阅读的时候看到一个非常的不错提示词使用技巧, 通过链接形式的提示词结构,大幅的提高内容输出质量, 英文术语叫做Prompt Chaining, 值得拿来分享一下:
有一篇国人团队写的学术论文, 专门解释了这个概念.
没耐心看论文的小伙伴, 可以看看AI给的解释:
提示链（Prompt Chaining）是一种生成内容的技术，通过将多个提示（prompts）链接在一起，逐步引导模型生成更复杂和详细的输出。每个提示的输出可以作为下一个提示的输入，从而形成一个连贯的生成过程。这种方法在处理复杂任务时特别有效，因为它允许模型在每一步中专注于特定的子任务。
简单的来讲, 就是上一步的提示词和输出结果, 作为下一步输出的前置条件,形成一个链条一样的链接结构, 从而整体优化输出的效果.
和传统的分步式提示词(Stepwise Prompts)区别:
AI解释一下:
-
提示链：
-
将多个提示链接在一起，每个提示的输出作为下一个提示的输入。
-
形成一个连续的生成过程，允许模型在每一步中专注于特定的子任务。
-
适合处理复杂任务，能够生成更详细和连贯的内容。
-
逐步提示：
-
通常是线性地逐步引导模型，每个提示都是独立的，输出不一定作为下一个提示的输入。
-
可能会在每一步中重复或重新引入之前的内容，缺乏连贯性。
-
更适合简单任务或需要逐步确认的场景。
看一下生成的区别:
同样一个内容主题(部分), 左边是Prompt Chaining生成, 右边由Stepwise Prompts生成.
不经常用AI的小伙伴可能读不太出来差别, 但是我相信经常用AI创作的小伙伴能看出, 右边文章结构, 行文用句就有一股浓浓的AI味道.
很多类似于"你是一个xxx, 请写一篇xxx的文章"这样的垃圾提示词, 输出的内容就给人右边这种感觉.
Prompt Chaining 长什么样, 有一个例子:
核心提示词还是原来那些, 只是设计了不同的结构, 就能提升输出质量, 拿来参考或进行内容创作, 数据调研都很不错.
我个人使用AI生产内容的时候, 也喜欢就主题进行多步提示, 分块调研, 且会参考上面的输出结果.
不过我之前不知道有这个概念, 且应用的比较浅, 现在可以把这一套框架从理论到实际应用起来.
以我长期收集整理, 且真正应用在内容生产环境中的提示词框架为例.
大部分其中的提示词都是专注于某一项专门的任务, 不用太复杂, 完成环节中的任务就好.
而且在用Perplexity这类工具的时候, 特定任务的提示词给出的结果有时候才真正能拿来用.
最后把所有输出汇集整理起来, 从而得到一篇更接近自己想要效果的内容.
而且提示词还会根据阅读和使用的心得, 进行优化更新, 比如这篇中的Prompt Chaining概念, 准备整理到我现有的提示词框架中.
有同样想法的小伙伴, 可以搜集整理一份更适合自己的框架, 大部分提示词在网络上都可以找到类似的.
简单分享, 希望对你的工作有帮助.
That's it.