當(dāng)前，大語言模型（LLM）的應(yīng)用日益廣泛，覆蓋從文本生成到復(fù)雜問題解決等多個(gè)領(lǐng)域。然而，如何有效地與這些人工智能模型交互，以發(fā)揮它們的最大潛力，卻是一個(gè)經(jīng)常被忽視的話題。中國(guó)科學(xué)技術(shù)大學(xué)心理學(xué)系的林志成特任研究員在其最近的評(píng)論文章中提供了一些實(shí)用的策略和指導(dǎo)，幫助我們更好地理解和利用這些先進(jìn)的人工智能工具。
在《自然人類行為》（Nature Human Behaviour）發(fā)表的文章中，林志成詳細(xì)討論了與大語言模型交互時(shí)如何寫有效的“指令”（Prompt）。文章強(qiáng)調(diào)，精心設(shè)計(jì)的指令不僅可以提高響應(yīng)的準(zhǔn)確性和相關(guān)性，還可以避免由于指令質(zhì)量不佳而導(dǎo)致的模型表現(xiàn)不佳。
大語言模型運(yùn)用深度學(xué)習(xí)技術(shù)模擬人類大腦的神經(jīng)網(wǎng)絡(luò)，根據(jù)用戶的指令生成文本等內(nèi)容。與傳統(tǒng)軟件不同，它能夠解析自然語言命令，并在多種任務(wù)中表現(xiàn)出色，因而既用戶友好又具有多樣性。文章指出：“與大語言模型的互動(dòng)看似非常簡(jiǎn)單：只需輸入一個(gè)問題，立刻得到回答。然而，有效地與這些模型互動(dòng)實(shí)際上比最初看起來的要更為復(fù)雜和細(xì)致。”
為了克服這一挑戰(zhàn)，文章給出了一系列策略，包括明確指令、分解復(fù)雜任務(wù)、增加相關(guān)上下文、使用角色扮演以及提供具體示例等。這些方法可以有效指導(dǎo)模型生成更精準(zhǔn)的回答，并減少錯(cuò)誤累積的可能性。
此外，文章還強(qiáng)調(diào)了“指令工程”（prompt engineering）的重要性。這是一種通過精確控制輸入指令來優(yōu)化大語言模型輸出的技術(shù)。文章分享了多種實(shí)用的指令策略，旨在幫助用戶從大語言模型中獲得最佳結(jié)果。文章不僅提供了一個(gè)實(shí)用的交互指南，還促進(jìn)了我們對(duì)大語言模型潛力的深入理解。這些策略和見解對(duì)于希望提高與大語言模型交互效率的用戶來說，具有重要價(jià)值。
林志成特任研究員為本文的唯一作者。林志成博士是心理學(xué)系今年引進(jìn)的青年人才，自2024年起擔(dān)任《Psychological Science》和《Behavior Research Methods》的副主編，是首位獲此殊榮的大中華地區(qū)學(xué)者。此外，他曾是《Journal of Experimental Psychology: General》的編委（大陸首位）、Psychonomic Society的會(huì)士，并榮獲意識(shí)科學(xué)研究學(xué)會(huì)（ASSC）威廉詹姆斯獎(jiǎng)和心理科學(xué)協(xié)會(huì)（APS）的新星獎(jiǎng)（Rising Star Award）等重要國(guó)際獎(jiǎng)項(xiàng)。
該研究得到了科技創(chuàng)新2030、國(guó)家自然科學(xué)基金委等的資助。
原文鏈接：
