去年也简单分享过prompt engineering (提示工程)，历史文章在这里：prompt工程简介🔗。

这一年来，不仅已经习惯了从与GPT的交流中获取答案和灵感，也适应了GitHub Copilot不经意间给的惊喜（惊吓，写得太棒了！）。

多了一些经验和感悟。

1. 个人经历

简答来说，个人经常用到的技巧有三个，跟之前文章里谈到的原则基本一致：

1. 清晰地描述问题

2. 提供足够多的上下文

3. 迭代式提问

分别说说。

你永远无法得到一个准确的答案，如果你连问题是什么都不清楚。这句话作为第一个技巧的注脚十分合适。

所以第一步，就是思考清楚你想问的问题，然后准确地写出提示词，最后丢给GPT等待回答。

至于怎么思考清楚，这个问题太大，不是今天文章涉的内容。这里要强调的是，只有清晰、具体的问题，才有可能得到一个高质量的反馈，否则就是鸡同鸭讲，毕竟目前GPT的水平，距离“读心”，还差得远。

第二点是你要给它足够多的信息，计算机领域里叫Context (上下文)。

这就很像我们人与人之间交流。有两个人在聊天，如果你中途才加入，会发现你完全听不懂他们在说什么，而此时如果旁边有人告诉你他们之前聊的内容，你就很容易参与进去。

GPT也是如此。你给的参考信息越多，它就越容易“理解”你的需求。

但是，有了前两点，还不够。

我之前也犯过类似的错误，总想着一把梭哈，一个问题，就得到最后的答案。

后来多次尝试后发现行不通。因为很多时候，一个提问里，不仅没有办法清晰地描述问题，也不能提供足够丰富的参考信息。回答内容自然差强人意。

不过没关系。我们有第三个武器。

第一次说不清楚，多说几次。

第一次信息不全，那我就多给你几次。

几轮交互下来，大体就能得到一个还不错的结果。

2. Open AI的官方指南

我今天花了点时间，读了下Open AI官方文档里的Prompt Engineering🔗。

核心的观点差不多。

官方给出了六点建议：

1. 写出清晰的指令
2. 提供参考信息
3. 将复杂任务分解成多个简单子任务
4. 给模型时间“思考”
5. 使用外部工具
6. 系统测试变更

每点建议下，都还附送了使用技巧和示例。

因为我平时使用GPT很少涉及复杂场景，因此细节上不展开，这里不提术，只谈道。

而且我认为，工具的学习就是要实用点，用多少，学多少，在起步阶段，把握几个核心原则即可。

像那些模拟角色（Ask the model to adopt a persona）、指定步骤（Specify the steps required to complete a task）的提示词，通常都有特定的应用背景，作为普通人不需要过多关注。

官方六点建议里的前两点，与之前所谈基本一致。

第三点很有意思，拆解复杂问题。这已经不单单是一个技巧了，更是一种解决问题的思考方式和通用步骤。

复杂的问题，通常涉及内容较多，很难一下子完全解决。此时合适的方案就是分割，将一个大问题拆分成几个简单的小问题，然后一个个解决小问题，最终把大问题解决。计算机领域里叫“分治（divide and conquer）”。

同样的思路，可以应用于prompt的编写上。如果一个问题很大，很麻烦，我们不妨先从几个相关的小问题入手，不断迭代式提问，最终把所有的答案收集汇总。

最后的三点，很像是对GPT不足之处的一种补充。

给模型时间“思考”，其实用到的是Chain of Thought🔗。也就是我们在迭代提问的时候，要有逻辑性，提问本身，也是一种思考。非线性的问题，GPT回答的并不好。

使用外部工具，是说GPT并非全能，也有它不擅长的领域，比如说，如果你想计算45*78，与其问它，不如用计算器。

系统测试，你只可能优化一个你可以测量的系统（Improving performance is easier if you can measure it）。这一点对于我们普通用户而言似乎意义不大，更像是给产品开发者的一句建议，毕竟稳定性对于一个产品而言是非常重要的。

3. 启发

GPT并不是一个搜索引擎，因为相较于一个客观问题，搜索引擎无疑能更高效地检索到正确结果。

GPT更像是一个能帮助你梳理混乱思路的好帮手。

所以我一直觉得，Copilot（副驾）这个名字起得真是极好。

你在提问，同时你也在思考，它（GPT）有时也会误导你，因为毕竟，人也会犯错，它也有它不擅长的领域。

总之，把它放到你的工具箱吧，好好地学习如何使用，并借此放大自身优势。

就像最近，时常听闻的“超级个体（Super Individual）”。以前觉得很难，现在觉得并非不可能。

或许科技发展，就是让更多不可能变得可能了。

不过同时也要意识到，人是目的，而非工具。

（完）

参考

1. prompt工程简介🔗
2. Prompt engineering🔗
3. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models🔗