2.4 提示词优化

目录

写在前面

为什么要做提示词优化？

我们在使用大模型的时候，同一任务使用不同表述的提示词，可能得到差异巨大的结果，因为模型的性能高度依赖输入提示词的质量。我们可以通过提示词优化来更高效地获取理想输出。

提示词的优化可以提升模型理解精度，优化后的提示词能更精准传达意图。

同时无效的提示词可能导致模型多次尝试或生成冗余内容。优化后提示词可减少API调用次数，降低计算成本。

大模型存在幻觉、偏见等问题。通过提示词优化可主动规避风险，提高准结果确性。

一，小样本学习 Few-Shot Learning

小样本学习本质上就是示例，通过给模型一个具体的“模板”或“样板间”，或注入少量样本，让模型更清晰地理解你的任务要求，期望的输出格式，风格和深度。

举例如下：

• 优化前

“写一封辞职信” 优化后：“写一封辞职信，包含感谢语和离职日期