1. ChatGPT入门
本节将介绍大型语言模型（LLM）的基础知识，帮助您理解它们的工作原理以及与传统技术的区别。这是掌握提示词工程的第一步。
什么是大型语言模型 (LLM)？
简单来说，大型语言模型就像一个“超级大脑”，它通过阅读海量的书籍、文章和网站等文本数据来学习语言。它学习的不是具体的“事实”，而是单词、句子和概念之间的“关系”和“模式”。当您给它一个提示时，它会利用学到的模式，像做填空题一样，一个词一个词地预测出最有可能的、最连贯的回答。
ChatGPT 如何工作？
ChatGPT 基于 LLM 技术。当您输入一个问题（提示词），它会：
1. 理解意图：分析提示词中的关键词和结构，猜测您真正想问什么。
2. 预测序列：基于其庞大的训练数据，计算出最可能紧跟在您问题后面的单词序列。
3. 生成回答：将这些预测的单词组合成流畅、自然的句子，形成完整的回答。
与传统聊天机器人的区别
🤖 传统聊天机器人
基于预设的规则和脚本。它们只能回答开发者预先设定好的问题，像一个自动问答机。如果问题超出范围，它们通常会回答“我不明白”。
🧠 ChatGPT (LLM)
基于概率和模式生成内容。它们不需要预设脚本，能够理解语境、进行推理、总结信息并生成全新的、前所未有的文本内容，使其对话更灵活、更像人类。
2. 理解提示词 (Prompt)
提示词是您与LLM沟通的桥梁。提示词的质量直接决定了回答的质量。一个好的提示词就像一张清晰的地图，能引导LLM准确到达您想去的目的地。
提示词质量对比器
点击按钮，查看不同质量的提示词会如何影响模型的回答。
模糊的提示词 👎
告诉我关于苹果的事。
好的提示词 👍
作为一名营养学家，请用三段话总结吃苹果的三个主要健康益处，并为健身爱好者提供一个食用建议。
3. 提示词工程基础
提示词工程是一门艺术，也是一门科学。它研究如何设计和优化提示词，以最大化地发挥LLM的潜力。掌握基础原则，您就能获得更精准、更有用的回答。
优化一个模糊的提示词
观察如何通过添加关键元素来逐步增强一个提示词的清晰度。
原始提示词：
写一封邮件。
优化后的提示词：
常见错误
- 过于模糊：缺少足够的上下文和具体要求。
- 问题复杂：在一个提示词中包含太多不相关的问题。
- 缺少角色：没有为LLM设定一个专家角色。
- 忽略格式：没有指定想要的输出格式（如列表、表格、JSON）。
4. 与ChatGPT的互动学习
与LLM的对话是一个动态过程。学会通过追问和引导来优化回答，是精通提示词工程的关键。把它看作是一个可以不断指导和修正的智能助手。
解释复杂主题：”黑洞”
选择一种解释风格，看看LLM如何调整其回答以适应不同的受众。
5. 高级提示技巧
掌握这些高级技巧，您可以处理更复杂的任务，让LLM的输出更符合您的预期。这就像从简单指令升级到编写一套完整的操作手册。
提示链 (Prompt Chaining)
提示链是将一个复杂的任务分解成多个简单的、连续的步骤。上一步的输出成为下一步的输入，从而实现更精确的控制。
第一步：“从以下客户评论中提取三个主要抱怨点：[长篇评论文本…]”
第二步：“针对这三个抱怨点：[上一步的输出]，为客服团队撰写一封内部邮件，提出改进建议。”
第三步：“将这封邮件 [上一步的输出] 总结成三条核心要点，用于团队晨会。”
6. 利用ChatGPT的特性
了解并善用LLM的内置特性，能让您的指令更高效。这包括利用对话记忆、设置系统级指令，以及处理可能的歧义。
💬 对话记忆 (上下文)
在同一个对话窗口中，LLM会“记住”之前的交流内容。您可以直接说“很好，现在把第三点展开说说”或“换一种更专业的语气”，而无需重复整个背景。但这记忆是有限的，对话过长可能会“忘记”开头。
⚙️ 系统级指令/自定义指令
某些平台允许您设置“系统指令”或“自定义指令”。这相当于给LLM一个永久的角色设定，比如“你是一位资深的市场分析师，回答问题时总是先提供数据，再给出结论，并注意风险提示”。这能确保在整个对话中，它的行为和风格保持一致。
❓ 处理歧义
当提示词有歧义时（如“苹果”），LLM会根据最常见的语境猜测。为了减少误解，请主动消除歧义，例如明确指出是“苹果公司”还是“水果苹果”，或者提供更多上下文线索。
💡 生成示例和情境
您可以直接要求LLM为您生成示例来帮助理解。例如，“请给我举一个使用Python的‘装饰器’的实际例子”或者“为我设计一个市场部和销售部沟通不畅的角色扮演场景”。
7. 创造性与实际应用
提示词工程不仅适用于技术任务，也能极大地激发创造力。通过精心设计的提示词，LLM可以成为您的写作伙伴、头脑风暴工具、编程助手等。
应用场景模拟器
选择一个场景，查看为该任务设计的专用提示词模板。
8. 评估与优化提示词
一个有效的提示词能产出准确、详细且相关的回答。本节将通过一个交互式图表，展示提示词的细节层次如何直接影响输出质量。
提示词细节层次与回答质量
点击图表中的不同柱形，观察提示词的细化如何改变回答的深度和广度。
提示词：
模拟回答：
9. 伦理使用与局限
作为强大的工具，负责任地使用LLM至关重要。了解其局限性和潜在的伦理风险，能帮助我们做出更明智的判断，避免产生有害或带偏见的内容。
⚠️ 需要注意的伦理问题
- 偏见（Bias）：LLM的训练数据源自真实世界，其中包含了人类社会的各种偏见。因此，其生成的内容可能无意中反映或放大这些偏见。在设计提示词时，应避免使用引导性或带有刻板印象的语言。
- 有害内容：不要试图引导模型生成暴力、仇恨、歧视性或其他有害的言论。
- 信息真实性：LLM可能会“一本正经地胡说八道”，即生成听起来合理但实际上是错误的信息（称为“幻觉”）。对于重要信息，务必进行事实核查。
- 隐私：切勿在提示词中输入个人敏感信息或机密数据。
📉 模型的主要局限性
- 知识截止日期：模型的知识不是实时的，它不知道在它的训练数据截止日期之后发生的事情。
- 缺乏真正理解：它通过模式匹配来生成文本，但没有真正的意识、情感或理解力。它无法“理解”笑话的幽默之处，只能模仿。
- 常识与推理：尽管表现出色，但在复杂的逻辑推理和物理常识方面仍可能犯低级错误。
- 数学计算：对于精确的、多步骤的数学计算，它不如专用计算器可靠，可能会出错。
10. 实验与精通
掌握提示词工程的最佳途径是不断实践、分析和反思。这个“提示词游乐场”为您提供了一个实验环境，帮助您将理论知识转化为实践技能。