精通AI对话：五个提升模型表现的提示策略

与 AI 模型沟通已成为一项日常技能。无论是使用 ChatGPT 还是 Claude，有效的指令能显著提升内容生成质量。AI 新创公司 Anthropic 最近发布了一份提示工程指南，其中的策略适用于市面上几乎所有主流的聊天机器人。

这份指南的核心在于，将 AI 视为一位才华横溢但对你的具体要求一无所知的新同事。沟通越清晰、上下文越丰富，AI 的表现就越出色。以下是五个关键的指令技巧，帮助你从 AI 获取真正想要的答案。

技巧一：指令必须明确

模糊的指令只会得到模糊的回答。向 AI 提问时，需要提供清晰、具体的指令，这能大幅减少无效的沟通。

有效的指令应该包含任务的背景信息，例如最终成果的用途、面向的受众，以及你偏好的格式或风格。当要求复杂时，使用项目符号或编号列表，能确保 AI 按照预期的顺序和方式完成任务。

对比以下两种写法：

• 效果较差的写法：

  “不要用删节号。”

• 更有效的写法：

  “接下来生成的内容会用于语音朗读，所以请不要使用删节号，因为文字转语音服务无法准确识别它的发音。”

第二个版本通过解释“原因”，让 AI 理解了指令背后的逻辑，从而能更好地执行任务。

技巧二：提供参考范例

提供范例是提升 AI 输出准确性和一致性的有效方法。这种被称为“范例提示” (few-shot prompting) 的技巧，通过展示具体的输入和输出格式，让 AI 学习并模仿。

与“范例提示”相关的概念还包括：

• 零范例提示 (Zero-shot Prompting)：不提供任何范例，完全依赖 AI 模型的预训练知识直接回答问题。适用于简单的、常识性的任务。
• 单范例提示 (One-shot Prompting)：提供一个范例，用于帮助 AI 理解那些需要更具体指导或容易产生歧义的任务。
• 多范例提示 (Few-shot Prompting)：提供两到三个精心设计的范例，适用于需要建立特定模式的复杂任务，例如要求 AI 按照特定风格进行写作或按固定格式提取信息。

为了让范例发挥最大作用，建议使用 XML 标签（如 <example> 和 </example>）将范例内容清晰地包裹起来，帮助 AI 区分指令和参考资料。

技巧三：给予 AI “思考”的时间

面对需要推理、分析或解决问题的复杂任务时，直接要求最终答案可能会导致 AI 出错。这时，应该引导它进行逐步分析。

这种被称为“思维链” (Chain of Thought, CoT) 的技术，在 2022 年由 Google Brain 的研究人员提出。 他们发现，要求大型语言模型在给出最终答案前，先“一步一步地思考”并展示推理过程，能显著提高其在逻辑、数学和多步推理任务上的准确性。

以下是应用“思维链”的三种不同层次的提示：

• 基本提示：

  撰写一封邮件，向捐赠者请求援助。在动笔前，请先逐步思考。

• 引导式思考：

  撰写一封邮件… 在动笔前，请先思考：1. 根据捐赠者的历史记录，分析哪些信息能引起他的共鸣。2. 结合这些信息，思考我们今年的项目中，有哪些方面可能吸引他。3. 最后，根据你的分析，撰写邮件。

• 结构化思考（推荐）：

  在 <thinking> 标签内完成以下思考：1. 分析捐赠者的历史… 2. 思考项目的吸引点…。然后，在 <email> 标签内，结合你的分析撰写一封个人化的电子邮件。

结构化思考能将 AI 的推理过程与最终答案完全分离，便于使用者检查其逻辑，同时保证输出内容的整洁。

Anthropic 发布的指南强调，有效的提示技巧对 Claude、ChatGPT 等主流 AI 模型均适用。

技巧四：为 AI 指定一个角色

为 AI 指定一个特定角色，例如“一位拥有二十年经验的财富500强企业法务长”或“一位擅长撰写病毒式营销文案的广告专家”，是提升其表现的捷径。

这种“角色提示” (Role Prompting) 技术能将 AI 从一个通用助手，转变为特定领域的专家。在处理法律分析或财务建模等专业任务时，角色提示的效果尤为显著。

例如，当要求 AI 分析一份软件授权协议时：

• 没有角色的 AI：可能只会给出宽泛的回答，认为协议“看起来没有大问题”。
• 被赋予“资深法务长”角色的 AI：则能迅速发现协议中隐藏的风险条款，并指出这些条款可能给公司带来数百万美元的潜在损失。

通过设定角色，还可以轻松规范 AI 的语气和用词风格，使其输出的内容更符合预期。

技巧五：允许 AI 回答“我不知道”

AI 模型有时会“一本正经地胡说八道”，这种现象被称为“幻觉” (Hallucination)。为了减少这种情况，最简单有效的方法，就是在指令中明确允许它在不确定时回答“我不知道”。

这看似是一个简单的调整，却能显著降低 AI 为了填充答案而编造信息的可能性。

此外，在处理基于特定文档的问答任务时，可以采取以下措施来进一步降低幻觉风险：

1. 先引用，后回答：要求 AI 在回答问题前，必须先从提供的文档中准确引用相关段落。
2. 标记引用来源：要求 AI 为生成内容中的每一项声明，都标记其引用的来源编号或出处。
3. 强制自我核查：指令 AI 在生成回答后，重新检查每一个论述。如果找不到支持性引文，就必须撤回该论述。

需要强调的是，尽管这些技术能有效降低风险，但并不能完全消除。对于涉及重要决策的内容，人工核查关键信息仍然是不可或缺的一步。