废话不多说，分重点给大家介绍 17种提示词规则方法，带你一起体验提示工程的魅力。
可在没有提供任何示例的情况下，直接指示模型完成任务的方法。核心思想是，凭借大模型在海量数据中学习到的通用知识和能力，直接理解任务要求并给出正确的答案。
# prompt将情绪分类为中性、负面或正面。
文本：我今天太开心了！
情感：
利用大型语言模型 (LLM) 的能力，通过在提示词中提供少量示例，来引导模型完成特定任务的方法。与零样本提示不同，少样本提示通过示例来帮助模型理解任务的模式和规则，进而更准确地生成符合要求的输出。
# prompt“whatpu”是坦桑尼亚的一种小型毛茸茸的动物。 一个使用whatpu这个词的句子的例子是：我们在非洲旅行时看到了这些非常可爱的whatpus。 “farduddle”是指快速跳上跳下。 一个使用farduddle这个词的句子的例子是：
通过在提示词中引导大型语言模型 (LLM) 逐步进行推理，来解决复杂问题。CoT 提示鼓励模型一步一步地思考，模拟人类的推理过程，从而提高多步推理和逻辑分析类任务的表现。
# prompt这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。 A：将所有奇数相加（9、15、1）得到25。答案为False。 这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。 A：
更夸张的是，只需要把「让我们逐步思考」加入进去，就可以起效。这种称之为「零样本 COT 提示」。
# 反面案例# prompt我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？# output1个苹果# 利用COT得到正确答案# prompt我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？让我们逐步思考。# output首先，您从10个苹果开始。您给了邻居和修理工各2个苹果，所以您还剩下6个苹果。然后您买了5个苹果，所以现在您有11个苹果。最后，您吃了1个苹果，所以您还剩下10个苹果。
现在很多模型已经暗含了 COT 模式，分析非常细。
通过结合外部知识库的检索和大型语言模型 (LLM) 的生成能力，来提高LLM在知识密集型任务上的表现。
RAG 先从外部知识库中检索相关信息，然后利用检索到的信息进行生成，从而实现与事实更加一致，生成的答案更可靠，还有助于缓解「幻觉」问题。
使用 LangChain 构建 RAG（检索增强生成）应用：
https://python.langchain.com/docs/tutorials/rag/
主要包括以下步骤：
加载文档 (Loading documents): 从各种来源加载数据，例如文本文件，网页等。 分割文本 (Splitting text): 将文档分割成更小的文本块，以便于检索。 创建向量嵌入 (Creating embeddings): 将文本块转换为向量表示，以便于计算相似度。 存储向量 (Storing vectors): 将向量存储到向量数据库中，以便于快速检索。 检索相关文档 (Retrieving relevant documents): 使用用户的查询从向量数据库中检索相关的文本块。 利用LLM生成答案 (Generate answer with LLM): 将检索到的文本块和用户查询组合成提示，并使用 LLM 生成最终答案。
通过让大型语言模型 (LLM) 对其自身的输出进行反思和迭代，来提高LLM在复杂任务上的表现。 反思提示鼓励模型先生成一个初步答案，然后对该答案进行评估和反思，再反思结果进行改进，迭代生成最终的答案。
除了上述 5 个规则，还有 12 个重要的规则如下：
但本人使用的频率不高，所以篇幅限制就不在此展示了。
AI 目前还是非常考验使用者的。
如果掌握了更多的底层方法论，就能更好的融入日常工作。
