在人工智能领域，与聊天机器人、AI系统等应用进行自然语言交流已成为常态。然而，与这些语言模型的互动有时可能颇具挑战，尤其是在它们未能提供预期回应时。本文将探讨如何通过提示技术（prompting）更高效地查询大型语言模型（LLM）或撰写更优的查询。
高效查询LLM的第一步是提供详细的任务上下文、相关信息和指令。这有助于模型更好地理解用户的意图，并提供更准确的回应。例如，如果想询问LLM关于天气的情况，与其提出一个泛泛的问题“天气如何？”，不如提出一个更具体的问题，如“明天纽约市的气温会是多少？”。
在提供指令时，务必保持简单明了，避免使用LLM可能不理解的复杂语言或技术术语。同时，尽量将提示结构化为LLM容易理解的问题或命令。
少量示例提示是一种强大的技术，允许用户教导LLM以期望的方式解决问题。这涉及到在生成文本时给模型一些示例以供遵循。例如，如果想进行情感分类，不是直接询问LLM给定句子的情感，而是可以给它一些示例。在这种情况下，整个提示可能看起来像这样：
“示例：
1. Arun非常聪明。/ 正面
2. 团队A赢不了比赛。/ 负面
识别情感：热浪正在杀死鸟类。”
少量示例提示特别适用于训练数据有限的任务，如摘要或翻译。通过提供LLM几个示例，它可以快速学习如何解决问题并产生准确的回应。
尽管像GPT-3这样的LLM在生成文本方面表现出色，但它们可能在某些任务上遇到困难，如算术计算。在这种情况下，最好将这些任务外包给专门的工具和插件，并提示LLM使用它们。
例如，如果想让LLM进行数学计算，可以提示它使用Wolfram Alpha或MathWay。
有时，一次性解决一个大问题可能会让LLM感到不知所措。分步提示涉及将问题分解为更小的步骤，并逐步提示LLM解决每个步骤。例如，如果想让LLM写一个短篇故事，可以先提示它生成角色描述，然后是背景等等。
分步提示对于创意写作任务特别有用，允许用户引导LLM朝着特定的叙述方向发展。将问题分解为更小的步骤还确保了输出的连贯性和逻辑结构。
找到最适合LLM的提示可能需要一些试错。迭代提示开发涉及尝试不同的提示并不断改进，直到它们产生预期的结果。重要的是要跟踪哪些提示对不同任务最有效，并相应地进行微调。