ChatGPT 样本提示指令全解析：提升交互效果的关键技巧

ChatGPT之样本提示指令-Zero-Shot, One-Shot 与Few-Shot

在当今数字化时代，大型语言模型（LLM），例如众所周知的 ChatGPT，已经成为我们日常生活和专业工作中不可或缺的一部分。这些模型的强大能力使它们能够回答我们的问题、协助我们撰写文章，甚至帮助我们解决复杂的技术问题。

很多人在首次与 ChatGPT 交互时，可能会遇到一些问题，感觉就像是面对一台不按预定程序工作的自动售货机。这种感觉往往源于沟通的障碍，而非模型本身的限制。

我们都知道与人沟通不仅仅是一种技巧，更是一门艺术。这个道理在我们今天讨论的大型语言模型（LLM）上依然适用。要充分最大化大型语言模型的潜力，关键在于我们如何与它们沟通。而与它们沟通最重要的，就是需要提供精确且清晰的指令，即「Prompt」。

通过深入了解如何有效地使用指令，可以帮助我们显着提高与模型“交谈”的质量和效率。尤其是当我们掌握了本篇讨论的零样本提示（Zero-Shot）、一次样本提示（One-Shot）和少数样本提示（Few-Shot）的概念与技巧后，可以更精准地让模型理解我们的需求。

为何需要提供样本提示给Prompt指令？

在探讨如何提高 ChatGPT 等大型语言模型的回答效果时，我们经常谈到的一个方法就是在 prompt 指令中提供样本范例。为什么这一步骤如此关键呢？答案在于这些范例能够显着提升模型对使用者需求和上下文的理解，使其能够产出更加精准、更符合期望的回答或解决方案。

首先，提供样本范例 是一种有效的沟通方式 ，能够直接向LLM模型显示我们期望的回答方式与回答格式。在样本提示的情境下，这些范例的提供对于引导LLM模型准确解读指令，并快速回答任务需求，非常的重要。

其次，提供样本范例 有助于设定沟通的语言风格和期望的水准 。通过具体范例的展示，不仅在告诉模型「这是我想要的回答方式」，同时也在指导模型理解和适应特定的语言风格和复杂性。这个方式有助于确保生成出来的回答不仅在内容上符合我们的期望，并且在表达方式和风格上也达到我们的要求。

再谈到样本范例 能够明确界定任务的范围和脉络 。当我们提供一个或多个范例时，实际上是在建立一个参考架构，协助 LLM 模型理解特定任务的限制。这对于 LLM 模型是否能够准确解读指令并提供有效回答至关重要。

通过设计过的 prompt 样本提示指令，我们能够更有效地发挥模型的能力，选择更合适的生成方式，并进一步优化回答的品质和相关性。它不仅增加了我们与 LLM 模型对话的准确度，也大大提高了我们从 LLM 模型得到有用回答的机率，是极大化 ChatGPT 及其他 LLM 大型语言模型效能的关键方式。

样本提示指令有哪些？

想要与 ChatGPT 等 LLM 大型语言模型进行有效交互的关键，在于精确使用提示指令。提示指令若以是否提供样本做分类，可分为：零样本提示（Zero-Shot）、一次性样本提示（One-Shot）与少量样本提示（Few-Shot）。零样本提示使模型能够在无先前范例下提供回答；一次性样本提示则利用单一范例来提升回答品质；少量样本提示则通过提供一个以上的范例指示 LLM 模型，来解决更复杂问题。分别依照不同的使用情境采用这三种方式，使我们能够更准确地达成所需的结果。接下来的文章将分别详细介绍这些样本提示技术。

零样本提示（Zero-Shot）

「零样本提示」技术是一项让ChatGPT在未提供任何先前经验或示例的情况下也能生成回答的创新方法。这种策略利用了模型丰富的预训练知识库，使其能够理解并回答广泛的问题，从而显着提升了ChatGPT的适应性和灵活性。通过零样本提示，ChatGPT得以在多样的情境中提供有价值的见解，无需依赖特定的指导或范例。

实践零样本提示时，虽然不需要事先准备示例，但精确地表达问题或需求的能力仍然至关重要。这意味着使用者需要能够清楚地描述他们的问题，并基于模型的预训练知识来结构化Prompt。零样本提示特别适用于教育场景，例如自动评分和生成学习资源，在这些情境下，ChatGPT可以提供一致性强且客观的输出，为教师节省时间并给予学生即时的学习反馈。

为加深对于零样本提示实际应用的理解，以下将提供几个范例，显示如何对ChatGPT提出一个零样本提示的请求。

零样本提示的应用例子

零样本提示让我们在未给予任何先例下，有效地要求ChatGPT执行特定任务的能力。使用这种方式的关键在于「如何巧妙的设计Prompt指令，让ChatGPT能够仅根据其本身丰富的预训练模型，理解我们的请求并产生适当的回答」。

以下展示了利用零样本提示进行关键词提取、情感分类，以及文本摘要的具体操作范例。

范例1：提取关键字

如果要从一段文字中筛选出关键字，我们不需要提供操作范例，只需以清晰的Prompt指令来指示ChatGPT我们的需求，方法如以下所示：

"""
Extract keywords from the below text.
Text: [这里放入需要被筛选关键字的一段文字]
Keywords:
"""

这个Prompt指令清楚的告诉 ChatGPT 我们的目的是从指定文本中提取关键字，展现了如何直接而明确地引导模型理解和执行任务。

范例2：情感分析

对于情感分析，我们可以借由指定 ChatGPT 一个清晰的输出格式，使它能够准确执行情感分类：

"""
Classify the following text's sentiment as positive, neutral, or negative.
Desired Format: a number, -1 for negative, 0 for neutral, and 1 for positive
Input: [这里放入需要被筛选关键字的一段文字]
Sentiment:
"""

通过这种方法，即便我们没有提供任何具体的范例，ChatGPT 也能理解的我们的要求并依照期望的格式进行回答（-1代表负面、0代表中性、1代表正面）。

范例3：文章摘要

同样的，若要从一篇较长的文章中提取并产生成摘要，我们可以采用一个结构化的 Prompt 指令，在指令中直接告诉 ChatGPT 我们的需求：

"""
Generate a summary for the following text.
Text: [这里放入长文本]
Summary:
"""

这个 Prompt 指令不仅指示 ChatGPT 要执行摘要任务，同时也暗示了所期望的输出结构，即对指定文字段落进行概要的总结。通过这种方式，我们不需要提供任何先前的范例或特定的指令，ChatGPT 就能够理解任务需求并执行相应的操作。

从以上范例我们可以看到，即便在没有在指令中提供操作范例的情况下，如何通过精心设计的 Prompt 指令来引导 ChatGPT，在没有范例的情况下，让 ChatGPT 也能根据其预先训练的模型，辨别出任务的本质，并产生符合要求的输出。

一次性样本提示（One-Shot）

一次性样本提示（One-Shot），是一种通过向 ChatGPT 提供一个具有代表性的范例来指引其生成特定的回答或内容的方法。这样子做不仅提高了 LLM 模型回答的准确度和相关性，尤其是在需要获得特定格式或特殊风格需求的答案时更是如此，也为使用者与 ChatGPT 之间的沟通的带来了更上一层的效率和品质。

在实践一次性样本提示时，一个高品质的范例对于提升 ChatGPT 的输出质量相当重要，尤其可以在需要根据特定情境或条件下，提供量身定做回答的领域看到这样的影子。例如医疗、法律或客户服务等。

下面的程式码范例将显示如何利用一次性样本提示进行各项任务。它们不仅提高了生成结果的准确度，也为使用者提供了一种用来引导模型理解和完成特定任务的方式。

范例1：文章分类

假设要对文件内容是否与科技相关进行分类，我们可提供模型一个范例，借此指导 ChatGPT 进行分类：

"""
Classify the following texts as related to technology or not.

Input: "Apple releases new iPhone with innovative features."
Classification: Related to technology

Input: {text}
Classification:
"""

首先，这个Prompt提供了一个明确的范例（ Input: “Apple releases new iPhone with innovative features.” Classification: Related to technology ），说明了如何将一段特定的文字内容分类为与科技相关。然后要求它使用这个范例作为参考，来分类另一段文字内容（ Input: {text} Classification: ）是否与科技相关。

范例2：语言翻译

在使用 ChatGPT 进行翻译时，可以建立一个包含翻译范例的指令：

"""
Translate the following sentence into French.

Input: "Hello, how are you?"
Translation: "Bonjour, comment ça va?"

Input: {text}
Translation:
"""

这个范例提供了一个英文句子及其法文翻译，然后要求 ChatGPT 根据这个范例去翻译另一段文字。通过这种方式，即使是在没有任何额外说明的情况下，ChatGPT 也能够理解我们的需求并进行对应的翻译工作。

范例3：数据分析解释

当我们需要通过 ChatGPT 来解释数据分析的结果时，可以提供一个相关范例来辅助解释：

"""
Explain the following data analysis result.
Input: "Our A/B testing shows a 20% increase in user engagement 
        for the new interface."
Explanation: "This indicates that the new interface effectively 
        engages users, likely due to its improved design or features. 
        A 20% increase signifies a significant enhancement over the 
        previous interface."
Input: {data analysis result}
Explanation:
"""

这个范例中，我们的指令先给出了一个关于 A/B 测试结果的描述，并提供了对这个结果的解释。接着，我们要求 ChatGPT 根据这个范例去解释另一个数据分析结果。这种方法不仅帮助模型理解如何处理和解释数据分析的结果，也提供了一种有效的方式，让我们转化专业数据分析为易于理解的解释。

从以上这些例子，我们可以看到，通过提供一个清楚的范例来有效地指导 ChatGPT 完成特定任务。一次性样本提示不仅扩大了ChatGPT的应用范围，也提升了使用者与人工智能交互的效率和准确度。

少量样本提示（Few-Shot）

少量样本提示（Few-Shot），是借由提供数个（一个以上）精选的范例，来指示 ChatGPT 处理特定的问题或请求。这种方法有助于让模型学习新任务，因为这个方法替模型提供了丰富的上下文信息，进而提升了回答的品质并加速了模型的学习过程。少量样本提示特别适用于需要快速且精确的分析大量数据的场合，如金融市场分析或趋势预测。

少量样本提示技术通过几个精选的范例，强化了 LLM 模型对特定任务的理解与执行能力。例如，在金融领域方面，通过提供少量而关键的市场报告或数信息，让 ChatGPT 能够生成更为深入的市场分析报告，为投资者提供较为精准的投资建议，借此帮助他们做出更聪明的决策。

以下是运用少量样本提示的实际范例，范例显示如何在情绪分析、内容摘要，以及基于前后文的对话问答等不同使用情境下使用此技术。

范例1：情绪 分析

"""
Classify the sentiment of the following texts as positive, neutral, 
or negative.

- "This is the best day of my life!" => Positive
- "I guess it could have been worse." => Neutral
- "This was the worst experience I've ever had." => Negative

Your input: "I love this new song."
Sentiment:
"""

这个范例提供三种情绪的文字范例（正面Positive、中性Neutral、负面Negative），目的是帮助 ChatGPT 模型理解如何根据文件的情绪进行分类，进而提高对新文件情绪分析的准确度。

范例2：文字摘要

"""
Generate a summary for the following texts.

Text1: "Stripe provides APIs that allow businesses to accept payments online." 

Summary1:"Stripe offers online payment APIs for businesses."

Text2: "OpenAI has trained cutting-edge language models that can understand and generate human-like text." 

Summary2:"OpenAI's language models mimic human text comprehension and generation."

Your input Text: "The Great Wall of China is one of the greatest wonders of the world."
Summary:
"""

此范例中我们通过提供两组具体的文字内容以及摘要范例，来引导ChatGPT学习如何从较长的文字描述中撷取重要内容生成新的摘要，借此提高摘要的精确度与效率。

范例3：基于上下文的问答

"""
Based on the provided context, answer the following questions.

Context: "The Great Wall of China stretches over 21,196 kilometers and 
was listed as a World Heritage by UNESCO in 1987."

- "How long is the Great Wall of China?" => 
  "It stretches over 21,196 kilometers."

- "When was it listed as a World Heritage by UNESCO?" => 
   "In 1987."

Your question: "What is the Great Wall of China known for?"
Answer:
"""

这个范例借由提供一段上下文和相对应的问答案例，帮助 ChatGPT 理解如何根据上下文的信息来回答新问题。

通过这些范例，我们看到少量样本提示技术如何有效地提升 ChatGPT 对特定任务的理解和处理能力，不仅加快了学习过程，也提高了回答质量，展示了这种技术在多个领域中的应用潜力。

提升生成质量

一次性样本提示与零样本提示在许多情境下可以产生明显不同的结果，尤其是在需要模型以特定的格式回答或细节理解的任务中。

让我们以下面的例子为例，来比较看看一次性样本提示（One-Shot）和零样本提示（Zero-Shot）生成结果的差异。

范例1：产生一篇关于时间管理的短文

零样本提示（Zero-Shot）

在 零样本提示下， 我们仅向 ChatGPT 提出需求，而不提供任何范例或背景信息：

"写一篇关于时间管理的短文。"

这种情况下，ChatGPT 可能会根据其基础训练的数据生成一篇关于时间管理的短文。

生成出来的这篇短文可能包含一些时间管理的基本概念和建议，但可能缺乏对特定情境下的特殊建议，以及独特的观点。因为我们在提出 prompt 指令时没有提供 LLM 模型具体的范例来引导它产出深度且具有特殊风格的内容。

一次性样本提示（One-Shot）

相较之下，如果我们提供一个具体范例作为指引：

"以下是一篇关于时间管理的短文范例：

在当今快节奏的社会中，有效的时间管理是成功的关键。一个人如何分配和利用时间，
可以直接影响到他们的生产力和压力水平。例如，使用番茄工作法，通过短暂休息来增
强工作焦点和效率，已被证明是提高时间利用效率的有效方法。

现在，请你根据这个范例，写一篇关于时间管理的短文。"

就如上面的指令，当我们提供这样的范例后，ChatGPT 生成的文章很可能会仿造范例中的风格和结构，产生出更具体的时间管理技巧，并且产生的文字可能会围绕在如何实施这些技巧。而产生一篇既具备实用的建议，又有一定深度和个性化风格的短篇文章。

比较

由于一次性样本提示（One-Shot）有了具体的范例来指引，它所生成的短文往往更能够好好地对准读者的需求，提供更为具体和深入的回答。如此，不仅可以提高短文的特定性和实用性，还能确保生成内容的风格一致性。相较之下，在零样本提示（Zero-Shot）下所生成的短文可能在内容的深度和个性化个刻画上不如一次性样本提示来得丰富与细腻。

范例2：将英文句子翻译成法文

在语言翻译任务中，一次性样本提示（One-Shot）相较于零样本提示（Zero-Shot）同样能展现出更优越的结果。这种差异主要展现在翻译的准确度和对特定语境或专业术语的处理上。以下是一个具体例子来说明这一点。

零样本提示（Zero-Shot）

如果不提供任何上下文或范例直接请求ChatGPT进行翻译时（prompt指令如下）：

"Translate the following sentence into French: 
'The quick brown fox jumps over the lazy dog.'"

在这种状况下 ChatGPT 或许能够提供一个普通品质的翻译，因为这个prompt指令可以说是个相对简单与直接的请求。然而，当更复杂的句子或含有特定领域术语的句子出现时，若是采用零样本提示，可能就无法确保翻译的结果具备专业性和语境上的准确度。

一次性样本提示（One-Shot）

相反的，如果在我们请求翻译时附带提供模型一个具体范例，引导 ChatGPT 如何处理类似下面的翻译时：

"Here is an example of translating English to French:

English: 'Hello, how are you?'
French: 'Bonjour, comment vas-tu?'
Now, translate the following sentence into French: 
'The quick brown fox jumps over the lazy dog.'"

通过上面方式提供模型一次性样本提示，就能让ChatGPT更精准的抓住目标语言的语感和语境，尤其是当翻译牵涉到专业度或复杂度更高的句子时，你会发现采用这种方法不但可以提高翻译结果的准确度，也更能适应特定语境和专业领域的需求。

比较

在语言翻译任务中，一次性样本提示（One-Shot）会提供模型具体的翻译范本，帮助模型更有效的理解目标语言的特殊表达方式和语境。

相较之下，虽然零样本提示（Zero-Shot）也能够处理基本的翻译要求，但在碰到更具挑战性的翻译任务时，处理的结果恐怕无法达到与一次性样本提示相同的精确度与自然感。因此，对于想追求高品质翻译的人来说，一次性样本提示显现出它不可替代的价值。

哪种方法更能提升产出的品质？

零样本提示（Zero-Shot）、一次性样本提示（One-Shot）和少量样本提示（Few-Shot）各有各的独特优势和适用情境。因此，应该适用何种方式产出的结果让品质更好，取决于实际上具体的任务和目标。

零样本提示（Zero-Shot）

零样本提示这种「不需要提供任何示例，仅依赖模型本身预训练的知识来理解和回答问题」的优点在于能够快速的用于各种普遍性的问题，尤其是当我们无法提供具体范例或者是对模型的能力有足够信心的时后。然而，由于缺乏具体范例的引导，零样本提示有可能在某些复杂或特定范畴的任务中无法达到最好的品质。

一次性样本提示（One-Shot）

一次性样本提示通过提供一个相关提示来引导模型，让模型更能达到任务的要求和期望。这种方法适合用于那些可以通过一个范例明确表达的任务。然而，其实际效果仍然有赖于我们所提供范例的品质。

少量样本提示（Few-Shot）

以提供数个范例来引导模型处理我们的特殊请求或问题的少量样本提示。这种方法，往往能够让产生的结果达到更好的品质，尤其是在处理复杂任务的时候。

总结来说在这三种方式中，少量样本提示（Few-Shot）因为通过提供多个范例来让模型有足够的信息和上下文去理解并完成特定任务，在大多数情况下能够提供最高品质的结果。然而，这并不意味着其他方法无法在特定情境下提供相同品质甚至更优质的结果。实际上，是否为最佳的选择，应该取决于任务的具体需求、可使用的资源和我们期望的准确度来决定。在某些情境下，即使是使用零样本或一次性样本提示也能达到令人满意的结果，特别是在时间或资源有限的时后，特别的明显。

结语

在以上的文章中，我们讨论了如何通过提供具体而明确的指令，来引导 LLM 大型语言模型。尤其是在使用「零样本提示」、「一次性样本提示」和「少量样本提示」的状况下。通过提供范例，让模型更加理解使用者的目的，而产生更加个别化和精确的回答。如此，不仅可以提升模型的表现，也可以增加使用者与 AI 之间交互的满意度。