为更好的使用大模型必须要足够的了解它否则得到的结果会总是不尽如人意。提示词是什么用户输入给大语言模型的指令包括文本图片等用于引导模型生成符合预期的输出。过程原理将文本转为向量Embedding然后进行注意力机制层通过概率分布循环预测下一个字直至结束。由此其实可见其结果本质还是概率问题只要问题存在分歧必然会出现一次错误的答案也是因为这样在面对需要高精度的场景如金融行业下的问题时必须规定各个步骤不断放大正确的答案的概率。特性谄媚效应经常使用大模型的同学可能会发现大模型总想要讨好用户最经典的就是很“茶”的豆包。大模型会倾向于附和用户的观点即使该观点存在明显错误或偏见。比如在我提供一个想法的时候如果加上一些带有偏见的词语那么大模型大概率会顺着你说。角色依赖性这个知道的比较多在和大模型进行对话的时候最好设定好大模型的人设定位这样能更好的从对应的角度来进行回答。比如你问减肥相关的问题设定是健身教练和设定是中医那么它的回答的角度将截然不同。上下文敏感大模型不仅仅会关注你问的当前问题还会结合对话历史、背景信息、甚至你之前提到的细节来生成回答。例如如果你在对话中提到“我正在写一本关于明朝历史的小说”后续再问“如何描写宫廷斗争”AI 会自动关联“明朝”这一背景而非泛泛谈论古代宫廷。因此提供完整、清晰的背景信息是获得精准回答的关键。这也是为什么“上下文简报”被列为 Anthropic 内部提示词框架的首要步骤。指令模糊性AI 对模糊指令的理解能力有限。这也很好理解相当于你问一个陌生人自己的爱好。因此我们需要给足AI需要的信息。网络搜索的时效性和可信度在AI大模型进行网络搜索的过程中很有可能会找到已经过时的网页信息或者带有错误信息合伙由于读取网页不完整导致的信息错误。解决方法1. 不要使用带有偏见的定语而是经常使用“客观”这样的词去阐述问题2. 设定人设和定位3. 提供完整的信息可以参考ICIO、BROKE以及CREATE框架来进行提问4. 我们还可以使用一些策略来进一步提高准确性如CoTReAct等5. 如果涉及到网络查询提示词中添加“完整查看网页”“最新”等关键词做到以上的方式也不能100%做到每次的回答都是准确无误的在高精度的场景下还需要配合评估测试来进一步提升最终结果。