本系列文章介紹了作者在新加坡首屆 GPT-4 Prompt Engineering 大賽中使用的策略技巧
1.使用 CO-STAR 框架構建提示語
2.使用分隔符（delimiters）將提示語分段
3.使用 LLM guardrails 創建 system prompts
（"guardrails" 指的是一種保護機制或限制，用于確保大語言模型生成的內容符合特定標準或要求，防止產生不準確、不合適或有害的信息。）
4.僅使用 LLM（無需插件或代碼）分析數據集——將介紹一個使用 GPT-4 分析真實 Kaggle 數據集的實踐示例
01 使用 CO-STAR 框架構建提示語
-
（C）Context：提供任務的背景信息
有助于 LLM 理解正在討論的具體語境，確保其回答是相關的。
-
（O）Objective：確定希望 LLM 執行的任務是什么
明確目標任務有助于 LLM 將其回答重點放在實現某一特定任務上。
-
（S）Style：指明希望 LLM 使用的寫作風格
可以設置為某位著名人物的寫作風格，也可以是某個專業領域的專家，比如商業分析專家或首席執行官。這樣能夠引導 LLM 以符合用戶需求的方式和用詞做出回答。
-
（T）Tone：需要確定大模型回答用戶提示詞的態度
這樣可確保 LLM 的回答與所需的情感或語境相呼應。例如，正式、幽默、感同身受等。
-
（A）Audienc：確定回答的對象
根據回答對象的身份（如某一領域的專家、初學者、兒童等）量身定制 LLM 的回答，確保其在所需的語境中是恰當和可以理解的。
-
（R）Response：提供 LLM 回答的格式
該功能可以讓 LLM 以下游任務所需的準確格式輸出。例如，列表、JSON（JavaScript Object Notation）、專業報告等。對于大多數以編程方式在下游操作 LLM 回答的 LLM 應用程序來說，JSON輸出格式是最理想的。
1.1 實際案例
假設您是一名社交媒體經理（social media manager），需要幫助起草一則 Facebook 帖子，以宣傳公司的新產品。
沒有使用 CO-STAR 的提示語（prompt）結果很垃圾，不展示了。
用CO-STAR：
#CONTEXT#
I want to advertise my company’s new product. My company’s name is Alpha and the product is called Beta, which is a new ultra-fast hairdryer.
#OBJECTIVE#
Create a Facebook post for me, which aims to get people to click on the product link to purchase it.
#STYLE#
Follow the writing style of successful companies that advertise similar products, such as Dyson.
#TONE#
Persuasive
#AUDIENCE#
My company’s audience profile on Facebook is typically the older generation. Tailor your post to target what this audience typically looks out for in hair products.
#RESPONSE#
The Facebook post, kept concise yet impactful.
02 使用分隔符（delimiters）將提示語分段
分隔符（Delimiters）是一種特殊的 tokens ，LLM 通過分隔符（Delimiters）將提示語分成不同的部分，以便確定哪些部分構成一個意義單元。這一點很重要，因為整個提示語（prompt）是以一長串 tokens 的形式到達 LLM 的。分隔符通過將提示語（prompt）的特定部分劃分開再以不同的方式對待，為整個 tokens 序列提供了合理的結構。
值得注意的是，對于簡單的任務，分隔符可能不會對 LLM 的回答質量產生影響。然而，任務越復雜，使用分隔符對 LLM 回答的影響就越大。
2.1 將特殊字符作為分隔符
分隔符可以是任何通常不會一起出現的特殊字符序列，例如
- ###
- ===
- >>>
所選特殊字符的數量和類型并不重要，只要它們足夠獨特，能讓 LLM 將其理解為內容分隔符而非普通標點符號即可。
下面舉例說明如何在提示語（prompt）中使用此類分隔符：
Classify the sentiment of each conversation in <<<CONVERSATIONS>>> as
‘Positive’ or ‘Negative’. Give the sentiment classifications without any other preamble text.
EXAMPLE CONVERSATIONS
[Agent]: Good morning, how can I assist you today?
[Customer]: This product is terrible, nothing like what was advertised!
[Customer]: I’m extremely disappointed and expect a full refund.
[Agent]: Good morning, how can I help you today?
[Customer]: Hi, I just wanted to say that I’m really impressed with your
product. It exceeded my expectations!
EXAMPLE OUTPUTS
Negative
Positive
<<<
[Agent]: Hello! Welcome to our support. How can I help you today?
[Customer]: Hi there! I just wanted to let you know I received my order, and
it’s fantastic!
[Agent]: That’s great to hear! We’re thrilled you’re happy with your purchase.
Is there anything else I can assist you with?
[Customer]: No, that’s it. Just wanted to give some positive feedback. Thanks
for your excellent service!
[Agent]: Hello, thank you for reaching out. How can I assist you today?
[Customer]: I’m very disappointed with my recent purchase. It’s not what I expected at all.
[Agent]: I’m sorry to hear that. Could you please provide more details so I can help?
[Customer]: The product is of poor quality and it arrived late. I’m really
unhappy with this experience.
>>>
上述案例使用分隔符 ### 進行分隔，分隔內容的標題 EXAMPLE CONVERSATIONS（示例對話）和 EXAMPLE OUTPUTS（示例輸出）用大寫字母與其他內容進行區分。需要進行情感分析的對話被劃分在<<<CONVERSATIONS>>>內，這些對話隨后在提示語（prompt）的底部直接提供給LLM，沒有任何解釋性文本，但由于分隔符 <<< 和 >>> 的存在，LLM 知道這些是它應該進行情感分析的對話。
以下是來自 GPT-4 的輸出結果，直接輸出情感分析結果，沒有其他亂七八糟的內容，就是我們要求的那樣。
Positive
Negative
2.2 將 XML 標簽作為分隔符
使用 XML 標簽作為分隔符是另一種使用分隔符的方法。XML 標簽是用尖括號括起來的標簽，包括開始標簽和結束標簽。例如，<tag>和</tag>。這種方法是比較有效的，因為大語言模型（LLM）已經在許多 XML 格式的 Web 內容上進行了訓練，并學會了理解這種格式。不舉例了，因為XML我不熟。
