AI提示词Prompt基础教程之常见误区-第五课

往期回顾–>AI教程/AI副业/AI入门教学汇总-连载中………

文字：

三＞

破局俱乐部＞第五课提示词（Prompt）常见误区

登录／注册 最新修改时间为11月17日

山

第五课 提示词（Prompt）常见误区2023年11月10日创建

一、你和大模型说的是一回事吗

② 1．概念误区—你和模型说的是一回事吗？

在与模型的交互中，许多人可能会误解它的工作原理。用户很容易认为只要提出一个问题，模型就能完全理解并提供精确的答案。然而，模型的回答完全基于它接收到的文字输入，它并不能深入到用户的思维中去理解其真正的意图。

拿一个实际的例子来说，当用户简单地表示：“我想了解一下苹果。”

② 模型面临的困境是，它并不知道用户具体想了解关于苹果的哪一方面：苹果可以

是一家知名的科技公司，也可以是我们日常生活中的水果，甚至还有其他含义。因此，为了避免产生这种误区，用户在提问时需要更为明确和具体。

例如，如果用户想了解苹果公司的历史，应该直接询问：“告诉我苹果公司的历史。”这样可以帮助模型更精确地为用户提供所需的答案，避免不必要的误解和混淆。

② 2．为什么会出现这类误区？

1．认知上的差异：人类的大脑对于信息的处理是基于他们的经验、背景知识和当前的情境，而模型仅仅是基于其训练数据和算法来生成回答。因此，用户可能误以为模型与他们有相同的上下文认知。

② 场景：小李是一个初级的园艺爱好者，最近对于某种特定的植物护理感兴趣。

他决定咨询ChatGPT。

小李：“我家的蓝莓树叶子黄了，怎么办？”

对于小李，他的经验、背景知识和当前情境是：他知道自己家的蓝莓树具体生长在什么环境下，可能遭受了哪些外部因素的影响，比如近期的天气变化、是否给予适当的水分和阳光等。

② 而当ChatGPT回答这个问题时，它是基于其训练数据和算法。它并不知道小李

家的蓝莓树具体的生长环境，也不知道小李是否为其进行了适当的护理。它可能会提供一些建议，如：“蓝莓树的叶子黄可能是由于水分不足或者土壤中某些营养成分缺乏，建议检查土壤和水分供应。”

在这里，小李可能误以为ChatGPT能完全理解他的具体情境，而事实上，

ChatGPT只是基于普遍情况给出的答案。如果小李真的想得到更具针对性的建议，他需要提供更多关于他的蓝莓树的具体信息。

⑥ 2．对技术的误解：许多用户可能不了解大语言模型的工作原理，认为模型可以

“理解”他们，就像与另一个人交谈一样。

场景：王先生是一位退休的中学教师，对于新兴技术不太熟悉。最近，他听说了这种可以回答问题的AI语言模型，并决定尝试与之交流。

② 王先生：“我今天心情不好，感觉很失落。”

期望ChatGPT能像一个朋友那样为他提供真正的安慰和建议。

ChatGPT的回答可能是：“很抱歉听说你今天心情不好。发生了什么让你感觉这样？”或者给出一些建议来转移他的注意力。

王先生可能会感受到一些安慰，但实际上，模型并不真正“理解”王先生的情感，也不会“关心”他的感受。它只是根据先前的数据来模拟出像人类般的回答。

② 如果王先生继续深入分享他的生活琐事或私人情感，他可能期望模型能够给出

深入、贴心的回应，然而模型只能基于其训练数据来给出一些一般性的答复，可能不会满足王先生真正的期待。当然，设定模型为某种心理辅导角色也许对此有所帮助，但在缺乏更多背景信息的自然对话中，往往模型的回复会让用户失望。

3．期望值过高：由于AI和大模型在近期的迅速发展，可能导致一些用户对其能

② 力有过高的期望。

场景：李小姐是一名医疗研究人员，她听说近年来的AI技术非常先进，特别是在数据处理和问题回答上。因此，当她遇到一个复杂的医学问题时，她决定使用ChatGPT来寻求答案。

李小姐：“为我解释癌症背后的完整分子机制”

② 她期望ChatGPT能够提供一个详尽、深入并且更新至最新研究的答案。

ChatGPT可能会回复：“癌症是由于细胞在DNA损伤和修复过程中出现错误，导致细胞失控增长的疾病。其背后的分子机制包括多种信号转导通路的失调、基因突变等。”然后可能会列举一些常见的机制和相关的基因。

但是，癌症的研究是非常广泛和深入的，涉及到数千上万种不同的机制、变种和研究进展。ChatGPT虽然能够提供一个大致的概述，但可能无法满足李小姐

② 对详尽和最新研究的期望。

3．如何有效避免误区？

1．明确提问：用户应当尽可能明确和具体地提出问题，以便减少模型的歧义空间。—换言之，不要“惜字如金”，尽可能多的提供信息，确保模型理解的概

② 念和你像表达的一致。

2．提供上下文：如果问题涉及到特定的背景信息，用户应当在询问时提供这些上下文。典型的例子是我们在玩梗或者使用特定用语、俗语、俚语的时候。3．多次迭代：如果对模型的回答不满意或不确定，用户可以通过多次询问或重述问题来获得更精确的答案。

4．在不确定模型和自己的理解是否一致的时候，如何进行有效的“概念对齐”？

1．再次确认：用户可以尝试用不同的方式重新提问或要求模型解释其回答。场景：

② 张先生是一位历史爱好者，他对某个历史事件感到困惑，并决定向ChatGPT寻求答案。

张先生：“第一次世界大战是怎么开始的？”ChatGPT:

② “第一次世界大战的直接导火线是1914年奥地利皇储费迪南大公在波斯尼亚的萨拉热窝被刺杀。然而，这场战争的背后有更复杂的政治、经济和军事原因。”张先生对答案感到有些不太满意，因为他想了解更多关于背后的政治、经济和军事原因。为了再次确认和深入了解，他决定换一种方式提问。

张先生：“详细解释第一次世界大战背后的政治和经济原因”

② 这次，ChatGPT 可能会提供更为详细的回答，涉及到各国的同盟体系、帝国主义的竞争、经济紧张关系等因素。

2．使用例子进行验证：用户可以给出一个例子，并询问模型如何在该情境下应用其先前的回答。

假设你之前问了模型：“如何解决冲突？”模型给出了一个答案，比如：“冲突解决

② 的方法包括有效地沟通、找到共同点、妥协、寻求第三方仲裁等。”

为了验证这个答案，你可以提供一个具体情境并询问模型：“假设我和我的室友因为晚上放音乐太响而产生了冲突，根据你之前的回答，我应该如何解决这个问题？”

3．提供详细的背景信息：确保模型了解问题的全局背景可以帮助“概念对齐”。

假设你想询问有关“光”的知识。直接问：“光是什么？”可能导致模型为你提供一个很宽泛的定义，因为“光”可以是物理学中的电磁波现象，也可以是诗歌或哲学中的抽象概念，或者其他众多含义。

但如果你为模型提供了更多的背景信息，例如：“在生物学中，某些生物如何利用光进行能量转化？”这时，你其实是询问光合作用的过程。模型这时能更精确地理解你的意图，并提供有关光合作用的详细解释，而不会向你解释物理学或哲学中

② 的“光”。

4．询问定义：如果涉及到某个概念或术语，用户可以首先询问模型对这个概念或术语的定义，确保双方有共同的理解。

用户：请告诉我关于＂Python”的相关信息。

模型：Python是一种广泛使用的高级编程语言，它以其简洁的语法和动态类型而著称，常用于网站开发、数据分析、人工智能等领域。

用户：我是想了解关于那种爬行动物，蟒蛇的信息。

模型：我明白了。蟒蛇（Python）是一种大型的、非毒性的爬行动物，主要生活在亚洲、非洲和澳大利亚的热带地区。它们是世界上最大的蛇之一，以其他小型动物为食。

在这个例子中，用户最初提及“Python”时，模型默认为其是编程语言的相关查

② 询。但经过用户的进一步说明，模型才理解用户是想知道蟒蛇这种动物的信

息，从而实现了“概念对齐”。二、许愿式提示词

② 我们与模型对话时，潜意识里会期待模型能够理解并执行某些高度抽象的、主观

的或情感驱动的提示词，这种认知误区主要是源于对模型的“智能”程度的误解。我们在下文中把我们在Prompt中编写的诸多能力和限制统称为对模型的“约束”。

比如说，当我们对模型说“请用极具同理心的方式进行对话”、“具有优秀的共情能

③ 力“我们可能期待的是一个充满人类情感和深度理解的回答。然而，尽管模型可以

模仿某种“同理心”的表达，它实际上并不理解情感的真正含义。

另一个例子是，当我们要求模型“使用诙谐幽默的语气”，我们期望模型能够产生真正的幽默效果。但幽默是主观的，受文化、背景和个人经验的影响，模型可能难以达到每个人的幽默标准。

比较典型的类似例子还有：

② 1．“撰写爆款标题”：

“爆款”本身是一个主观和具有时效性的词汇，其定义随文化、地域、时间、受众和渠道而异。我可以提供一个在某个语境下可能会受到欢迎的标题，但不能保证它在所有情境中都会成为“爆款”。

需要明确的背景和目标受众。标题对于不同的受众群体、不同的产品或内容、不同的传播渠道都有不同的呈现方式和要求。

② 2．“具有优美的文风”：

“优美”是一个主观的评价标准。不同的读者有不同的审美和喜好，可能对“优美”有不同的定义和标准。

模型可能可以按照传统的文学和修辞技巧为你撰写文章或回答，但它是否被认为是“优美”，还需根据读者和文化背景来判断。

② 3．“用细腻的笔触刻画人物”：

“细腻的笔触”需要更具体的描述和要求。这可能涉及人物的性格特点、背景、经历、情感和动机等。

要细致地刻画一个人物，需要足够的信息和背景来填充人物的细节和深度。这需要提供人物的详细背景和特点，以及你希望强调或突出的方面。

② 总结

李继刚曾把这类描述戏称为“许愿式提示词”，还是很贴切的，因为它们多少带有一点我们的一厢情愿。

为了避免这种认知误区，我们应当明白模型的局限性。虽然它可以在某种程度上

② 模仿某些情感或风格，但它并不真正“理解”或“感受”这些约束，也并不能完全理解所谓的“爆款”指的是如何爆法。

如果要在Prompt中指定模型为你输出一个“爆款标题”，那么仅有这句话是不够的，你应当描述“爆款”文章的发布平台、受众特点、传播要素，希望引发传播的情感点等。比如你想在微博上发布一个有关青少年心理健康的文章，你的目标受众是中学生和他们的家长，你希望这篇文章能够引发他们对心理健康的关注并产

② 生共鸣。在这种情况下，你可能需要一个与青少年日常生活经验、心理压力、家

庭和学校环境等因素紧密相关的标题，同时该标题还应当简短、醒目，能够快速引起他们的注意。

相比粗暴的约束“给我起一个爆款标题”，可能对模型说：“请为我创建一个关于青少年心理健康的微博文章标题，目标受众是中国的中学生和家长，我希望标题能够简短、醒目，并与青少年的日常生活、心理压力等产生共鸣。”模型才能为你生

② 成更为贴近你需求的标题，满足你的期望值。

A／破問 三、内容误导

② 本节讲述的提示词误导指的是：当我们向模型提出问题的时候，在问题中本身已

经隐含了一些可能导致对模型误导的因素，例如预设了我们的立场，或引文和我们自己的观点混淆等等。

1．立场预设

② 在我们与模型交互时，内容的准确性至关重要。但有的时候我们在提示词中可能

会不经意地注入自己的观点或预期答案。

这有点像是你和你的朋友在聊到一个流行的话题，比如最新上映的一部电影。你可能会说：“听说那部新电影真的很无聊啊，你觉得呢？”你在这么说的时候已经暗示你觉得这部电影可能不太好看。你的朋友了解你的喜好后，也许会给出一个倾向于你观点的答案。这就是一种观点的“注入”，在我们与模型的交流中也是一样的道理。

③ 我们来看一个实际的例子：

“尽管哈勃定律暗示宇宙正在扩张，许多天文学家依然坚持宇宙静态不变的观点。这是否说明哈勃定律存在严重的缺陷，或者说这一法则被过度解读了？

③ 哈勃定律是20世纪早期由美国天文学家埃德温·哈勃提出的一项重要发现，它基

本上表明宇宙正在膨胀。该定律的一种常见表述是哈勃定律方程：v＝HO＊d，其中v表示星系的速度，d表示星系与地球的距离，HO则是哈勃常数，用于描述宇宙的膨胀速度。

然而，尽管哈勃定律提供了强有力的证据表明宇宙正在膨胀，仍然存在一些观点

③ 和争议。以下是一些可能的观点：

1．哈勃定律的测量有误：一些天文学家可能认为哈勃定律的测量存在误差，导致对宇宙膨胀的观察被过度解读。虽然哈勃定律的测量已经得到了多次的验证，但仍然有人认为可能存在未知的系统误差。

2．新物理模型：一些科学家可能认为，哈勃定律的解释需要更复杂的物理模型来考虑其他未知的因素。他们可能提出了一些不同于标准宇宙模型的理论，anEe