RAG生成（二）：提示词工程

发表于 2025-03-23 分类于 AI ， RAG ，生成阅读次数：本文字数： 1.7k 阅读时长 ≈ 3 分钟

提示词工程（Prompt Engineering），旨在通过开发和优化提示来有效利用语言模型的潜力。

提示词工程是为生成式 AI 模型设计输入以获取最佳输出的实践。 这些输入被称为提示词（Prompt） 。

提示词工程核心理念是，通过提供更优质的输入，可以让生成式 AI 模型（如大型语言模型）生成更符合需求的结果，也就是让模型能够更好地执行各种任务 ，包括生成创作，生成代码，聊天互动等。

1. 指令（Instruction）：指明模型要执行的特定任务或操作。

2. 上下文（Context）：为模型提供额外信息或背景，可以帮助引导模型生成更准确的响应。

3. 输入数据（Input Data）： 我们希望模型回答的问题或感兴趣的输入内容。

4. 输出指示符（Output Indicator）：指定模型的输出类型或格式，例如格式、是否要求生成代码、总结文本或回答具体问题。

提示词工程不仅仅是设计提示，而是通过深刻理解模型的功能和局限性，创造能够与模型输入产生最佳互动的提示，这其中包含了一系列的技巧。

这些技巧就是解决RAG中的问题，如缺失内容，格式错误，缺乏细节，回答不全面等采取的具体措施, 也是对评测指标答案及时性、信息整合能力、拒答能力、检错和纠错能力所做的针对设计。

1. 具体指令法 （优化指令）

指定回答预期，防止内容缺失，回答不全面：

清晰的指令可以让模型输出：更明确的任务目标和更符合预期的内容。

请根据上传的银行业报告，简洁总结当前的市场趋势，重点分析政策变化对行业的影响，输出为以下Markdown格式：
- **市场趋势**
- **政策影响**
- **竞争风险**

2 . 解释理由法 （优化指令, 强调指令的原因）

提升模型对任务特定规则或背景的理解能力：

在编写提示时，向模型解释为什么某些任务需要特定的处理方式。这样可以帮助模型更好地理解任务背景，从而提高输出的质量和相关性。

1	请生成一份简明扼要的银行业报告摘要，不要逐字重复段落内容。原因：读者可以访问完整文档，如果需要可以详细阅读全文。

3. 任务角色设定 (优化上下文，指定模型身份、立场和责任)

提升模型专业领域回答能力：

通过为模型设定特定的角色身份，可以帮助模型更好地理解任务要求和角色责任，从而输出更加一致、专业的内容。

你的角色: 知识库专家
- 背景：分析银行业市场数据
- 目标：生成一份详细的行业趋势分析
- 限制：仅根据报告中的数据生成分析

4. 文档基础说明 （优化上下文，对输入数据提供背景和来源信息）

奠定模型任务推理的基调：

为模型提供文档的背景信息和文本来源可以帮助奠定任务基础，让模型更好地进行任务推理和回答。

1	以下是关于银行业政策变化的相关规则，它们将用于回答有关政策对银行业影响的问题。

5. 示例学习 （优化输出指示符）

优化回答细节以及格式：

通过给模型提供多个参考示例，模型可以基于这些示例进行模式识别，进而模仿、思考并生成类似的答案。

以下是两个关于银行业的分析示例，请按照这种格式对新的报告进行分析：
- 示例 1：**市场趋势**：由于政策放宽，银行贷款增长迅速。
- 示例 2：**政策影响**：新的利率政策可能会对中小企业贷款产生负面影响。


请对下面报告进行同样的分析。

6. 默认回复策略 （放在指令，上下文或者输出指示符部分都可以，旨在强调基于文档回答）

提升模型的拒答能力：

当模型无法从文档中获取足够信息时，通过设定默认回复策略，避免模型产生“幻觉”，即生成虚假的答案。这可以确保模型仅基于文档中的事实进行回答。

1	如果文档中没有足够的事实回答问题，请返回{无法从文档中获得相关内容}，而不是进行推测。

通过以上提示工程技巧，RAG 任务的输出质量可以高效、低成本地提升，解决常见生成问题。

在提示工程中，过于具体的指令可能会限制模型的创造性，过于宽泛的提示则可能导致生成偏差。

如何在提示设计中找到合适的权衡点，既能够引导模型生成高质量结果，又不过度限制模型的灵活性，需要大家在实际场景中探索。

进阶： 深入理解模型提示词的原理

突破路径：

提示词参考阅读：