Prompt工程的要求

在进行以上五个部分的prompt工程时，在寻找比较满意效果的prompt还需要注意以下几点： # 1.多提供关键词：关键词能够和指令提示相结合，以创建更具体和有针对性的生成文本 prompt:【你是一位擅长创作春联的专家，请根据我提供的主题为我写出一副与主题相关的春联，其中你提供的春联必须满足三引号中的4个格式要求：'''1、上下联字数必须相同。2、上联末句尾字用仄声，下联末句尾字用平声。3、要词性相对，位置相同。即名词对名词，动词对动词，形容词对形容词，数量词对数量词，副词对副词，而且相对的词必须在相同的位置上。4、上下联的含义必须相互衔接，但用词又不能重复。'''接下来我将提供给你我的主题和新的要求：主题：龙年、大吉】 response:【 上联：龙腾云海春光美 下联：吉兆丰年福满堂 】 # 2.把事情说详细：在工作中，往往也是上级安排的命令和要求越详细，我们完成的工作才能越加符合他们的预期，在训练大模型时亦是如此，将要点都详细的告诉大模型往往效果会更好 参照上一个prompt中，我们给出了非常详细且严格的对联格式要求，从而限制大模型的输出内容。 # 3.指定输出长度：在生成文本时，若我们需要限定字数，此时需要告诉大模型相关信息，避免生成字数过少或过多 prompt:【 请用200字左右总结以下内容： "医疗健康事关人民生命健康安全，对经验和知识依赖性强，对服务的精准性（Warnat-Herresthal et al.，2021）要求高，单纯依靠数据获得的解决方案往往存在较高的风险，需要医疗健康领域知识的支撑。在医疗健康领域，常见有 3 种不同类型的知识：一类是诸如医典、医学书籍、诊疗指南、临床路径等的通用医学知识，第二类是蕴含丰富专家知识的医疗健康案例知识，第三类是通过各种智能算法挖掘而获取的医疗健康推理知识。只有综合运用通用医学知识、医疗健康案例知识和医疗健康推理知识，才能较好地解决一些高风险的复杂医疗健康管理决策问题（Ben-Assuli and Padman，2020）。如何开发利用医疗健康大数据驱动知识服务创新，提升我国医疗健康服务机构管理决策水平和提高资源利用效率，推动国家分级诊疗制度加速落地，还面临着许多难题。例如：如何面向全流程诊疗决策需求，对跨组织医疗健康大数据进行有效治理和融合？如何基于医疗健康大数据构建集辅助医疗、服务、管理为一体的医疗健康知识服务平台，为患者提供贯穿医疗健康全流程的智慧诊疗服务，为医护人员提供医疗决策、调度、评价、协作、质控精细化的智慧管理服务？上述问题的解决，还有待于医疗健康知识发现和服务方法创新。这不仅是我国实现全周期、全方位医疗健康服务的关键，也是新医改和分级诊疗背景下中国特色的智慧医疗健康管理理论创新的必由之路。 学术界围绕着医疗健康大数据驱动的知识服务也开展了广泛的研究，在多模态大数据融合、知识图谱、医学知识推理、医疗知识推荐方法等方面取得了较为丰富的成果（Lin et al.，2017；Liu et al.，2020；马费成、周利琴，2018），为医疗健康知识服务创新奠定了坚实的基础，但在跨组织多模异构数据治理、案例知识组织、知识的动态更新、人机协作的知识生成与知识发现、推荐方案的情景约束与优化迭代等方面还存在许多空白，限制了医疗健康知识服务的准确性和能力。因此，本文针对分级诊疗背景下医疗健康管理决策对知识服务的现实要求，提出了医疗健康案例知识组织与知识动态更新方法、带有评价机制的医疗健康推理知识生成方法、基于优化型深度集成学习的医疗健康知识发现方法，在此基础上提出了考虑综合效用和多样性的医疗知识服务推荐方法，并通过某三甲医院医疗集团知识服务平台案例实践，验证了所提出的知识发现和知识服务方法的有效性。本研究的基本框架如图1所示。" 】 response:【 医疗健康关乎人民生命安全，对知识和服务精准性要求高。解决高风险复杂问题需要综合运用通用医学知识、医疗案例知识和推理知识。开发利用医疗大数据驱动知识服务创新，提升管理决策水平和资源利用效率，推动分级诊疗制度落地，面临难题如跨组织数据治理和融合、构建全流程智慧诊疗服务平台等。学术界已取得多模态大数据融合、知识图谱等方面的成果，但仍需解决跨组织数据治理、案例知识组织等问题。本文针对分级诊疗背景下的知识服务需求，提出案例知识组织与动态更新、推理知识生成、深度集成学习的知识发现方法，以及考虑综合效用和多样性的医疗知识服务推荐方法，并通过实践验证其有效性。 】 # 4.长文本用总结：在我们输入一段很长文本给大模型时，由于字数限制大模型可能无法全部读取，此时我们能将全篇文本进行分段，将前面内容让大模型总结从而将总结的内容衔接后面的内容，达到层层递进理解的效果 假设我们有一篇长篇小说，总字数超过了大模型一次性处理的限制。我们可以将小说分成若干段落，每次输入一个段落给大模型。比如： prompt:【请帮我总结三引号中的内容，要求简要概括要点。'''在一个宁静的小村庄，有一位年迈的老人，他有一只名叫旺财的可爱狗。'''】 response:【小村庄的老人有一只可爱的狗，名叫旺财。】 接着，我们将上一段的总结和下一段输入给大模型： prompt:【请帮我总结三引号中的内容，要求简要概括要点。'''小村庄的老人有一只可爱的狗，名叫旺财。旺财是一只聪明活泼的狗，总是陪伴着老人漫步在田园间。'''】 response:【小村庄的老人有一只名叫旺财的聪明活泼的狗，它总是陪伴着老人在田园间漫步。】 这样逐步输入并总结，大模型能够逐渐理解并保持对整个长文本的准确理解。 # 5.结尾可加约束：我们在提出问题时可以在结尾加一个"用户输入的问题："这样相当于强调我们主要要分析的内容是结尾输入的这部分内容，帮助大模型更好的进行分析。 参照1中prompt对联的案例，我们提示模型接下来我们将提供主题和要求的内容，从而帮助大模型注意到要点。