本系列文章介绍了作者在新加坡首届 GPT-4 Prompt Engineering 大赛中使用的策略技巧
1.使用 CO-STAR 框架构建提示语
2.使用分隔符（delimiters）将提示语分段
3.使用 LLM guardrails 创建 system prompts
（"guardrails" 指的是一种保护机制或限制，用于确保大语言模型生成的内容符合特定标准或要求，防止产生不准确、不合适或有害的信息。）
4.仅使用 LLM（无需插件或代码）分析数据集——将介绍一个使用 GPT-4 分析真实 Kaggle 数据集的实践示例
01 使用 CO-STAR 框架构建提示语
-
（C）Context：提供任务的背景信息
有助于 LLM 理解正在讨论的具体语境，确保其回答是相关的。
-
（O）Objective：确定希望 LLM 执行的任务是什么
明确目标任务有助于 LLM 将其回答重点放在实现某一特定任务上。
-
（S）Style：指明希望 LLM 使用的写作风格
可以设置为某位著名人物的写作风格，也可以是某个专业领域的专家，比如商业分析专家或首席执行官。这样能够引导 LLM 以符合用户需求的方式和用词做出回答。
-
（T）Tone：需要确定大模型回答用户提示词的态度
这样可确保 LLM 的回答与所需的情感或语境相呼应。例如，正式、幽默、感同身受等。
-
（A）Audienc：确定回答的对象
根据回答对象的身份（如某一领域的专家、初学者、儿童等）量身定制 LLM 的回答，确保其在所需的语境中是恰当和可以理解的。
-
（R）Response：提供 LLM 回答的格式
该功能可以让 LLM 以下游任务所需的准确格式输出。例如，列表、JSON（JavaScript Object Notation）、专业报告等。对于大多数以编程方式在下游操作 LLM 回答的 LLM 应用程序来说，JSON输出格式是最理想的。
1.1 实际案例
假设您是一名社交媒体经理（social media manager），需要帮助起草一则 Facebook 帖子，以宣传公司的新产品。
没有使用 CO-STAR 的提示语（prompt）结果很垃圾，不展示了。
用CO-STAR：
#CONTEXT#
I want to advertise my company’s new product. My company’s name is Alpha and the product is called Beta, which is a new ultra-fast hairdryer.
#OBJECTIVE#
Create a Facebook post for me, which aims to get people to click on the product link to purchase it.
#STYLE#
Follow the writing style of successful companies that advertise similar products, such as Dyson.
#TONE#
Persuasive
#AUDIENCE#
My company’s audience profile on Facebook is typically the older generation. Tailor your post to target what this audience typically looks out for in hair products.
#RESPONSE#
The Facebook post, kept concise yet impactful.
02 使用分隔符（delimiters）将提示语分段
分隔符（Delimiters）是一种特殊的 tokens ，LLM 通过分隔符（Delimiters）将提示语分成不同的部分，以便确定哪些部分构成一个意义单元。这一点很重要，因为整个提示语（prompt）是以一长串 tokens 的形式到达 LLM 的。分隔符通过将提示语（prompt）的特定部分划分开再以不同的方式对待，为整个 tokens 序列提供了合理的结构。
值得注意的是，对于简单的任务，分隔符可能不会对 LLM 的回答质量产生影响。然而，任务越复杂，使用分隔符对 LLM 回答的影响就越大。
2.1 将特殊字符作为分隔符
分隔符可以是任何通常不会一起出现的特殊字符序列，例如
- ###
- ===
- >>>
所选特殊字符的数量和类型并不重要，只要它们足够独特，能让 LLM 将其理解为内容分隔符而非普通标点符号即可。
下面举例说明如何在提示语（prompt）中使用此类分隔符：
Classify the sentiment of each conversation in <<<CONVERSATIONS>>> as
‘Positive’ or ‘Negative’. Give the sentiment classifications without any other preamble text.
EXAMPLE CONVERSATIONS
[Agent]: Good morning, how can I assist you today?
[Customer]: This product is terrible, nothing like what was advertised!
[Customer]: I’m extremely disappointed and expect a full refund.
[Agent]: Good morning, how can I help you today?
[Customer]: Hi, I just wanted to say that I’m really impressed with your
product. It exceeded my expectations!
EXAMPLE OUTPUTS
Negative
Positive
<<<
[Agent]: Hello! Welcome to our support. How can I help you today?
[Customer]: Hi there! I just wanted to let you know I received my order, and
it’s fantastic!
[Agent]: That’s great to hear! We’re thrilled you’re happy with your purchase.
Is there anything else I can assist you with?
[Customer]: No, that’s it. Just wanted to give some positive feedback. Thanks
for your excellent service!
[Agent]: Hello, thank you for reaching out. How can I assist you today?
[Customer]: I’m very disappointed with my recent purchase. It’s not what I expected at all.
[Agent]: I’m sorry to hear that. Could you please provide more details so I can help?
[Customer]: The product is of poor quality and it arrived late. I’m really
unhappy with this experience.
>>>
上述案例使用分隔符 ### 进行分隔，分隔内容的标题 EXAMPLE CONVERSATIONS（示例对话）和 EXAMPLE OUTPUTS（示例输出）用大写字母与其他内容进行区分。需要进行情感分析的对话被划分在<<<CONVERSATIONS>>>内，这些对话随后在提示语（prompt）的底部直接提供给LLM，没有任何解释性文本，但由于分隔符 <<< 和 >>> 的存在，LLM 知道这些是它应该进行情感分析的对话。
以下是来自 GPT-4 的输出结果，直接输出情感分析结果，没有其他乱七八糟的内容，就是我们要求的那样。
Positive
Negative
2.2 将 XML 标签作为分隔符
使用 XML 标签作为分隔符是另一种使用分隔符的方法。XML 标签是用尖括号括起来的标签，包括开始标签和结束标签。例如，<tag>和</tag>。这种方法是比较有效的，因为大语言模型（LLM）已经在许多 XML 格式的 Web 内容上进行了训练，并学会了理解这种格式。不举例了，因为XML我不熟。
