AI写作提示链的使用方法,原来越复杂的任务越简单

大象眸眸看科技 2024-09-10 20:49:40

看到个很不错的提示词使用技巧,叫 Prompt Chaining。这能大幅提升内容输出质量。它是一种把多个提示词链接起来的结构,英文术语就是 Prompt Chaining。

有篇国人团队写的学术论文专门解释了这个概念

论文地址:https://arxiv.org/html/2406.00507v1。

没耐心看论文的小伙伴,可以看看 AI 的解释。

提示链(Prompt Chaining)是一种生成内容的办法,把多个提示连一块儿,每个提示的输出当下一步提示的输入,形成连贯的生成过程。处理复杂任务很有效,能让模型每一步专注特定子任务。

简单说,就是上一步的提示词和输出结果,当下一步输出的前提条件,像链条一样,整体优化输出效果。

和传统分步式提示词(Stepwise Prompts)的区别:

AI 解释一下:

提示链是多个提示连一起,输出依次当输入。

形成连续生成过程,适合复杂任务,能生成更详细连贯的内容。

分步式

提示通常线性引导模型,每个提示独立,输出不一定当下一步输入。

可能重复或重新引入之前内容,缺乏连贯性,更适合简单任务或需逐步确认的场景。

看看生成的区别:

同样一个内容主题部分,左边是 Prompt Chaining 生成,右边是 Stepwise Prompts 生成。

不常玩 AI 的可能看不出差别,但常玩 AI 创作的能看出,右边文章结构和用词有浓浓的 AI 味。

很多像“你是一个 xxx,请写一篇 xxx 的文章”这样的垃圾提示词,输出内容就像右边这样。

Prompt Chaining 啥样呢?有个例子。

核心提示词还是那些,只是结构不同,就能提升输出质量。拿来参考或进行内容创作、数据调研都很棒。

我用 AI 生产内容时,也喜欢就主题多步提示、分块调研,还会参考上面的输出结果。

不过我之前不知道这个概念,应用也比较浅。现在可以把这一套框架从理论用到实际中。

以我长期收集整理且真正用在内容生产环境中的提示词框架为例。大部分提示词专注某一项专门任务,不用太复杂,完成环节任务就行。

用 Perplexity 这类工具时,特定任务的提示词给出的结果有时候才真正能用。

最后把所有输出汇总整理,得到更接近自己想要效果的内容。

而且提示词会根据阅读和使用心得优化更新,比如把 Prompt Chaining 概念整理到我现有的提示词框架中。

有同样想法的小伙伴,可以搜集整理更适合自己的框架,大部分提示词在网上能找到类似的。

最近应用coze的方法,也能达到比这更好的效果。

简单分享,希望对你工作有帮助。That's it.

0 阅读:4

大象眸眸看科技

简介:感谢大家的关注