提示语

提示只是你提供给 LLM 以获取响应的输入。 这可能是一个问题或命令，或者只是一个随意的评论来开始对话。 该模型对提示进行完成响应。

提示类型

有两种主要类型的提示：

• 系统提示 设置模型的行为和基调，以及它应遵守的任何约束。 例如，“你是一个有用的助手，以欢快、友好的方式做出响应。 系统提示确定模型响应的约束和样式。
• 用户提示 引发对特定问题或指令的响应。 例如，"总结 GenAI_Considerations.docx 中为公司高管描述的采用生成式 AI 的关键注意事项。将摘要格式设定为最多六个项目符号点，语气专业。"

通常，系统提示由使用模型的应用程序设置。 用户提示可由聊天应用程序中的用户输入;或者在某些情况下，应用程序代表用户生成。 该模型响应用户提示，同时遵守系统提示中的总体指导。

会话历史记录

为了保持对话一致且相关，生成式 AI 应用通常会跟踪对话历史记录;并在后续提示中包含它的汇总版本。 这可确保对话有一个可以让模型建立在其上的持续上下文。

例如，假设模型响应之前所述的系统和用户提示，并完成以下结果：

采用生成 AI 的关键注意事项包括：

• 建立明确的治理和负责任的 AI 策略
• 在公司各职能中优先考虑高价值用例
• 缓解隐私、安全性和合规性方面的风险
• 促进组织准备和文化适应
• 衡量影响和建立责任
• 领先于战略与竞争格局的变化

你可以回答后续问题，例如“什么是常见的隐私相关风险？ 提示将包括新问题，但也包括以前的提示和响应;为模型提供上下文，以便它了解与生成式 AI 采用相关的问题。

检索增强生成 (RAG)

为了添加更多上下文，生成 AI 应用程序可以使用一种称为 检索扩充生成（RAG）的技术。 此方法涉及检索信息（如文档或电子邮件）并使用它来增强相关数据的提示。 然后，模型生成的响应将 扎根于 提供的信息。

例如，假设你提交一个提示，例如“我可在商务旅行中申请旅行费用的最大值是多少？”。 如果没有其他信息，模型将响应一个泛泛的回答 - 可能告诉你去查阅你所在组织的费用政策文件。 更好的解决方案是构建一个费用助理应用，该应用最初查询组织的支出策略文档，并检索与“旅行费用”相关的部分：然后，在发送给模型的提示中包括检索的信息以及原始问题。 现在，模型可以使用提示中的支出策略信息来提供上下文，并使用更相关的答案进行响应。

改进提示的方法

来自生成 AI 助手的响应质量不仅取决于所使用的语言模型，还取决于提交到它的提示。

若要从提示中获取更好的结果，

• 明确和具体 - 带有明确说明或问题的提示比模糊语言更好。
• 添加 上下文 - 提及所需的主题、受众或格式。
• 使用 示例，如果需要某种样式，请提供你的含义示例。
• 请求提供 结构，例如项目符号、表格或编号列表。

使用设计良好的提示可能会对从生成 AI 模型获得的结果产生巨大影响。