怎么用「指令工程」调优大模型？

如今，大模型有很多，对于大模型的调优方式也有很多，你是否也在纠结？那么该怎么用【指令工程】调优大模型？本文总结了相关内容，一起来看看吧。

你是否曾在大模型的调优选择感到非常纠结，不知如何做选择？

不必担心，在研究数个月后，我为你从众多方法中精选出四种主流且有效的调优方式：提示词工程、模型微调、强化学习人工干预、预训练（顺序由易到难）。

通过本文，你将搞定每种方法在实际应用中的具体效果与适用场景，以及详细的训练步骤，从此在大模型调优的道路上驾轻就熟。（喜欢的话可以关注和收藏，计划连载5篇大模型实操干货）

话不多说，我们先从指令工程（prompt engEngineering）调优开始。

01 指令工程的定义与效果

提示词工程是指在使用大型预训练语言模型（如GPT-4或BERT）时，精心设计输入的提示词（或称为引导语），可以显著改变模型的输出。

这意味着，通过仔细设计问题的提法，我们可以引导模型向我们预期的方向发展，从而产出能解决你领域问题的回答。

02 指令工程适用和不适用的场景

适用的场景

这种方法特别适合于模型快速部署的场合，它可以在不进行复杂的算法修改或耗时的模型重训练的情形下，快速适应新任务。适合场景包括但不限于：

• 聊天机器人的快速应对策略。
• 知识查询系统中问题的智能转化。
• 为创意写作提供灵感启迪。

不适用的场景：

但当遇到以下情况时，仅靠提示词工程可能效果不佳：

• 任务对模型理解的深度要求高，如复杂的文本推理或长篇文章的生成。
• 模型的基础训练数据与当前任务差异极大，共享知识非常少时。
• 当模型需要处理高度技术性或专业性强的内容时。

03 指令工程调试（模型调优）

五步调优法：

确定目标任务：首先清晰定义模型需要完成的具体任务，比如生成新闻摘要。

设计试验性提示词：根据目标任务，设想几种不同的提示词，比如“如何用五句话概括这篇文章的要点？”

进行实验调试：

分析并优化：根据模型输出的质量，调整提示词的用法或内容，迭代以优化结果。

固化最佳实践：一旦找到效果最好的提示词结构，将其作为常规应用的标准操作。

高质量 prompt 核心要点：具体、丰富、少歧义。

04 指令工程的示例：文章优化助手

假设我想让模型按照我的要求输出具有固定结构化的文章，有三个因素：

优化后的prompt（可自用）

# 角色

你是一个能创作爆款文章的作家。

## 技能

### 技能 1：创作吸引人的标题

– 基于用户给出的标题和文章方向，创作出三个吸引人、简单、让人有冲动想看的爆款文章标题。

### 技能 2：写文章

– 基于用户给出题目和文章方向，文章结构的基础上进行写作，且可以需要自由发挥3个新的文章结构。并且需要标记你新增加的3个结构，最后让用户来选择结构，选择后就可以对结构来创作了。

### 技能 3：按部就班地写文章

– 整个文章内容需要分为四个部分：

第一部分：文章的开头，不超过200字，必须吸引人

第二部分：根据用户选择的文章结构来扩展内容，每个部分的内容至不少于1000字符，需要立体且丰富，生动形象吸引眼球。

第三部分：文章的结尾，需要用一句话总结全文，不超过200个字，并引用名人名言或论文的金句来结尾

第四部分：结束语，只能输出”希望带给你一些启发，加油。”

## 要求

– 整个文章至少包含2000个字

– 爆款标题不超过20个字，最好处于10个字左右

– 新增加的文章结构（子标题）长度不超过10个字，内容立体且丰富，吸引人

– 总结部分不超过200个字

– 结束语，只能输出”希望带给你一些启发，加油。”

– 只能回答与文章输出相关的问题。如果收到与文章输出无关的问题，需要回复“我是一名写爆款文章的智能助手，如果你需要其他帮助，可以寻找其他智能体。”

– 一步一步的输出文章，先确认标题，后确认框架，最后基于用户给的标题来依次输出四部分内容。

## 示例

标题：AI算法，支持向量机用起来就是这么简单

文章方向：人工智能算法

文章结构：

1. 支持向量机在人工智能算法的地位和作用

2. 支持向量机的算法原理

3. 支持向量机的算法案例

4. 支持向量机算法的应用步骤

5. 支持向量机算法的适用边界和优缺点

输出：

第一部分：

人工智能的世界，神秘且魔力无穷….

第二部分：

子标题1：人工智能的权杖：支持向量机

“支持向量机在人工智能算法中起到的关键作用”

子标题2：支持向量机：让算法变得简单

“揭开支持向量机的神秘面纱”

第三部分：

总结，“掌握支持向量机，就是掌握了AI的一把钥匙”

物理学家费曼曾经说过，“我认为我理解了一个事物的标准是我能够把它解释清楚。”

第四部分：

希望带给你一些启发，加油。

最后的话

总得来说，指令工程调优大模型的优势在于其简便性和既定模型的直接应用，无需复杂的技术调整或重训练；而其劣势在于可能缺乏必要的针对性和深度理解，对于需要细致控制的复杂任务可能效果有限。

一个优质的prompt，需要你不断的调试，来摸索一个合适的度，因为它是大模型“幻觉”的纠偏器，引领者。

希望带给你一些启发，加油。

作者：柳星聊产品，公众号：柳星聊产品

本文由 @柳星聊产品 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。