1.4 编写 Prompt 的通用思路之一——分步

在前两章的学习中，我们一起认识了两种基础、易用且效果不错的 GPT Prompt 优化方法——提供素材法和角色扮演法，但它们确实还有一些缺陷：

不能即时交互：角色扮演和提供素材都需要使用者事先准备和思考，不能即时交互。我们在使用 GPT 的时候，可能没有太多的时间进行准备工作，而是希望直接和模型互动来获取结果；还有可能收集素材的工作量很大，或是有的时候问题并不需要收集素材。
需要耗费大量的时间和精力：无论是尝试和微调，在实际使用中都需要不断尝试和修正才能达到理想的效果。而 GPT 的行为模式很大程度上又取决于输入的提示，尝试和微调自然是 GPT 使用过程中不可避免的步骤；所以为了获得最佳的结果，用户自然就需要花费大量时间和精力在编写和优化提示上。
提示编写的复杂性：对于非专业人士来说，想要写出一个准确的、能引导模型输出「他们想要」的 Prompt 其实是一件很复杂的事情，加上需要耗费大量的时间和精力，导致投入产出比往往不尽如人意。
适用范围的局限性：提供素材法和角色扮演法并不适合所有的 GPT 使用场景，面对复杂或特殊问题时，这两个方法可能无法有效地引导模型生成满意的答案。
过于依赖提示：虽然 GPT 主要依赖于输入 Prompt 来决定其输出，但提供素材法和角色扮演法会让 GPT 过度依赖 Prompt，使得模型不能根据上下文自动适应、理解用户的需求。

简而言之，就是我们在使用 GPT 时，不需要这么「重」的优化方法，希望即使是快问快答也能得到很好地生成结果。所以从本章开始，我们将介绍一些比较通用的 Prompt 优化思路。

除此之外，我也希望教给大家一些通用的 Prompt 优化思路，不是罗列许多的优化方法，因为任何别人写的优化方法都不可能完美符合自己的需要。而学到优化思路以后，我们就可以根据这些思路来总结适合自己的优化方法。

重新回顾 GPT 的原理和之前的两种优化方法，我们会发现注意力机制往往会把格式相似的文本赋予更高的相关度，后续这些通用的 Prompt 优化思路都体现了 GPT 这一特点。所以，我将在这里给出 Prompt 优化思路的核心理念：

格式大于内容 格式大于内容 格式大于内容1

在后面的学习和使用过程中，即便你忘了具体的技巧，但在提问只需要有意识地将「格式大于内容」这一核心理念融入到编写的 Prompt 里，那么 GPT 往往就能言之有物了。

优化 Prompt 的通用思路「分步」

面对庞大、复杂的问题，我们想要一次性地解决这个大问题也很难，在日常实践中我们可以借助思维导图、头脑风暴等方法来帮助我们整理思绪，整理思绪的过程就是将大问题拆分为小问题，通过先解决小问题，再利用小问题的结果解决大问题，最后得出一系列的解决方案。

而 GPT 也是这样，受限于计算资源，对于长文本的关联和理解的深度都有不小的限制。特别是，如果问题包含多个领域，或者需要按一定流程来处理，一次性向 GPT 的话，GPT 几乎 100% 会跑偏或者胡说八道。

使用 GPT 时亦可这样处理，当我们把复杂问题拆解成多个小问题，就会发现 GPT 回答小问题的准确率飙升。

当然这里要再次强调，分步不一定要自己分，也可以让 GPT 来分，让 GPT 分步的方法很简单，只需要在复杂问题后面加上下面的 prompt 即可。

在解决这个问题之前，必须（按顺序）解决哪些子问题？

分步完成以后，接下来就可以让 GPT 一个个回答它列出的子问题，如果上下子问题有关联性，可以将上个子问题的结果加到下个子问题的 Prompt 中，如果子问题没有关联性也可以到最后统一提供给 GPT。

（如果上面已经解决问题，那么就不需要这一步）最后我们可以将没有关联的子问题和结果按照格式，加上我们想解决的最终问题来提供给 GPT，多个子问题记得按照格式全部列出：

现在你已经知道：
子问题：{{子问题}}
回答：{{子问题结果}}

使用上面的结果解决问题：
问题：{{最终想要解决的问题}}
答案：

分步方法适合以下问题类型：

复杂问题：涉及多个系统领域，知识点交叉，难以一次性解答的问题。
需要按流程解决的问题：问题需要按照特定的步骤或顺序解决，包括操作指南、教程等。
需要多个子问题组合解答的问题：需要将大问题拆解成若干个相对独立或关联的小问题，然后再结合这些子问题的答案来解决整个大问题。

就像做菜的食材一样，我们可以根据自己的实际情况先让 GPT 总结出一个大问题需要解决的子问题，然后随时将自己的实际情况插入到其中一个子问题中，让 GPT 生成更加贴合自己实际情况的内容。需要注意的是，在使用分步方法时，保持子问题的清晰度和关联性是十分重要的，不正确或不关联的子问题会让 GPT 生成内容时偏离重点。

总结

在本章中，我们一起认识了编写 Prompt 时的核心理念「格式大于内容」以及通用的优化思路「分步」。分步本质上就是将大问题拆解成多个小问题，通过让 GPT 回答小问题来大幅度提高其生成内容的准确度。在下章中，我们将一起认识第二个通用的优化思路「举例」。

1重要的内容说三遍

上一页1.3 基础但重要的优化方法——角色扮演下一页1.5 编写 Prompt 的通用思路之二——举例

最后更新于2年前