AI大模型之提示词工程进阶版（二）
1.零样本提示
如今，经过⼤量数据训练并调整指令的LLM能够执⾏零样本任务。
prompt = """
将文本分类为中性、负面或正面。
文本：我认为这次假期一般。
情感：
"""
# prompt = "中国的首都是哪里？"
# 在上面的提示中，我们没有向模型提供任何示例——这就是零样本能力的作用。
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
# print(response)
# print(type(response))
return response.choices[0].message.content
print(get_completion(prompt))2.少样本提示
虽然大型语言模型展示了惊人的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术，以启用上下文学习，我们在提示中提供演示以引导模型实现更好的性能.
prompt = """
1. 生成文本：ChatGPT可以生成与给定主题相关的文章、新闻、博客、推文等等。您可以提供一些关键词或主题，然后ChatGPT将为您生成相关的文本。
2. 语言翻译：ChatGPT可以将一种语言的文本翻译成另一种语言。
3. 问答系统：ChatGPT可以回答您提出的问题，无论是事实性的问题、主观性的问题还是开放性的问题。
4. 对话系统：ChatGPT可以进行对话，您可以与ChatGPT聊天，让它回答您的问题或就某个话题进行讨论。
5. 摘要生成：ChatGPT可以从较长的文本中生成摘要，帮助您快速了解文章的主要内容。
6. 文本分类：ChatGPT可以将一些给定的文本分类到不同的类别中，例如新闻、体育、科技等等。
7. 文本纠错：ChatGPT可以自动纠正文本中的拼写错误和语法错误，提高文本的准确性。
请把上面7段话各自的开头几个词，翻译成英文，并按序号输出。例如，第1段话的开头是"生成文本"，那么就输出"generate text"
"""
prompt = """
"whatpu"是坦桑尼亚的一种小型毛茸茸的动物。一个使用whatpu这个词的句子的例子是：
我们在非洲旅行时看到了这些非常可爱的whatpus。
"farduddle"是指快速跳上跳下。一个使用farduddle这个词的句子的例子是：
"""
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
print(get_completion(prompt))输出内容：
小孩子们在操场上快速farduddle着，玩得不亦乐乎。
模型通过提供⼀个示例（即1-shot）已经学会了如何执⾏任务。对于更困难的任务，我们可以尝试增加演示（例如3-shot、5-shot、10-shot等）。
3.少样本提示的限制
prompt = """
这组数字中的奇数加起来是一个偶数：4、8、9、15、12、2、1。
A：答案是False。
这组数字中的奇数加起来是一个偶数：17、10、19、4、8、12、24。
A：答案是True。
这组数字中的奇数加起来是一个偶数：15、32、5、13、82、7、1。
A：
"""
# 这组数字中的奇数加起来是一个偶数：16、11、14、4、8、13、24。
# A：答案是True。
# 这组数字中的奇数加起来是一个偶数：17、9、10、12、13、4、2。
# A：答案是False。
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
print(get_completion(prompt))答案是True。
这没用。似乎少样本提示不足以获得这种类型的推理问题的可靠响应。上面的示例提供了任务的基本信息。如果仔细观察，我们会发现引入的任务类型涉及几个更多的推理步骤。换句话说，如果我们将问题分解成步骤并向模型演示，这可能会有所帮助。
4.链式思考(思维链COT)
链式思考（CoT）提示通过中间推理步骤实现了复杂的推理能⼒。您可以将其与少样本提示相结合，以获得更好的结果，以便在回答之前进⾏推理的更复杂的任务
标准的prompt
Q：罗杰有5个⽹球。他⼜买了2罐⽹球。每个罐⼦有3个⽹球。有多少他现在有多少个⽹球?
A：答案是11个
Q：⾃助餐厅有23个苹果。如果他们⽤20做午餐，⼜买了6个，他们有多少个苹果?
A：答案是27个
链式思考的prompt
Q：罗杰有5个⽹球。他⼜买了2罐⽹球。每个罐⼦有3个⽹球。他现在有多少个⽹球?
A：罗杰⼀开始有5个球。2罐3个⽹球，等于6个⽹球。5 + 6 = 11。答案是11。
Q：⾃助餐厅有23个苹果。如果他们⽤20做午餐，⼜买了6个，他们有多少个苹果?
A：⾃助餐厅最初有23个苹果。他们使⽤20个做午饭。23 - 20 = 3。他们⼜买了6个苹果，得到3
+ 6= 9。答案是9个。
5.少样本思维链（Few-shot Cot）
上面的案例我们调整为如下:
prompt = """
这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。
A：将所有奇数相加（9、15、1）得到25。答案为False。
这组数中的奇数加起来是偶数：17、10、19、4、8、12、24。
A：将所有奇数相加（17、19）得到36。答案为True。
这组数中的奇数加起来是偶数：16、11、14、4、8、13、24。
A：将所有奇数相加（11、13）得到24。答案为True。
这组数中的奇数加起来是偶数：17、9、10、12、13、4、2。
A：将所有奇数相加（17、9、13）得到39。答案为False。
这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。
A：
"""
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
print(get_completion(prompt))输出的结果为:
将所有奇数相加（15、5、13、7、1）得到41。答案为False。
6.零样本COT提示
# prompt = """
# 我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。
# 然后我去买了5个苹果并吃了1个。我还剩下多少苹果？
# """
prompt = """
我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。
然后我吃了1个又去买了5个苹果。我还剩下多少苹果？
让我们逐步思考。
"""
# 在上面的提示中，我们没有向模型提供任何示例——这就是零样本能力的作用。
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
print(get_completion(prompt))输出的结果
我买了10个苹果。
我给了邻居2个苹果和修理工2个苹果，所以剩下10 - 2 - 2 = 6个苹果。
我吃了1个苹果，所以还剩下6 - 1 = 5个苹果。
然后我又去买了5个苹果，所以现在总共有5 + 5 = 10个苹果。
所以，我现在还剩下10个苹果。
7.⾃我⼀致性(⾃洽性)
一种对抗「幻觉」的手段。就像我们做数学题，要多次验算一样。
-
同样 prompt 跑多次
-
通过投票选出最终结果
prompt2 = """
现在我70岁了，当我6岁时，我的妹妹是我的年龄的一半。现在我的妹妹多大？请逐步思考
"""
prompt= """
Q：林中有15棵树。林业工人今天将在林中种树。完成后，将有21棵树。林业工人今天种了多少棵树？
A：我们从15棵树开始。后来我们有21棵树。差异必须是他们种树的数量。因此，他们必须种了21-15 = 6棵树。答案是6。
Q：Leah有32块巧克力，她的姐姐有42块。如果他们吃了35块，他们总共还剩多少块？
A：Leah有32块巧克力，Leah的姐姐有42块。这意味着最初有32 + 42 = 74块巧克力。已经吃了35块。因此，他们总共还剩74-35 = 39块巧克力。答案是39。
Q：Jason有20个棒棒糖。他给Denny一些棒棒糖。现在Jason只有12个棒棒糖。Jason给Denny多少棒棒糖？
A：Jason有20个棒棒糖。因为他现在只有12个，所以他必须把剩下的给Denny。他给Denny的棒棒糖数量必须是20-12 = 8个棒棒糖。答案是8。
Q：Shawn有五个玩具。圣诞节，他从他的父母那里得到了两个玩具。他现在有多少个玩具？
A：他有5个玩具。他从妈妈那里得到了2个，所以在那之后他有5 + 2 = 7个玩具。然后他从爸爸那里得到了2个，所以总共他有7 + 2 = 9个玩具。答案是9。
Q：服务器房间里有9台计算机。从周一到周四，每天都会安装5台计算机。现在服务器房间里有多少台计算机？
A：从周一到周四有4天。每天都添加了5台计算机。这意味着总共添加了4 * 5 =
20台计算机。一开始有9台计算机，所以现在有9 + 20 = 29台计算机。答案是29。
Q：Michael有58个高尔夫球。星期二，他丢失了23个高尔夫球。星期三，他又丢失了2个。星期三结束时他还剩多少个高尔夫球？
A：Michael最初有58个球。星期二他丢失了23个，所以在那之后他有58-23 = 35个球。星期三他又丢失了2个，所以现在他有35-2 = 33个球。答案是33。
Q：现在我70岁了，当我6岁时，我的妹妹是我的一半年龄。现在我的妹妹多大？
A：
"""
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
print(get_completion(prompt2))
print("="*100)
print(get_completion(prompt))输出的结果
当我6岁时，我的妹妹是3岁（我的年龄的一半）。
现在我70岁，相差64岁（70-6=64）。
所以现在我的妹妹应该是70-64=6岁+64=70岁。
当你6岁时，你的妹妹是你的一半年龄，即3岁。现在你70岁，所以你的妹妹应该是70-6+3=67岁。所以现在你的妹妹应该是67岁。
prompt = """约翰发现15个数字的平均值是40。
如果每个数字都加上10，那么这些数字的平均值是多少？
请将答案包围在三个反引号中，例如：```123```"""
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
for _ in range(5):
response = get_completion(prompt)
print(response)输出的结果:
8.思维树(Tree-of-thought, ToT)
对于需要探索或预判战略的复杂任务来说，传统或简单的提示技巧是不够的。思维树基于思维链提示进行了总结，引导语言模型探索把思维作为中间步骤来解决通用问题。
ToT 维护着一棵思维树，思维由连贯的语言序列表示，这个序列就是解决问题的中间步骤。使用这种方法，LM 能够自己对严谨推理过程的中间思维进行评估。LM 将生成及评估思维的能力与搜索算法（如广度优先搜索和深度优先搜索）相结合，在系统性探索思维的时候可以向前验证和回溯。 
-
在思维链的每一步，采样多个分支
-
拓扑展开成一棵思维树
-
判断每个分支的任务完成度，以便进行启发式搜索
-
设计搜索算法
-
判断叶子节点的任务完成的正确性
利用思维树完成该功能:小明 100 米跑成绩：10.5 秒，1500 米跑成绩：3 分 20 秒，铅球成绩：12 米。他适合参加哪些搏击运动训练。
def get_completion(prompt, model="gpt-4o", temperature=0):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=temperature # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
prompt = """
小明100米跑成绩：10.5秒，1500米跑成绩：3分20秒，铅球成绩：12米。他适合参加哪些搏击运动训练?
请根据以上成绩，分析候选人在速度、耐力、力量三方面素质的分档。分档包括：强（3），中（2），弱（1）三档
需要速度强的运动有哪些。给出10个例子,需要耐力强的运动有哪些。给出10个例子,需要力量强的运动有哪些。给出10个例子
分别分析上面给的10个运动对速度、耐力、力量方面素质的要求: 强（3），中（2），弱（1）
根据上面的分析：生成一篇小明适合那种运动训练的分析报告
"""
print(get_completion(prompt))输出结果:
小明的身体素质分析
根据小明的成绩，我们可以从速度、耐力、力量三个方面进行分档评估：
速度：100米跑成绩 10.5秒
分档：强（3）
分析：10.5秒的100米成绩表明小明具有出色的爆发力和短跑速度。
耐力：1500米跑成绩 3分20秒
分档：中（2）
分析：3分20秒的1500米成绩表明小明有一定的耐力，但并非顶尖水平。
力量：铅球成绩 12米
分档：中（2）
分析：12米的铅球成绩表明小明有一定的力量，但仍有提升空间。
需要速度强的运动（10个例子）
短跑（100米、200米）
拳击
跆拳道
击剑
羽毛球
网球
篮球（后卫）
足球（前锋）
橄榄球（跑锋）
短道速滑
速度、耐力、力量要求分析：
速度：强（3）
耐力：中（2）或弱（1）
力量：中（2）或弱（1）
需要耐力强的运动（10个例子）
长跑（5000米、马拉松）
自行车（公路赛）
铁人三项
游泳（长距离）
越野跑
划船
登山
足球（中场）
篮球（全场跑动）
拳击（多回合比赛）
速度、耐力、力量要求分析：
速度：中（2）或弱（1）
耐力：强（3）
力量：中（2）或弱（1）
需要力量强的运动（10个例子）
举重
铅球
铁饼
摔跤
柔道
力量举
健美
橄榄球（前锋）
篮球（中锋）
攀岩
速度、耐力、力量要求分析：
速度：中（2）或弱（1）
耐力：中（2）或弱（1）
力量：强（3）
小明适合的运动训练分析报告
综合分析：小明的身体素质在速度方面表现突出（强），耐力和力量方面表现中等（中）。因此，他更适合选择那些对速度要求较高，同时对耐力和力量要求适中的运动项目。
推荐运动：
拳击：拳击对速度要求极高，同时需要一定的耐力和力量。小明的爆发力和反应速度非常适合拳击训练。
跆拳道：跆拳道强调快速踢击和移动，小明的速度优势可以充分发挥。
击剑：击剑需要极快的反应速度和爆发力，适合小明的身体素质。
羽毛球：羽毛球对速度和灵活性要求高，耐力和力量需求适中，适合小明。
篮球（后卫）：篮球后卫需要快速突破和反应，小明的速度和中等力量可以胜任。
训练建议：
速度训练：继续保持短跑训练，提升爆发力和反应速度。
耐力训练：适当增加中长跑或间歇训练，提升耐力水平。
力量训练：增加核心力量和上肢力量训练，为搏击运动打下基础。
结论：小明适合参与对速度要求较高的搏击运动（如拳击、跆拳道）或球类运动（如羽毛球、篮球）。通过针对性训练，他可以进一步提升耐力和力量，全面发展身体素质。