主页 topics 提示链 什么是提示链?
使用 watsonx.ai 深入了解提示链 注册获取 AI 更新
提示链的等距图示

发布日期: 2024 年 4 月 23 日
作者: Vrunda Gadesha、Eda Kavlakoglu

提示链是一种强大的自然语言处理(NLP)技术,它利用大型语言模型(LLM),通过一系列提示生成所需的输出。在此过程中,向 NLP 模型提供一系列提示,引导它做出所需的反应。该模型可学习理解提示的上下文和之间的关系,从而生成连贯、一致且上下文丰富的文本[ 1 ]

这一概念是快速工程的提前实施。由于它能够提高文本生成的质量和可控性,因此在 NLP 领域备受关注。与其他方法相比,有效的提示链可作为工程技术来实施,例如零样本少数样本微调的定制模型[2]。通过提供明确的方向和结构,提示链有助于模型更好地理解用户的意图,并做出更准确、更相关的回应。

提示链可以提高 AI 助手在各个领域的效果。通过将复杂的任务分解成更小的提示并将它们串联起来,开发人员可以根据用户的不同需求创建更加个性化和准确的响应。这种方法不仅能改善整体用户体验,还能根据不断变化的用户需求或应用场景进行更大程度的定制和调整[3]

深入了解 IBM AI 助手
利用 AI 改造客户服务:综合指南

深入了解为什么 AI 是客户服务的优先事项、如何构建负责任的 AI 以及 AI 在优化联络中心和提升客户体验方面的作用。

相关内容

索取生成式 AI CEO 指南

提示的类型

在使用 LLM 时,会产生两种主要类型的提示。这些是:

简单提示

这些是包含单个指令或问题 的基本提示,供模型做出响应。它们通常用于发起 对话或请求信息。一个简单提示的例子 是 “今天天气怎么样?”

 

复杂提示

这些提示包含多个指令或问题,要求模型执行一系列操作或提供详细响应。它们通常用于促进更高级的任务或进行更深入的对话。一个复杂提示的例子是“我正在找一家提供纯素食且营业到晚上 10 点的餐馆。您能推荐一个吗?”

如何简化复杂的提示

将复杂的提示转换成一系列简单的提示,有助于将复杂的任务分解成较小的子任务。这种方法可以让用户更容易理解完成申请所需的步骤,降低出错或产生误解的风险。 

示例:语言翻译

以我们用西班牙语提供信息的场景为例。我们需要从中提取信息,但我们不懂西班牙语。首先,我们需要将文本从西班牙语翻译成英语。然后,我们需要提出一个问题来提取信息,然后再将提取的信息从英语翻译成西班牙语。这是一项复杂的任务,如果我们试图将这些步骤合并到一个提示中,就会显得过于复杂,从而增加响应中出现更多错误的可能性。因此,最好将复杂的提示转换成一系列简单提示。要做到这一点,需要采取以下步骤:

  1. 确定提示的主要目标或目的。 
  2. 将主要目标分解为子任务,即更具体的行动或任务。
  3. 为每个具体行动或任务创建提示。
  4. 确保每条提示清晰、简洁、明确。
  5. 测试提示,确保其易于理解且全面。

这里我们的复杂提示是:“请阅读给定的西班牙语文本。将其翻译成英语。查找文中使用的所有统计数据和事实,并将它们列为要点。再将它们翻译成西班牙语。”

要将这个复杂提示转换为简单提示,我们可以将主要目标分解为更小的行动或任务,并创建如下的提示链:

  1. “阅读给定的西班牙语文本。”
  2. “将文本翻译成英语。”
  3. “从文本中获取统计数据和事实。”
  4. “将所有这些事实列成一个要点清单。”
  5. “将它们翻译成西班牙语。”
如何创建提示链

结构化的提示链是一组预定义的提示或问题,旨在引导用户完成特定对话或一系列操作,确保信息流的一致性和可控性[4] 。它通常用于客户支持、辅导和其他交互系统,以保持交互的清晰度、准确性和效率。链中的提示通常连接在一起,这样系统就可以在以前的响应基础上进行扩展,并保持上下文的联系。这种方法有助于减少歧义,提高用户满意度,并实现人与机器之间更有效的沟通。

建立一个包含不同提示模板的参考库

首先收集一组预先编写的提示,这些提示可以针对各种场景进行自定义。这些模板应涵盖用户可能遇到的常见任务、请求和问题。

确定主要提示

确定需要在提示链中传达的核心问题或指示。这些提示应简单、清晰、直接,并能作为单独的提示独立存在。

确定提示序列的输入和输出

确定用户在响应每个提示时需要提供的具体信息或操作。这些输入应定义明确、易于理解,并应与提示链中的相应提示相关联。

实施整个提示链

使用参考库和主要提示建立完整的提示链。确保每个提示都与下一个提示有逻辑联系,并在序列的适当位置提示用户输入必要的内容。

测试提示链

创建提示链后,要对其进行彻底测试,确保其易于理解且完整。要求抽样用户完成提示链,并就任何需要改进的地方收集反馈意见。

迭代并完善提示链

根据测试期间收到的反馈,对提示链进行必要的调整或改进。这可能包括改写某些提示,添加或删除提示,或改变提示的显示顺序。

按照这些步骤,客户服务代表和程序员可以创建有效的提示链,帮助引导用户完成一系列操作或任务。

提示链的优点

快速工程中使用的传统方法相比,快速链接具有多种优势。通过一系列提示引导模型,提示链增强了文本生成的连贯性和一致性,从而使输出结果更准确、更吸引人。

一致性

通过要求模型遵循一系列提示,提示链有助于保持文本生成的一致性。这一点在客户支持或编辑等需要保持一致语气、风格或格式的应用程序中尤为重要[5]

在客户支持方面,可以使用提示链来确保与用户的沟通连贯一致。例如,机器人可能会被提示使用用户喜欢的名字称呼用户,或在整个对话过程中遵循特定的语音语调。

使用 watsonx Assistant 构建客户服务 AI 助手
增强控制

提示链为文本生成提供了更大的控制权,允许用户精确地指定所需的输出。这在输入数据有噪声或模棱两可的情况下尤其有用,因为在生成响应之前,可以提示模型澄清或完善输入[6]

在文本摘要系统中,提示链允许用户控制生成摘要的详细程度和具体程度。例如,首先可能会提示用户提供他们有兴趣总结的内容,如研究论文。随后的提示可以将摘要格式化为特定的格式或模板。

了解如何使用 watsonx.ai 执行文本摘要任务 (2:19)
降低错误率

提示链通过为模型提供更好的语境和更有针对性的输入来帮助降低错误率。结构化的提示链有助于减少人力,更快地验证代码和输出。通过将输入分解为更小的、更易于管理的提示,该模型可以更好地理解用户的意图,并生成更准确、更相关的响应[7]

在机器翻译系统中,在翻译句子之前,系统可能会首先提示用户指定源语言、目标语言以及任何相关的上下文或术语。这有助于模型更好地理解源文本并生成准确的翻译。

通过利用这些优势,提示链有可能在从客户支持到简化的编辑和语言翻译等各种应用中显著提高 NLP 模型的性能和效率。

提示链的用例

提示链是一种多用途技术,可广泛应用于各种用例,主要分为两类:问题解答和多步骤任务。

 

问题解答

顾名思义,问题解答任务为人类提出的常见问题提供答案。该模型根据知识库中通常找到的文档的上下文自动做出响应。常见的应用包括:

  • 客户服务/支持:提示链可以帮助用户查询公司的知识库,找到最相关的答案,从而改善用户体验并提高效率[8]
  • 教育平台:教师可以根据学生的进度提示学生提出问题,从而创造交互式学习体验,实现个性化和自适应学习 [9]
  • 研究协助:研究人员可以使用提示链来自动搜索和分析相关文献,从而节省时间和资源[3] [10]
多步骤任务

正如我们所预料的那样,多步骤任务是由一系列步骤组成的,目的是实现既定目标。这方面的例子包括:

  • 内容创建: 提示链接可以简化内容创建过程的各个阶段,例如研究主题、创建大纲、撰写文章、验证内容、编辑等[11][12]
  • 编程开发:提示链可以引导开发人员完成一系列步骤,从基本逻辑开始,逐步到伪代码,最后用特定语言实现具体代码,同时还能确保代码验证[3][13]
  • 个性化推荐:这种用例适用于各行各业,提示链可帮助根据用户偏好、行为和历史数据定制推荐[14]

提示链是一种强大的技术,可用于各种实时应用程序,帮助引导用户和专业人员完成一系列操作或任务。通过将复杂的任务分解成一系列更简单的提示,提示链可以帮助确保用户和专业人员了解完成请求所需的步骤,并提供更好的整体体验。无论是用于客户服务、编程还是教育,提示链都能帮助简化复杂的流程,提高效率和准确性。

相关资源 什么是 LangChain?

了解使用 LLM 开发应用程序常用的开源框架 LangChain。

使用 watsonx 和 LangChain 对语言模型进行一系列调用

学习如何通过连锁模型为通用问答系统生成序列。

什么是生成式 AI?什么是基础模型?这为什么很重要?

了解生成式 AI 会如何改变企业,以及如何让组织为未来做好准备。

提示工程 Llama 2 的开发系统和指令提示

采用 Llama 2 的提示工程最佳实践。

采取后续步骤

使用面向 AI 构建器的新一代企业级开发平台 IBM watsonx.ai,可以训练、验证、调整和部署生成式 AI、基础模型和机器学习功能。使用一小部分数据,即可在很短的时间内构建 AI 应用程序。

深入了解 watsonx.ai 预约实时演示
脚注

[1]

Pengfei Liu, WY(2021 年)。预训练、提示和预测:自然语言处理中的提示方法系统调查。ACM 计算调查。

[2]

Gunwoo Yong, K. J.(2022 年)。使用视觉语言预训练模型进行零缺陷和少缺陷检测与分类的提示工程。

[3]

O. Marchenko, OR(2020 年)。通过引入一致性指标改进文本生成。控制论与系统分析

[4]

Zhifang Guo, Y. L.(2022 年)。Prompttts:带有文本描述的可控文本转语音。Zhifang Guo, Yichong Leng, Yihan Wu, Sheng Zhao, Xuejiao Tan

[5]

Jason Wei, X. W.(2022 年)。思维链提示激发大型语言模型中的推理。

[6]

Mero, J.(2018 年)。双向交流和聊天服务的使用对电子商务零售业消费者态度的影响。电子市场

[7]

Yu Cheng, J. C.(2023 年)。Prompt Sapper:一款用于构建 AI 链的 LLM 生产工具。ACM 软件工程与方法论论文集

[8]

Tongshuang Sherry Wu, E. J.(2022 年)。PromptChainer:通过可视化编程链接大型语言模型提示。CHI 计算系统中的人为因素会议扩展摘要

[9]

Shwetha Sridharan, D. S.(2021 年)。自适应学习管理专家系统,具有不断发展的知识库和更强的可学习性。教育和信息技术

[10]

Boshi Wang, X. D.(2022 年)。为思维链迭代提示预训练语言模型。2022 年自然语言处理经验方法会议论文集

[11]

M. Rice, K. M.(2018 年)。评估支持工业应用程序的增强型远程协助平台。IEEE 第四届世界物联网论坛 (WF-IoT)

[12]

Cynthia A. Thompson, M. G.(2011 年)。个性化对话推荐系统。J. Artif. Intel. Res.

[13]

Qing Huang, J. Z.(2023 年)。PCR-Chain:在 Frozen Copilot 上通过分层链提示实现部分代码重用。IEEE/ACM 第 45 届国际软件工程会议配套论文集 (ICSE-Companion)

[14]

Yafeng Gu, Y. S(2023 年)。APICom:通过提示学习和基于对抗训练的数据增强自动完成 API。第 14 届亚太地区互联网软件研讨会论文集