自然语言生成的标准任务之一是文本概括。文本概括可能涉及到不同的风格和领域。事实上，语言模型最前景的应用场景之一就是能够快速概括出易于理解的文章大意和相关概念。 我们可以使用提示词尝试一个简单的概括任务。

假设我们需要了解神经网络方面的相关信息，我们可以这样做：

  
  
  
  
  
  

   
   
   
   
   
   

    解释神经网络
   
   
   
   
   
   
   
   
   
   
   
   

    A:
   
   
   
   
   
   
  
  
  
  
  
  

这里“A：”是一种明确的提示格式。 在这个示例中，我用它去提示模型，我想要该概念的进一步解释。

发送这个请求后，我们得到如下结果：

  
  
  
  
  
  

   
   
   
   
   
   

    神经网络（Artificial Neural Networks，简写为ANN）是一种模仿生物神经网络运作的数学模型。神经网络由许多被称为神经元的计算机构成，它们相互连接，形成了一个复杂的网络。每个神经元接收输入信号，并通过计算得出输出信号。这些输出信号又传递给下一个神经元，直到最终输出结果。
   
   
   
   
   
   
   
   
   
   
   
   

    神经网络通常被用于解决分类、回归、聚类等问题。它们的优点在于可以通过学习从数据中自动提取特征，从而具备一定的自适应能力和鲁棒性。因此，神经网络在图像识别、语音识别、自然语言处理等领域得到了广泛应用。
   
   
   
   
   
   
   
   
   
   
   
   

    生物神经网络主要指人脑的神经网络，它是人工神经网络的技术原型。
   
   
   
   
   
   
  
  
  
  
  
  

在这个例子中，我们可能还不清楚使用它是否有用，我们会在之后的示例中进一步讨论这一点。 现在假设我们感觉模型给了太多的信息，想要进一步提炼它。我们可以这样做：

  
  
  
  
  
  

   
   
   
   
   
   

    神经网络（Artificial Neural Networks，简写为ANN）是一种模仿生物神经网络运作的数学模型。神经网络由许多被称为神经元的计算机构成，它们相互连接，形成了一个复杂的网络。每个神经元接收输入信号，并通过计算得出输出信号。这些输出信号又传递给下一个神经元，直到最终输出结果。
   
   
   
   
   
   
   
   
   
   
   
   

    神经网络通常被用于解决分类、回归、聚类等问题。它们的优点在于可以通过学习从数据中自动提取特征，从而具备一定的自适应能力和鲁棒性。因此，神经网络在图像识别、语音识别、自然语言处理等领域得到了广泛应用。
   
   
   
   
   
   
   
   
   
   
   
   

    生物神经网络主要指人脑的神经网络，它是人工神经网络的技术原型。
   
   
   
   
   
   
   
   
   
   
   
   

    用一句话解释上面的信息：
   
   
   
   
   
   
  
  
  
  
  
  

我们得到如下结果：

  
  
  
  
  
  

   
   
   
   
   
   

    神经网络是一种数学模型，通过模仿生物神经网络的工作方式，由许多神经元组成，用于解决分类、回归、聚类等问题。
   
   
   
   
   
   
  
  
  
  
  
  

本示例是模型在没有过多关注上文输出内容的准确性的情况下，尝试用一个句子来总结段落内容。 关于上文准确性，我们可以通过指令或说明进一步改善它，这一点我们会在后续指南中进行探讨。

语言模型通过训练不仅可以用于执行自然语言生成相关任务，还可以用于执行文本分类和其他一系列自然语言处理 (NLP) 任务。

我们使用以下示例，来提取一些信息。

  
  
  
  
  
  

   
   
   
   
   
   

    慧博云通(上海)软件技术有限公司(以下简称上海慧博)于2023年2月20日成为百度文心一言首批生态合作伙伴之一，并优先参与了文心一言的首批内测。截至目前，上海慧博与百度文心一言的合作尚处于启动阶段。公司会根据大模型的开放程度，逐步推进对接。目前人工智能业务在公司整体业务中占比较小。
   
   
   
   
   
   
   
   
   
   
   
   

    指出上文中提到的大语言模型：

   
   
   
   
   
   
  
  
  
  
  
  

我们得到的返回结果：

  
  
  
  
  
  

   
   
   
   
   
   

    上文中提到的大模型是百度文心一言。
   
   
   
   
   
   
  
  
  
  
  
  

截止目前，你应该感觉到通过简单地指示语言模型去执行不同的任务。利用这种能力来构建强大的产品和服务体验了吧。但不仅是这些，请继续往下看。

  
  
  
  
  
  

   
   
   
   
   
   

    基于以下语境回答问题。如果不知道答案的话，请回答“不确定答案”。
   
   
   
   
   
   
   
   
   
   
   
   

    Context: 镜像为BCC实例提供操作系统和预装的软件。百度智能云提供了多种公共镜像供您选择。您还可以基于某一时刻的BCC系统盘创建您专属的自定义镜像，该镜像只能您自己看到。
   
   
   
   
   
   
   
   
   
   
   
   

    Question: 镜像为谁提供操作系统？
   
   
   
   
   
   
   
   
   
   
   
   

    Answer:
   
   
   
   
   
   
  
  
  
  
  
  

我们得到响应的结果。

  
  
  
  
  
  

   
   
   
   
   
   

    镜像为BCC实例提供操作系统。
   
   
   
   
   
   
  
  
  
  
  
  

提高模型响应精确度的最佳方法之一是改进提示词的格式。 如前所述，提示词可以通过指令、上下文、输入和输出指示以改进响应结果。 虽然这些要素不是必需的，但如果您的指示越明确，响应的结果就会越好。 这个示例很好的说明了结构化提示词的重要性。

目前，我们已经会使用简单的指令来执行任务。 作为提示工程师，您需要提供更好的指令。 此外， 您也会发现，对于更负责的使用场景，仅提供指令是远远不够的。 所以，您需要思考如何在提示词中包含相关语境和其他不同要素。 同样，你还可以提供其他的信息，比如输入数据和示例。

我们使用以下示例：

  
  
  
  
  
  

   
   
   
   
   
   

    将文本按中立、负面或正面进行分类
   
   
   
   
   
   
   
   
   
   
   
   

    Text：明天我让测试也用内网的lb地址测一下看看。到时候再抓包。
   
   
   
   
   
   
   
   
   
   
   
   

    Sentiment：
   
   
   
   
   
   
  
  
  
  
  
  

我们得到以下结果：

  
  
  
  
  
  

   
   
   
   
   
   

    Positivity: 0.0 negativity: 0.0 Neutrality: 1.0
   
   
   
   
   
   
   
   
   
   
   
   

    该文本并未表达出明显的情感态度，仅是一项陈述性的行动计划，因此情感态度分类为中性。
   
   
   
   
   
   
  
  
  
  
  
  

我们给出了对文本进行分类的指令，语言模型做出了正确响应。 如果我们想要语言模型以指定格式作出相应， 比如，我们想要它返回 中性 而不是 一堆分析信息， 那我们要如何做呢？ 我们有多种方法可以实现这一点。 此例中，我们主要是关注绝对特性，因此，我们提示词中包含的信息越多，响应结果就会越好。 我们可以使用以下示例来校正响应结果：

  
  
  
  
  
  

   
   
   
   
   
   

    将文本按中立、负面或正面进行分类
   
   
   
   
   
   
   
   
   
   
   
   

    Text：我正在吃饭
   
   
   
   
   
   
   
   
   
   
   
   

    Sentiment：中性
   
   
   
   
   
   
   
   
   
   
   
   

    Text：明天我让测试也用内网的lb地址测一下看看。到时候再抓包。
   
   
   
   
   
   
   
   
   
   
   
   

    Sentiment：
   
   
   
   
   
   
  
  
  
  
  
  

我们得到了预期的结果：

  
  
  
  
  
  

   
   
   
   
   
   

    中性。
   
   
   
   
   
   
  
  
  
  
  
  

完美！ 这次模型返回了 中性，这正是我们想要的特定标签。 提示词中的示例使得模型可以给出更具体的响应。 有时给出具体的指令十分重要。你现在知道提示词的重要性了吧？

相关推荐：

Prompt最佳实践：如何编写一个合格的Prompt

Prompt最佳实践：文心一言Prompt通用技巧

在下期会提供对话、代码生成等提示词示例，有兴趣的同学一起在评论区交流。