我們可以將提供細節、規則和指導來引出更有針對性的輸出。透過提供詳細的細節、規則和指導，我們可以增強模型的效能，並影響其輸出。我們可以透過提供細節、規則和指導來更準確地輸出，從而使提示詞更加具體一些。
設計模式是一種通用的解決常見問題的可重複解決方案。每個設計模式絕不是一個可直接應用於問題的完整解決方案，而是一個可用於更好地建立應用最佳實踐的解決方案的範本或框架。設計模式在物件導向程式設計領域應用廣泛，老碼農嘗試總結了提升工程中的10個常見設計模式。
1. 人物角色模式
人物角色模式是一種透過向語言模型輸入特定的人格或說話的語氣來實現。透過定義不同的角色，我們能夠足夠控制生成文字的風格和方式，以適應各種不同的應用場景。以下是一些範例：
- 客戶支援：在客戶支援領域，一個友善、耐心的角色可能更有效地與客戶溝通，解決問題並提供協助。例如，當客戶提出問題時，語言模型可以以禮貌和親切的語氣回應，並提供清晰明了的解決方案，從而增強客戶滿意度。
- 故事敘述：在虛構故事或創意寫作中，不同的角色可能需要有不同的語氣和情感表達。例如，一個幽默風趣的角色可能會使用幽默感和誇張來講述故事，而嚴肅的角色可能會使用嚴肅和冷靜的語調。
- 教育內容：在教育領域，語言模式可以扮演各種不同的角色，以便更好地適應不同學習者的需求和學習風格。例如，對於兒童教育內容，模型可以採用輕鬆、活潑的語調來吸引他們的注意力，而對於專業技術課程，模型可以採用更正式、嚴謹的語調來傳遞知識。
透過不同的人物角色模式和語言模型，可以增加靈活性和個人化表達，從而提高與使用者的互動體驗，並在各種應用場景中發揮更大的作用。
2. 食譜模式
食譜模式提供了一種適用於需要詳細和連續指令的任務非常有價值的方法。它可以產生大型模型的文本，例如教程、流程文件或安裝指南。這種模式需要詳細的和連續的指令，例如教學課程、流程文件或安裝指南。例如，可以使用此模式來產生教學課程、流程文件或設定指南。
- 教學：想像一下，正在寫一篇教學文章，向讀者介紹如何學會某項技能，例如學習程式設計或學習繪畫。透過食譜模式，你可以提供清晰的步驟和指導，使讀者能夠逐步理解和實踐所學內容，從而更容易掌握新技能。
- 流程文檔：在工業生產或科學實驗中，經常需要編寫詳細的流程文檔，以記錄和共享操作步驟。利用食譜模式，你可以逐步描述每個操作步驟，確保讀者能夠準確地重現操作過程，從而提高工作效率並減少錯誤發生的可能性。
- 製作組裝指南：在製造業中，製作組裝指南對於工廠工人來說至關重要。你可以為每個組裝步驟提供詳細的說明，包括所需工具、材料和操作步驟，以確保產品能夠正確組裝並符合品質標準。
透過這種模式，大型模型可以提供連貫性和結構性的文本輸出，使讀者能夠輕鬆理解和實踐其中的指導，從而在各種應用場景中實現更有效率的工作和學習。
3. 反向查詢模式
在反向查詢模式中，大模型被要求以一種特殊的方式工作：首先，它接收一個輸入或回應作為啟動條件，然後被要求生產最適合的查詢或輸入，以產生特定的輸出。這種技巧不僅可以用於問答場景，還可以應用於各種其他情境。例如，在搜尋引擎領域，大模型可以透過反向查詢的方式，將使用者的搜尋內容轉換為最適合的搜尋結果。這種技術在文字生成、自然語言處理和其他領域都有廣泛的應用。
- 智慧助理：假設你正在與智慧助理對話，你問了一個問題，但你想深入了解更多相關資訊。在這種情況下，反向查詢模式可以套用。你的智能助理可以根據你的問題產生一個回應，然後詢問你是否想了解更多相關內容，從而引出更深入的查詢。
- 搜尋引擎優化：在網頁內容創作中，反向查詢模式可以用來優化搜尋引擎結果。假設你是網站管理員，希望你的網站在特定的搜尋查詢中排名更高。你可以使用反向查詢模式來創建內容，以確保網站在搜尋引擎中出現在相關的查詢結果中。
- 個人化推薦系統：在電子商務或內容推薦領域，反向查詢模式可以用於個人化推薦系統。系統可以根據使用者的行為和偏好產生一些輸出，然後根據這些輸出產生相應的查詢，以提供更個人化和精準的推薦。
透過反向查詢模式，大型模型能夠根據特定的輸入輸出產生對應的查詢或輸入，從而更好地滿足使用者的需求，同時提高系統的效能和使用者體驗。
4. 輸出自動化模式
自動化模式是一種利用指示詞來規範化大型模型產生結構化或格式化輸出的方式，以實現重複任務的自動化。舉例來說，它可用於以下情況：
- 報告產生：在企業環境中，每天都需要產生銷售報告。透過輸出自動化模式，可以將銷售資料輸入到語言模型中，然後產生預先定義格式的報告，省去了手動編寫報告的時間和勞動。
- 摘要產生：在學術研究中，需要從大量文獻中提取資訊並產生摘要。利用輸出自動化模式，可以令大模型根據使用者給定的關鍵字或主題自動產生文獻摘要，大大提高了處理大量文字的效率。
- 回應產生：在客戶服務領域，經常需要對客戶的常見問題進行快速回應。透過輸出自動化模式，可以根據問題的關鍵字或分類，讓語言模型自動產生適當的回應，從而提高客戶服務的效率和準確性。
- 程式碼編寫：對於開發人員來說，編寫重複性程式碼是一種常見的任務。輸出自動化模式可以用來指示語言模型根據使用者選擇的首選編碼語言自動產生程式碼段，從而加速開發過程並減少編碼錯誤。
自動化模式的特別是在挖掘和數據分析、內容生成和軟體開發等領域中，它能夠足夠大大提高工作效率和準確性。
5. 思考鏈模式
思考鏈（CoT）模式是一種引導大模型依照特定的推理或論證路徑進行產生的技術。這種模式對於創作有說服力的文章、評論或複雜的討論非常有價值，因為邏輯流是建立其可信度和可理解性的關鍵要素。以下是一些範例：
- 評論文章：在撰寫評論文章時，必須確保論點的邏輯連貫性和嚴謹性。思維鏈模式可以指導語言模型按照辯論的邏輯結構產生論點、反駁和結論，從而使文章更具說服力和邏輯性。
- 科學論文：在科學領域，論文必須以科學推理為基礎，確保實驗結果和結論的可信度和可重複性。思維鏈模式可以幫助語言模型依照科學推理的邏輯鏈條，從問題陳述到實驗設計再到結果分析，產生符合科學標準的論文。
- 辯護詞：在法律場景中，律師必須提供有力的辯護詞以支持其客戶。思維鏈模式可以引導語言模型依照法律邏輯產生辯護詞，包括陳述事實、引用法律條文、提出論證和反駁對方觀點，從而為案件提供強而有力的辯護。
透過思維鏈模式，大模型可以按照邏輯思維的路徑生成文本，使其更具連貫性、說服力和可理解性，從而在各種領域中發揮重要作用。
6 圖譜輔助模式
圖譜輔助模式是一種利用已有知識來增強提示的方法，從而幫助大型語言模型產生更準確的輸出結果。這種模式透過將知識圖譜或領域專業知識與模型結合，以提供更多背景資訊和上下文，從而改善模型的理解能力和輸出品質。以下是部分範例：
- 醫學診斷：在醫學領域，圖譜輔助模式可以用來幫助語言模型更好地理解臨床病例或醫學報告。透過結合醫學知識圖譜和病患歷史記錄，模型可以產生更精準的診斷建議或治療方案。
- 智慧客服：在客戶服務領域，圖譜輔助模式可以用來改善智慧客服系統的回應品質。模型可以利用產業領域知識圖譜，為客戶提供更專業且準確的解決方案，從而提高客戶滿意度。
- 法律諮詢：在法律領域，圖譜輔助模式可以幫助語言模型更好地理解法律文件或案件細節。透過整合法律知識圖譜和案例法規，模型可以提供更精準的法律建議或法律分析，幫助律師和法律專業人士更好地處理案件。
透過圖譜輔助模式，大模型可以利用豐富的知識資源來增強其輸出的準確性和可靠性，從而在各種應用場景中發揮更大的作用。
圖片
7. 事實檢查模式
為了降低產生錯誤或誤導資訊的風險，事實檢查模式促使大型語言模型根據可靠的外部來源或資料庫驗證其輸出。這種模式鼓勵大模型提供支持性證據來證明其答案的可信度，從而促進準確的結果。以下是一些範例：
- 新聞報導：在新聞領域，事實檢查模式可以幫助語言模型驗證新聞事件的準確性。模型可以引用可信的新聞機構或官方消息來源，以支持其報導的事實，從而減少虛假資訊的傳播。
- 學術論文：在學術寫作中，事實檢視模式可以確保語言模型引用了經過同行評審的研究或權威性數據，以支持其論述。這有助於確保論文的準確性和可信度。
- 醫學諮詢：在醫療領域，事實檢查模式可以幫助語言模型核實醫學資訊的準確性。模型可以引用權威的醫學期刊或醫學資料庫，以支持其提供的醫學建議或解釋，從而降低誤導性資訊的風險。
透過事實檢視模式，大模型可以提供更可靠和準確的輸出，從而增強其在各種應用場景中的可信度和實用性。
8. 反射模式
反射模式鼓勵大模型以批判性的視角評估其生成的文本。這種模式促使大模型審視其輸出中存在的潛在偏見或不確定性。以下是一些範例：
- 社群媒體評論：在社群媒體上，語言模型可能被用來產生評論或回應。在反射模式下，模型應反思其產生的評論是否存在歧視性言論或誤導性訊息，並儘可能避免這些問題。
- 新聞報導：在新聞報導中，語言模型可能被用於撰寫文章或提供評論。在反射模式下，模型應檢視其產生的內容是否準確、客觀，並且是否有可能受到外在因素的影響。
- 教育資料：在教育領域，語言模型可能被用來產生教育資料或解答問題。在反射模式下，模型應考慮其產生的內容是否有益於學習，是否存在錯誤或主觀偏見，並且是否需要進一步的核查或修正。
透過反射模式，大模型可以更自覺地評估其輸出，避免不當的言論或誤導性訊息，並且提供更負責任和可信的回答。
9.問題精煉模式
問題精煉模式是一種迭代方法，其中根據語言模型的回饋不斷最佳化輸入的查詢或提示。透過分析模型對不同提示的回應，開發人員可以微調查詢，從而提高模型的效能。以下是一些範例：
- 搜尋引擎優化：假設你是一個網站管理員，你想透過搜尋引擎優化來提高你的網站在搜尋結果中的排名。你可以使用問題精煉模式來不斷優化你的搜尋查詢，根據語言模型的回饋調整關鍵字、語句結構等，以提高你的網站在搜尋引擎中的可見度。
- 語音助理：在語音助理應用程式中，使用者可能會提出各種問題或指令。透過問題精煉模式，開發人員可以分析語言模型對不同查詢的回應，然後調整使用者介面或系統設置，以改善語音助理的準確性和回應速度。
- 自然語言處理應用：在自然語言處理應用中，例如聊天機器人或智慧客服系統，問題精煉模式可以用來不斷最佳化模型的回應。開發人員可以透過分析模型對使用者不同問題的回答，然後對模型進行微調，使其更加智慧和適應性更強。
透過問題精煉模式，開發人員可以與語言模型進行交互，不斷改進模型的效能和效果，從而提供更好的使用者體驗和更準確的結果。
10.部分拒絕模式
有時，人工智慧模型在面對複雜的查詢時可能會回答「我不知道」或拒絕產生輸出。為了更有效地處理這種情況，引入了「斷路拒絕模式」。這種模式的目標是訓練模型在面對困難或無法準確回答的情況下，能夠提供有用的答案或部分答案，而不是直接拒絕。以下是一些範例：
- 聊天機器人：當使用者向聊天機器人提出一個超出其知識範圍的問題時，傳統的做法可能是簡單地回答「我不知道」。然而，透過斷路拒絕模式，聊天機器人可以嘗試根據現有的資訊或上下文提供相關的資訊或建議，即使是部分答案也能為使用者提供一些幫助。
- 搜尋引擎：當搜尋引擎無法找到與使用者查詢完全匹配的結果時，通常會顯示一則訊息，說明找不到結果。然而，採用此模式，搜尋引擎可以嘗試根據使用者查詢的意圖提供相關的內容，即使沒有完整的答案，也能提供一些相關資訊或指導。
- 語音助理：在語音助理應用程式中，當使用者提出一個超出語音助理知識範圍的問題時，語音助理可以採用斷路拒絕模式，嘗試提供有用的提示或建議，以幫助用戶更好地理解或解決問題，而不是簡單地回答「我不知道」。
透過此模式，人工智慧模型可以更靈活和智慧地處理複雜的情況，提高其適應性和使用者體驗。
沒有結束
提示工程的設計模式是一種強大的工具，能夠更好地發揮大模型的能力。本文介紹的這些模式可以幫助提高給定大模型的整體品質。透過利用這些模式，我們可以自訂特定用例的輸出，識別和糾正錯誤，並優化提示以獲得更準確和更富有見地的回應。隨著人工智慧技術的不斷發展和新模式的湧現，提示工程仍可能是創造更可靠和更智慧的人工智慧會話系統的關鍵因素之一。
