2023 年 ChatGPT 提示词指南：指令、示例与局限

在这份 2023 年 2 月的教程中，Matthew Berman 将 ChatGPT 介绍为语言模型的对话界面，并描述回答问题、写作和翻译等应用。流畅的回答仍可能错误或误导，因此重要事实和生成结果需要核查。

Berman 将提示词工程定义为清楚地写出自己想要的回答指令。他的简单示例从“海洋是……”开始，然后要求回答只有一个词，最后要求回答颜色。增加约束可以让回答更有用，但不能保证正确。

他把提示词拆成四个可能的部分：指令、上下文、输入数据和输出形式。例如，用户可以提供一份文档、要求摘要、说明目标读者并要求简短列表。并非每项任务都需要全部四个部分，格式应有助于区分指令与提供的材料。

讲解摘要时，Berman 先要求解释微波炉的工作原理，再要求缩短回答。他指出，一开始就要求一句话说明可以省去一步。指定长度、读者和形式很有用；技术解释仍应参照可靠来源核查。

信息提取要求模型识别给定文本中的细节；问答则可以通过指定读者或回答长度来调整。Berman 还演示将电影评论分类为正面、负面或中性。措辞含糊和缺少上下文都可能使这些任务出错。

Berman 介绍对话角色和客户支持，随后讨论用 GitHub Copilot 生成并解释代码。他说该工具为自己节省了时间，并展示了一个简单逻辑推理示例。生成的代码和解释仍需测试和审查，尤其是在真实系统中使用时。

零样本提示只给指令而不提供示例；单样本提供一个示例；少样本提供多个。示例能传达难以用简短指令说明的模式，但应具有代表性；除非适合共享，也不应包含敏感信息。

视频通过例题和要求解释的方式介绍思维链提示，随后介绍自一致性：采样不同推理路径，并依据答案的一致性作选择。这些方法在某些情况下有帮助，但多个回答可能共享同一种错误，解释也不能证明答案正确。

Berman 提到一道年龄题：一次早期回答错误地说 70 岁的人妹妹是 73 岁，后来使用自一致性的方法得出了 67 岁。两人的年龄差是三岁，因此 67 岁正确。他承认没有录下第一次失败，而且之后未能再次复现；这个例子不是受控评测。

生成知识提示要求模型先生成可能有用的信息，再在后续回答中使用它。这可能有助于组织回答，但虚构或错误的中间材料也可能污染结果。因此，仍需对照独立来源核查。

最后一部分介绍对抗性提示。在 Berman 的客服示例中，攻击者试图让模型违背商店的退货政策；其他例子则试图获取应用的隐藏指令或改变目标。这些例子说明把不可信内容当作指令时的提示注入风险，并非对任何当前模型都可靠的方法。

Berman 还介绍了通过改变请求表述来试图绕过模型防护的做法。防守方不应假设仅靠提示词就能保护应用：访问控制、验证和谨慎处理不可信内容都很重要。他推荐观众继续查阅学习资源，而短教程本身不足以让人立即成为专家。