会不会导致倦怠? * 如果每个人都变得更高效, 社会整体会发生什么变化? 通过这种"后退一步思考"的方法, 我们可能会重新定义问题。例如, 从"如何提高工作效率"转变为"如何平衡工作效率和生活质量", 或者"如何设计一个更可持续的工作-生活模式"。 这种思考方式帮助我们跳出了单纯追求效率的框架, 考虑到了更广泛的个人发展和社会影响。它可能会引导我们探索更有意义的解决方案, 如重新设计工作流程、改变组织文化, 或者重新评估个人的生活优先级。
-
批判性思维: 质疑假设, 评估证据, 考虑替代解释, 识别偏见
对于"应该使用本地存储还是云存储的笔记工具"这个问题, 我们可以进行批判性思考: 1. 本地存储论点:数据更安全, 不依赖网络 反驳:可能面临设备损坏导致数据丢失的风险 2. 云存储论点:可以随时随地访问, 多设备同步方便 反驳:可能存在隐私泄露的风险, 依赖网络连接 3. "如果...会怎样"分析: * 如果发生重大网络中断, 云存储用户将无法访问笔记 * 如果本地设备被盗, 本地存储用户可能丢失所有数据 通过这种批判性思考, 我们可能会得出一个更平衡的结论:使用支持本地存储和云同步的工具, 并定期进行本地备份。 4. 知识整合与新知识生成 - 利用大模型的广泛知识基础, 整合不同学科的见解 * 结合AI搜索引擎, 快速了解某个领域的最新研究动态 * 在现有知识的基础上, 使用大模型辅助构建新的理论框架
-
-
突破 "标准答案" 局限
-
培养多元思考, 情境适应性, 批判性评估
在选择笔记工具时, 我们可能倾向于选择最流行或评分最高的工具。但通过突破标准答案思维, 我们可以: 1. 考虑多种工具组合:例如, 使用轻量级工具 (如 Apple Notes) 快速记录想法, 使用结构化工具 (如 Notion) 整理长期知识, 使用思维导图工具 (如 MindNode) 梳理概念关系。 2. 根据个人情境调整:一个经常出差的人可能更需要注重移动端体验的工具, 而一个需要处理大量PDF的研究生可能更需要具有强大PDF标注功能的工具。 3. 批判性评估每个工具:不仅看优点, 也要考虑缺点和局限性。例如, Ever note 功能强大但可能过于复杂, 而SimpleNote简洁但可能功能不足。 通过这种方式, 我们可以找到最适合自己的解决方案, 而不是简单地追随大众选择。
-
以问题驱动的 AI 内容创作
- 问题生成:使用大模型帮助生成一系列相关的、深入的问题
- 探索性学习:将每个问题作为一个学习起点, 利用AI搜索引擎和大模型进行深入探索
- 知识图谱构建:随着学习的深入, 使用大模型帮助构建和扩展知识图谱
- 创造性应用:基于新获得的知识, 尝试解决原问题或创造新的作品
- 反思与迭代:定期反思学习过程, 调整方向, 并生成新的问题, 形成持续学习和创作的循环
-
建构问题脉络: 通过一系列问题建立对主题的初步理解和探索框架
问题脉络1.0: 都有哪些AI搜索引擎, 我知道哪些, 不知道哪些? 其中有那几款搜索引擎的用户评价较高, 工具能力较强? 这几款工具分别都有哪些独特性? 基于这些独特性, 在不同的搜索场景应该选用哪一款工具? 如果选一款平均能力最好的作为默认搜索引擎, 应该如何选择? 实际搜索场景有那几类? 其中有没有哪些搜索场景是我从未意识到可以用搜索解决的? 在AI搜索引擎出现后,哪些搜索场景从不可能变得可能? 在AI搜索引擎出现后,哪些搜索体验从较差变得较好?
-
后退一步, 从更高的维度思考
问题脉络2.0: 搜索这件事, 从古至今是什么样子? (人们为何而搜索) 所以, 搜索的本质是什么? 我们所熟悉的近现代, 搜索这件事发生了什么变化? AI 搜索引擎如果是进步科技, 它应承担什么使命? 解决什么 (之前解决不了) 的问题? 同时, AI搜索引擎可能带来哪些 (之前不容易产生) 的弊端? 作为人, 如何看待、理解和健康地使用这一新工具?
-
重新回到具象化思考, 进入实践指导
问题脉络 1. 当下我们搜索信息有哪些场景 2. 在这些场景中 AI 搜索引擎的优势在哪 3. 为什么AI 搜索引擎带来更好的搜索体验 4. AI 搜索引擎的技术原理 5. 基于这些技术原理, 我们应当如何优化自己的搜索方式 6. 如何强化搜索意识
prompt 十级技巧
- 基础请求: 直接表达需求
- 应用格式: 格式化提示词, 使用破折号, 避免否定句
- 精准请求: 明确且专注的请求
- 示例说明: 提供示例输入和输出
- 自我反省: AI 评估自己的回答
- 系统提示与定制指令: 精准控制系统提示, 提供背景
- 人格化应用: 角色设定
- 思维链: AI 解释思考过程, 处理复杂问题
- AI 自己写提示词: AI 编写的提示词, 可能会更高效
- 使用 CO-STAR 框架:
- "C"代表 "Context (上下文)" 你可以在这里给出任何相关的背景信息比如你自己或是你希望它完成的任务的信息。
- "O"代表 "Objective (目标)" 在这里, 你需要给出非常明确的指示告诉 ChatGPT 你希望它做什么。我们在第三级就已经学过这个了。
- "S"代表 "Style (风格)" 在这一部分, 我们需要告诉 ChatGPT 我们想要的写作风格可以是有趣的, 比如我们希望它以 Snoop Dogg 的说唱风格来写作或者像顶级 CEO 那样的风格。
- "T"代表 "Tone (语调)" 你希望回答的语调是什么? 幽默的? 情绪化? 有威胁性? 由你来决定。
- "A"代表"Audience", 即我们要告诉 ChatGPT 的听众是谁。 比如说, 如果目标听众是五岁的孩子, 那么结果会截然不同于目标听众是世界级物理学家的情况。
- 最后一个字母"R", 代表"Response"——我们想要的回应类型。 我们需要一份详细的研究报告吗? 或者需要一个表格? 我们需要一个复杂的编程格式, 比如 JSON 吗? 或者只是一大堆文字? 你想要的, 在这里都能找到。
"BORE" 提示词优化
- 阐述背景 B (Background): 进一步说明业务细节, 提供充足信息息定义目标 0 (Objectives): "我们希望实现什么"
- 定义关键结果 R (key Result): "我要什么具体效果"
- 试验并调整, 进行改进 E (Evolve): 三种改进方法自由组合
- 改进prompt: 从答案的不足之处着手更新并迭代 prompt
- 改进答案: 在后续对话中指正 chatGPT 答案缺点
- 尝试在 prompt 不变的情况下多次生成结果, 优中选优