用BACK模型写好提示词

[title]胡凯翔：构建提示词的方法——基于阅读Claude Cookbook的思考和测试[heading2]二、构建提示词[heading3]1、充分描述任务但是初涉提示词的我们不一定能够想到应该写什么样的背景，定义什么样的术语，给出什么样的模型，这个技巧是否对这种情况束手无策呢？“将编写提示词当作一种思维磨练，它会带来无限可能。”如果我们尝试以这个技巧为蓝本，改写一下官方的prompt会怎么样呢？～～～～～～～～～（改写prompt开始）prompt:answer:好的，我明白您的要求。接下来，我将在回答每个问题之前按照您提供的思考方式为您提供背景、定义术语和模型，以帮助您更好地理解和回答您的问题。请继续提出您的问题，我会按照您的要求回答。测试结果详见下图：（改写prompt结束）～～～～～～～～～这个技巧有点类似“Step-Back Prompting”（后退提示），让大语言模型能够在你不知道要怎么给它更多的细节时帮助你拓展思路，此处仅抛砖引玉，更多关于后退提示的内容可以参考以下论文《Take a Step Back:Evoking Reasoning via Abstraction in Large Language Models》内容：https://arxiv.org/abs//2310.06117#:~:text=We%20present%20Step%2DBack%20Prompting,from%20instances%20containing%20specific%20details.刀越磨越利，文时看时新。希望今日重读修改之文，能引发一点点诸君的思想涟漪。

作者：刘宇龙按照这个思路写了下提示词，最好在代码解释器里玩。熟悉框架后就不需要提示词了，直接追问也可以达到类似的效果。效果展示：就是提问者本人知道应该如何追问，比如问“巴以冲突的原因，要求从地理、历史和参与方几个方面进行分析和回答”，然后根据GPT的回答，根据后退提问的策略，进一步追问。换句话就是学到这种提问技巧，而不是依赖提示词模版Step-Back Prompting更多的是一种追问技巧是一种思路，这种思路应该有其适合的问题和边界针对以上内容几位同学做了讨论根据上面的对话内容，他们在讨论有关AI的Step-Back Prompting技巧和如何最大化地发挥其效果。以下是他们的讨论内容及结论：|讨论者|主要内容|结论或观点|<br>|-|-|-|<br>|少卿|提到了直接回答和其他邪门的cases，讨论了关于紫色的说明。考虑了多种prompt技能的最大化发挥前提及边界。|提出思路和适用的问题边界是关键。|<br>|刘宇龙Rryu|认为Step-Back Prompting主要是一种追问技巧，并提出了对巴以冲突的原因进行询问的建议。他的体感是模型应该自己升级，并学会提示策略完成推理任务。|1.模型应该自己升级2.学会提示策略|<br>|张佳|提到了审视问题的重要性，并认为这是一种特别好的解决问题的方式。|遇到问题时要先审视问题本身。|<br>|煮酒四郎|建议增加一种方法论。||<br>|少卿|同意了2的感受，并提到了模型自己的升级不会取代“思路”。考虑了对“普通人”的产品化。|模型自己的升级不会取代“思路”。|<br>|刘宇龙Rryu|赞同了产品化交付的门槛更低的观点。|产品化交付的门槛更低。|

其中：(C)上下文（Context）也就是Background，讨论的背景信息，让大语言模型聚焦在我们讨论的具体场景下。避免偏离主线瞎扯。如：公司正在研发一个新产品，为公司会议准备简报(O)目标（Objective）希望大语言模型要做的事，清晰明确的目标，传统的SMART原则能帮我们梳理。如：生成一份关于市场趋势的报告(S)风格（Style）大语言模型的语言风格。它有点像其他框架中的角色（Role），希望激发那个角色的训练数据。如：希望资深商业顾问的风格写(T)语气（Tone）指定大语言模型回复时的态度。符合我们期望的情绪和情感，比如严肃的，言简意赅的等如：正式且严谨(A)受众（Audience）指定目标受众。可以理解为对上面上下文的一个补充。我们希望大语言模型给出，我们能听懂的行话。如：企业高管(R)答复/回应（Response）返回的格式，列表形式，会话形式，Markdown格式等等。如生成一份包含图表和数据的报告结构化提示词，帮我们更好梳理需要大语言模型解决的问题。随着学习的深入，掌握了提示词的基本技巧以后，我们开始思考，如何把它们应用在更复杂的分析决策中。