分析提示技术

学习目标

  • 分析各种提示技术，例如单样本提示、少样本提示和元提示。

本课涵盖从 LLM 获取准确且符合上下文的响应的提示技术。通过掌握单样本提示、少样本提示和元提示等方法，您将获得对 LLM 输出更精细的控制，从而能够为企业应用程序构建更稳健、更有效的生成式 AI 功能。

单样本提示

单样本提示是最直接的技术。它涉及一次性向 LLM 提供单一的直接指令以及所有必要的上下文。然后，模型仅基于这一即时输入及其预训练知识生成响应。提示本身不提供任何所需输入-输出行为的示例。

  • 工作原理： 您只需陈述请求并包含相关数据。LLM 会解释该指令并尝试满足它。

  • 何时使用： 此技术对于定义明确、无歧义的任务非常有效，在这些任务中，LLM 对语言的总体理解足以生成令人满意的输出。它通常用于：

    • 简单摘要（例如，"总结这篇文章。"）

  • 基本问答（例如，"法国的首都是哪里？"）

  • 直接分类（例如，"这封电子邮件是正面还是负面？"）

  • 开发人员背景： 非常适合初始原型设计，或用于数据已经干净、且所需输出格式是隐式或广为理解的任务。它是许多 API 调用的基准。

示例：

  • 用一句话总结以下产品描述：

  • 产品：SAP S/4HANA Cloud, Public Edition

  • 描述：SAP S/4HANA Cloud, Public Edition 是一个完整、可立即运行的云 ERP 解决方案，具备最新的行业最佳实践和持续创新。它帮助企业精简核心流程、获得实时洞察并推动数字化转型。

预期结果： 对所提供文本的单句摘要。

少样本提示：从示例中学习

少样本提示是一种强大得多的技术，它涉及在提示本身中向 LLM 提供几个（通常为 1 到 5 个）输入-输出对示例。这些示例展示了所需的任务、格式和行为，使 LLM 能够在执行实际请求之前学习该模式。

  • 工作原理： 您给 LLM 一组已完成的示例，向它展示您想要什么以及希望以何种方式呈现。在这些示例之后，您提供实际的新输入，并希望获得其响应。LLM 会利用示例中展示的模式为最终输入生成输出。

  • 何时使用： 少样本提示对于需要以下内容的任务极为有效：

  • 特定格式： 当输出需要遵循严格结构时（例如 JSON、XML、特定报告模板）。

  • 细微解释： 当任务具有领域特定性，或需要 LLM 推断难以仅用文字描述的细微模式或区别时。

  • 一致的风格或语气： 引导 LLM 以特定口吻写作或遵循品牌指南。

  • 自定义分类： 将文本分类到 LLM 不常知晓的类别时（例如自定义错误代码、您产品的特定情感类型）。

  • 开发人员背景： 当由于成本或数据可用性而无法对模型进行微调，但您需要比单样本提示更高的准确性和一致性时，此技术非常宝贵。它是在不重新训练的情况下提升企业应用程序模型性能的常见策略。

示例：

将以下客户支持问题转换为简洁的对内问题描述，并保留关键问题：

客户："我的应用在上传文档时总是崩溃。"

内部问题：应用在文档上传期间崩溃。

客户："我无法登录我的账户。它显示'凭据无效'，但我确信我的密码是正确的。"

内部问题：用户因凭据无效错误而无法登录。

客户："我昨天生成的第三季度亚太地区销售报告显示的数字不正确。其他所有地区看起来都正常。"

预期结果： LLM 根据这两个示例所建立的模式补全最后一个"内部问题"。

元提示

元提示在许多 LLM API（例如与 SAP 生成式 AI 中心配合使用的 API）中通常被称为"系统提示"，它涉及提供一条总体指令，定义 LLM 的角色、总体目标、约束，或它在整个会话或一系列交互中应遵循的规则。它为所有后续提示设定了"舞台"。

  • 工作原理： 此指令通常出现在任何具体用户请求之前。它不要求 LLM 执行即时任务，而是要求它采取某种行为或一组指导原则，以支配其在该交互上下文中的所有未来响应。

  • 何时使用：元提示在以下方面非常强大：

  • 建立角色： 让 LLM 充当特定专家或助手（例如，"您是一位资深财务分析师。"）。

  • 设置护栏： 执行安全、伦理准则或领域特定规则（例如，"不要讨论政治"，"仅根据所提供的文档提供答案。"）。

  • 定义总体意图： 引导 LLM 对对话的总体处理方式（例如，"您的目标是帮助用户解决 SAP 安全问题。"）。

  • 确保输出长期一致性： 在对话式应用程序中跨多个轮次保持一致的语气或风格。

  • 开发人员背景： 对于构建对话式 AI 代理、内部知识助手，或需要严格遵守企业策略和数据治理规则的应用程序至关重要。它有助于创造更可控、更可预测的用户体验。

示例（在 API 调用中通常作为 "system" 消息发送）：

您是一位资深的 SAP Concur 支持代理。您的主要目标是帮助用户解决与费用报告提交相关的问题。始终优先提供清晰、可操作的建议。绝不提供财务建议或索要敏感个人信息。如果您无法提供帮助，请引导用户前往官方 Concur 支持门户。

后续用户提示：

我提交了上个月的费用报告，但 5 天后仍显示为"待审批"。我该怎么办？

预期结果： LLM 的响应将遵循元提示中设定的角色和指导原则，侧重于 Concur 内可操作的建议，并避免提供财务建议。

组合使用技术： 需要注意的是，这些技术并非互斥。对于复杂的企业用例，您通常会组合使用它们。例如，您可以使用元提示将 LLM 的角色定义为"技术文档助手"，然后在后续用户提示中使用少样本示例来指定代码片段或 API 端点描述所需的格式。

本课小结

本课介绍了基本的提示工程技术，包括单样本提示、少样本提示和元提示。这些方法旨在增强对 LLM 输出的控制，支持为企业应用程序提供准确且符合上下文的响应。单样本提示利用直接指令处理简单、定义明确的任务，而少样本提示通过输入-输出示例引导 LLM，显著提高准确性和一致性，这对于特定格式或细微解释至关重要。元提示通常用作系统指令，为整个交互设定 LLM 的角色、约束和总体指导原则，从而建立可预测且受治理的行为。通过掌握这些可以有效地组合使用的方法，您可以为 SAP 生态系统中的解决方案构建更稳健、更有效的生成式 AI 功能。

本课其余配图

Prompt Techniques

本课其余配图

Prompt Techniques

本课其余配图

Prompt Techniques

本课其余配图

Prompt Techniques