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 ]。
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。
索取生成式 AI CEO 指南
在使用 LLM 时,会产生两种主要类型的提示。这些是:
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?”
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?”
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。
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:
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:
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。
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。
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。
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。
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。
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。
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。 | |
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。 | |
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。 | |
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。 | |
Jason Wei, X. W.(2022 年)。思维链提示激发大型语言模型中的推理。 | |
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 。 | |
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。 | |
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。 | |
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。 | |
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。 | |
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)。 | |
Cynthia A. Thompson, M. G.(2011 年)。个性化对话推荐系统。J. Artif. Intel. Res. | |
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)。 | |
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。 | |