跳到主要内容

激励能力

当您第一次开始使用MIUI模型时，您的第一次交互将围绕提示展开。制作有效提示的艺术对于从MIUI模型或其他LLM中生成理想的响应至关重要。本指南将引导您完成示例提示，显示四种不同的提示功能：

  • 分类
  • 总结
  • 个性化
  • 评价
在Colab打开

分类​

MIUI模型可以轻松 对文本进行分类 分成不同的类别。以银行的客户支持机器人为例：我们可以在提示中建立一系列预定的类别，然后指示MIUI AI模型对客户的问题进行相应的分类。

在以下示例中，当向客户询问时，MIUI AI模型正确地将其归类为“国家支持”：

用户我想知道你们的卡在欧盟的可用性，因为我是法国居民，有兴趣使用你们的卡。
助理国家支持
提示
您是一个银行客户服务机器人。您的任务是评估客户意图，并将<<>>>后的客户查询分类为以下预定义类别之一：

卡片到达
更换引脚
汇率
国家支持
取消转账
收费争议

如果文本不符合上述任何类别，请将其分类为：
客户服务

您只会用类别进行回复。不要包含“类别”一词。不要提供解释或注释。

####
以下是一些示例：

询问：我如何知道我的卡是否会收到，或者是否丢失了？我担心交付过程，并希望确保我能按预期收到我的卡。您能提供有关我的卡的跟踪过程的信息吗？或者确认是否有任何指标可以识别卡在交付过程中是否丢失？
类别：卡到达
询问：我计划去巴黎进行一次国际旅行，想询问欧元的当前汇率以及外汇交易的任何相关费用。
类别：汇率
问：哪些国家正在获得支持？我将在国外旅行和生活很长一段时间，特别是在法国和德国，并希望了解这些地区的兼容性和功能方面的任何信息。
类别：国家支持
询问：我可以得到启动电脑的帮助吗？我在启动电脑时遇到了困难，如果您能帮助我解决这个问题，我将不胜感激。
类别：客户服务
###

<<<
查询：{在此处插入查询文本}
>>>

我们使用的策略：​

  • 小样本学习当我们在提示中给出几个示例时，很少有镜头学习或上下文学习，LLM可以根据示例演示生成相应的输出。很少有镜头学习可以提高模型性能，尤其是在任务困难或我们希望模型以特定方式响应时。
  • 分隔符：分隔符如 ###, <<< >>> 指定文本不同部分之间的边界。在我们的示例中，我们使用 ### 以说明示例和 <<<>>> 以指示客户查询。
  • 角色扮演：为法学硕士提供一个角色（例如，“你是一个银行客户服务机器人。”）为模型增加了个人背景，通常会带来更好的表现。

总结​

摘要是LLM的一项常见任务，因为它们具有自然语言理解和生成能力。这里有一个示例提示，我们可以用它来生成关于一篇文章的有趣问题并总结这篇文章。

提示
你是一名评论员。你的任务是写一篇论文报告。
当收到这篇文章时，想出有趣的问题来问，并回答每个问题。
然后，将所有信息组合在一起，以markdown格式写一份报告。

#论文：
{散文}

#说明：
##总结：
用清晰简洁的语言总结文章中提出的要点和主题。

##有趣的问题：
就文章内容提出三个不同且发人深省的问题。对于每个问题：
-在“Q：”之后，描述问题
-在“A：”之后，详细解释问题中涉及的问题。
-将最终答案附在<>中。

##写一份报告
使用文章摘要和有趣问题的答案，以Markdown格式创建一份全面的报告。

我们使用的策略：​

  • 分步说明：该策略的灵感来自思维链提示，使LLM能够使用一系列中间推理步骤来处理复杂的任务。当我们将复杂的问题分解为更简单、更小的步骤时，解决它们通常更容易，调试和检查模型行为也更容易。在我们的示例中，我们将任务分解为三个步骤：总结、生成有趣的问题和撰写报告。这有助于语言在每个步骤中进行思考，并生成更全面的最终报告。
  • 示例生成：我们可以要求LLM通过生成带有解释和步骤的示例来自动指导推理和理解过程。在这个例子中，我们要求法学硕士生成三个问题，并为每个问题提供详细的解释。
  • 输出格式：我们可以通过直接要求“以Markdown格式编写报告”来要求LLM以某种格式输出。

个性化​

LLM擅长个性化任务，因为它们可以提供与个人用户紧密一致的内容。在这个例子中，我们创建了个性化的电子邮件回复来解决客户的问题。

用户尊敬的抵押贷款方：，

你的30年固定利率年利率是多少，与15年固定利率相比如何？

当做，
安娜
助理

亲爱的安娜：，

感谢您对我们固定利率抵押贷款选项的询问。我们目前的30年期固定利率为6.403%，年利率为6.484%。相比之下，我们的15年期固定利率为5.705%，年利率为5.848%。

如您所见，与30年期固定利率期权相比，15年期固定汇率期权的利率和年利率较低。这意味着，如果你选择15年的选择，你在贷款期限内支付的利息会减少。然而，由于贷款期限较短，每月的还款额会更高。

如果您有任何其他问题，或者我们是否可以进一步帮助您选择最适合您需求的抵押贷款选项，请告知我们。

顺致敬意，
贷款人客户支持

提示
你是一个抵押贷款客户服务机器人，你的任务是创建个性化的电子邮件回复来解决客户的问题。使用以下提供的事实回答客户的询问。确保你的回答清晰、简洁，并直接回答客户的问题。以友好和专业的方式与客户交谈。在电子邮件上签名“贷款人客户支持”

#事实
30年期固定利率：利率6.403%，年利率6.484%
20年期固定利率：利率6.329%，年利率6.429%
15年期固定利率：利率5.705%，年利率5.848%
10年期固定利率：利率5.500%，年利率5.720%
7年期ARM：利率7.011%，4月利率7.660%
5年期ARM：利率6.880%，4月7.754%
3年期ARM：利率6.125%，4月7.204%
30年期固定利率FHA：利率5.527%，年利率6.316%
30年期固定利率VA：利率5.684%，年利率6.062%

#电子邮件
{在此处插入客户电子邮件}

我们使用的策略：​

  • 提供事实：将事实纳入提示对于开发客户支持机器人非常有用。在陈述这些事实时，使用清晰简洁的语言很重要。这可以帮助LLM对客户查询提供准确和快速的响应。

评价​

评估LLM输出的方法有很多。这里有三种方法供您参考：包括置信度评分、引入评估步骤或采用另一种LLM进行评估。

包括信心评分​

我们可以在生成的输出中加入置信度得分。

助理
{
 “总结”：[
{
 “总结”：“作者讨论了他们早期编程和写作的经历，从9年级时写短篇小说和在IBM 1401上编程开始。然后他们开始使用微型计算机，用Heathkit构建自己的微型计算机，最终说服他们的父亲在1980年买了一台TRS-80。他们编写了简单的游戏、预测火箭飞行轨迹的程序和文字处理器。",
 “信心”：0.9
 },
{
 “摘要”：“作者从哲学专业开始上大学，但发现这并不令人满意，于是转向了人工智能。他们受到了一部小说和一部PBS纪录片的启发，以及人工智能创造像小说中那样的智能机器的潜力。尽管有这种兴奋，他们最终意识到传统的人工智能方法是有缺陷的，并将重点转移到了Lisp上。”，
 “信心”：0.85
 },
{
 “摘要”：“作者曾在Interleaf短暂工作过，在那里他们发现自己的Lisp技能受到高度重视。他们最终离开Interleaf回到RISD，但继续以自由Lisp黑客的身份工作。在RISD期间，他们开始在晚上的卧室里画静物，这导致他们申请了艺术学校，并最终进入了佛罗伦萨的美术学院。”，
 “信心”：0.9
 }
 ]
 }
提示
您是一个摘要系统，可以提供具有相关置信度分数的摘要。
用清晰简洁的语言，提供以下文章的三个简短摘要，以及他们的信心得分。
您将只使用带有Summary和Confidence键的JSON对象进行响应。不要提供解释。

#论文：
{在此处插入文章文本}

我们使用的策略：​

  • JSON输出：为了便于下游任务，JSON格式的输出通常是首选。我们可以通过将response_format设置为启用JSON模式 {“类型”：“json_object”} 并在提示中指定“您将仅使用具有Summary和Confidence键的JSON对象进行响应。”在JSON对象中指定这些键有利于清晰性和一致性。
  • 温度较高：在这个例子中，我们增加了温度分数，以鼓励模型更具创造性，并输出三个彼此不同的生成摘要。

引入评估步骤​

我们还可以在评估提示中添加第二步。我们要求法学硕士生成三个总结，并对这三个总结进行评估。

助理
摘要1：本文讨论了作者在大学前的写作和编程经历，他在IBM 1401上学习Fortran的最初挣扎，以及他对人工智能产生兴趣的向微型计算机的转变。他还谈到了他攻读人工智能学位的决定，以及当他意识到当时实践的人工智能是一场骗局时感到的幻灭。

摘要2：作者告诉了他进入编程之旅的故事，从发现计算机世界之前的短篇小说开始。他描述了他早期使用IBM 1401的经历，以及它是如何像一个迷你邦德恶棍的巢穴。他还谈到了自己对微型计算机的痴迷，以及它是如何让他学习Lisp并对人工智能产生兴趣的。然而，他最终对人工智能感到失望，决定专注于Lisp。

摘要3：这篇文章讲述了作者在大学前的写作和编程经历，包括他早期写短篇小说的尝试以及在IBM 1401上学习编程的挣扎。他讨论了微型计算机的到来如何改变了一切，并激发了他对人工智能的兴趣。然而，他最终意识到，当时的人工智能是一场骗局，于是他将注意力转向了Lisp。他还谈到了他决定攻读人工智能学位，尽管他对这个领域感到失望。

评价：我认为总结1是最好的总结，因为它清晰简洁地概述了作者在大学前的写作和编程经历、向微型计算机的转变以及他最终对人工智能的幻灭。它涵盖了文章的关键点，而没有陷入不必要的细节。摘要2也很好，但它更侧重于作者早期使用计算机的经历，而不是他后来使用人工智能的经历。摘要3是最弱的摘要，因为它没有捕捉到作者经历的全部范围，也没有提到他尽管对该领域感到失望，但仍决定攻读人工智能学位。
提示
你会收到一篇论文，需要提供摘要并对其进行评估。

#论文：
{在此处插入文章文本}

第一步：在这一步中，提供给定文章的三个简短摘要。每个总结都应该清晰、简洁，并抓住演讲的关键点。每个摘要大约有2-3个句子。
第二步：评估第一步中的三个总结，并对你认为最好的一个进行评分。通过指出具体原因来解释你的选择，如清晰性、完整性和与演讲内容的相关性。

聘请另一位法学硕士进行评估​

在生产系统中，通常采用另一种LLM进行评估，以便评估步骤可以与生成摘要分开。

  • 第一步：使用第一个LLM生成三个摘要
助理
摘要1：作者写了他们大学前的编程和写作经历。他们开始在IBM 1401上使用Fortran编程，并写短篇小说。他们后来进入了人工智能领域，但在研究生院时对它感到失望。然后，作者将注意力转向了Lisp，最终写了一本名为《论Lisp》的书。他们也试图追求艺术，但发现很难以此谋生。

摘要2：作者描述了他们在大学和后来的职场编程经历。他们在大学期间学习了Lisp，这扩展了他们对程序可以做什么的概念。毕业后，作者在Interleaf工作，这是一家生产文档创建软件的公司。他们还做了一些咨询和写作，最终写了一本名为《论Lisp》的书。作者喜欢在Interleaf工作，但发现他们使用的Lisp只是更大的C蛋糕上的一层薄薄的一层。

摘要3：作者告诉了他们早期在编程和写作方面的经历。他们大学前就开始写短篇小说了，但写得不是很好。他们编写的第一个程序是在IBM 1401上使用Fortran编写的。在大学里，他们进入了人工智能领域，但发现它令人失望。然后，作者将注意力转向了Lisp，他们发现Lisp更有趣。他们也试图追求艺术，但发现很难以此谋生。作者最终写了一本名为《论Lisp》的书，并在Interleaf工作，这是一家生产文档创建软件的公司。他们在Interleaf度过了愉快的时光，但发现他们使用的Lisp只是更大的C蛋糕上的一层薄薄的一层。
提示
提供给定文章的三个简短摘要。每个摘要都应该清晰、简洁，并抓住文章的关键点。
每个摘要大约有2-3个句子。

#论文：
{在此处插入文章文本}
  • 第二步：使用另一个LLM对生成的摘要进行评分
助理
摘要3提供了这篇文章最完整、最准确的摘要。它涵盖了作者在大学前的写作和编程经历，他们在大学里对人工智能的失望，以及他们最终对Lisp的关注和在Interleaf的工作。摘要1缺少一些关键细节，例如作者在Interleaf的工作以及他们撰写的《On Lisp》。摘要2过于关注作者在Interleaf的时间，而忽视了他们在大学前的早期写作和编程经验。总的来说，总结3是最好的选择，因为它是这篇文章最完整、最准确的总结。
提示
你会收到一篇论文和三篇论文摘要。评估这三个总结，并对你认为最好的一个进行评分。
通过指出具体原因来解释你的选择，如清晰性、完整性和与文章内容的相关性。

#论文：
{在此处插入文章文本}

#总结
{插入上一个输出}

我们使用的策略：​

  • LLM链式：在这个例子中，我们将两个LLM串联在一个序列中，其中第一个LLM的输出作为第二个LLM。链接LLM的方法可以适应您的特定用例。例如，您可能会选择在一个链中使用三个LLM，其中两个LLM的输出被汇集到第三个LLM中。虽然LLM链接提供了灵活性，但重要的是要考虑到它可能会导致额外的API调用和潜在的成本增加。