（七）提示词的举例子
示例在提示词中的使用
提示词中的样本示例是一种在与大语言模型交互时，为了更准确地引导模型理解和生成特定类型或格式的文本而提供的具体实例。样本示例有助于模型在有限的上下文中理解任务要求、文本风格、格式规范或特定情境，从而提高生成文本的质量、一致性及针对性。
示例的选择
我们在构建提示词时，选择恰当的示例对于清晰传达任务要求、引导模型理解和执行任务至关重要。在选择提示词的示例时，我们可以参考以下几个方面来选择提示词的示例：
- 选择的示例需要有代表性
示例应充分代表任务所覆盖的各种情况或类别，帮助模型识别关键特征并建立准确的类别边界。
例如，假设我们需要让大模型对电影评论进行正面、负面、中性情感来进行判断分类。
## 示例
- **正面示例**：“这部电影剧情紧凑，演员表演出色，特效震撼，绝对值得一看！”
- **负面示例**：“剧情拖沓，角色塑造肤浅，浪费了这么好的演员阵容，失望透顶。”
- **中性示例**：“影片整体中规中矩，没有特别出彩的地方，也没有明显的硬伤。”
这些示例分别展现了各类评论的典型特征，如正面评论中的赞美词汇、负面评论中的批评表述和中性评论的平衡态度。
- 选择的示例需要有多样性
示例应展示任务的多样性，包括不同风格、语境、情感色彩、专业领域、文化背景等，以增强模型的泛化能力。
例如，在需要大模型生成一个新闻标题生成模型时，可以给出不同表达的示例：
不同风格：
## 示例：
“突发！某地发生严重火灾，多人被困”（紧急新闻）
“深度解析：全球贸易格局演变及其影响”（深度报道）
不同语境：
## 示例：
“科技巨头宣布重大战略调整，股价应声上涨”（商业新闻）
“考古学家在古城遗址发现重要文物”（历史文化新闻）
不同情感色彩：
## 示例：
“感动！志愿者冒雨坚守岗位，保障高考顺利进行”（积极情感）
“痛心！又一起校园欺凌事件曝光，引发社会关注”（消极情感）
不同专业领域：
## 示例：
“新能源汽车销量再创新高，行业前景乐观”（科技领域）
“世界女排联赛：中国女排力克强敌，晋级决赛”（体育领域）
不同文化背景：
## 示例：
“日本首相就历史问题发表讲话，引发国内外热议”（国际新闻）
“非遗传承人：让传统技艺在新时代焕发新生”（本土文化新闻）
这些多样化的示例有助于大模型适应不同类型的新闻标题输出要求，提高其在面对各种实际场景时的适用性。
- 选择示例需要有明确性
示例应清晰、无歧义，避免使用可能导致误解的模糊表述或过于复杂的案例。
例如，在生成一个法律文本摘要的内容时，明确性示例应避免过于复杂或专业性过强的案件描述。
## 示例：
- **清晰示例**：“原告因被告未履行合同义务提起诉讼，请求法院判令被告支付违约金并继续履行合同。”
- **模糊示例**：“鉴于当前案情之复杂，牵涉多方权益纠葛，加之法规适用之不确定性，原告遂诉诸法庭，希冀通过司法途径解决纷争。”
清晰示例直接指出了案件的核心诉求和争议焦点，而模糊示例则包含了过多的主观描述和法律术语，可能导致模型难以准确把握关键信息。
- 选择的示例需要有针对性
根据具体任务需求，选择最能突出关键学习点的示例。例如，在文本情感分析任务中，可能优先选择情感极性强、表达明显的情感句子作为示例。在一个产品评价情感的识别任务上，针对性示例应重点关注表达强烈情感的评论：
## 示例：
- **针对性示例**：“这款手机电池续航太差了，才用半天就没电了，非常失望！”（强烈负面情感）
- **非针对性示例**：“手机整体还可以，就是偶尔会有卡顿现象。”（情感倾向较弱）
针对性示例中的强烈情感表达有助于大模型更好地了解和识别情感类别之间的显著差异。
- 选择的示例需要有平衡性
如果任务涉及多个类别或标签，示例应尽可能保持类别间的平衡，避免某一类别过度主导，导致模型学习偏斜。以下是使用植物描述来进行科目判别的示例：
## 示例：
- 植物描述：叶对生，花冠蝶形，荚果扁平； 所属科目：豆科
- 植物描述：叶互生，花单生，果实为核果； 所属科目：蔷薇科
- 植物描述：叶轮生， 伞形花序，浆果状核果； 所属科目：伞形科
- 植物描述：叶基生，穗状花序，蒴果长椭圆形； 所属科目：禾本科
... （更多植物描述及科目标签数据）
任务是基于植物的描述，判断植物的科目。为了保证判别的准确性，这里我们给出的示例需要覆盖更多科目的植物描述，以保证示例类别的平衡。
示例的呈现
在提示词中由于示例可能会有多个，以及示例的的复杂性也有所不同。以下我们展示不同的示例呈现方式：
-
格式化：清晰地标记示例，可以使用代码块、引用符号、特殊颜色或标签等视觉提示，便于模型识别。
## 示例：这是一个文本示例，使用了代码块进行格式化。
-
前后对照：对于需要改写的任务，我们可以提供一个前后对照的示例。比如，如果需要一个英文句子被翻译成中文，可以这样呈现：
英文原文:
> This is a sample sentence that needs to be translated.
中文翻译:
> 这是一个需要翻译的示例句子。这样的对照使得任务要求一目了然，大模型或提示词编辑人员可以清楚地看到输入和期望的输出。
-
注释或说明：对于一些复杂的示例或者有特定要求的示例，添加注释或说明可以帮助理解。例如，如果需要一个按照特定格式撰写的报告摘要，可以这样呈现：
报告摘要:
> 经过分析，我们发现在过去的季度中，销售额增长了10%。主要增长动力来自于新 市场的开拓。
注释:
> 这个摘要是按照“结论-原因”的格式编写的，突出了增长的主要动力。这样的说明可以帮助模型或读者理解示例背后的逻辑和评判标准。
-
对比展示： 通过正反两面的例子，鲜明地展示提示词所指的正确行为或观念，以及与其相对立的不当行为或观念。
## 示例：
正面例子（有效沟通）：
情境：团队成员A在项目讨论会上明确提出自己的观点，并给出详细理由，同时倾听并尊重其他成员的意见，通过讨论达成共识。
反面例子（无效沟通）：
情境：团队成员B在会议中打断他人发言，坚持己见且不愿听取不同意见，导致讨论陷入僵局，未能达成任何决策。
通过上述的格式化、前后对照和添加注释或说明，对比展示的方法，你可以更有效地呈现示例，使其更加清晰、易懂，并且有助于模型或读者更好地理解和遵循示例。
示例的数量
在提示词中，由于编写的工作量的原因，通常我们不会在提示词中包含大量的示例，当然如果条件允许，提供更多的示例可以更全面地展现任务特点，增强大模型的理解，也会变更更加“聪明”。
根据提示词中示例的数量，我们经常会看到零样本（Zero-Shot）、少样本（Few-Shot）和 多样本（Many-Shot）这样的示例描述，分别代表了不同的信息丰富程度和可用资源。
-
零样本（Zero-Shot）：零样本情况指的是在没有具体示例或先前经验的情况下回答问题。在这种情况下，我们需要依赖于通用知识和逻辑推理能力来构建输出结果。
例如，如果被问到“未来的交通工具会是什么样的？”我们没有具体的样本可以参考，因为未来的交通工具还未被发明或广泛使用。在这种情况下，我们可以基于现有技术的趋势和潜在的科技发展来进行推测。
-
少样本（Few-Shot）：少样本情况意味着我们只有有限的信息或例子可以参考。在这种情况下，我们需要充分利用这些有限的样本，并结合相关知识来构建一个较为全面的答案。
例如，如果被问到“如何提高团队合作效率？”我们可能只有一两个相关的研究或案例作为参考。在这种情况下，我们可以从这些案例中提取关键因素，如明确的目标设定、有效的沟通渠道等，并结合团队管理的通用原则来提供建议。
-
多样本（Many-Shot）：多样本情况提供了大量的信息和例子，这使得我们可以从多个角度和维度来构建一个详尽的答案。
例如，如果被问到“成功的企业家都有哪些共同特质？”我们可以引用多个成功企业家的例子，如乔布斯、马云、马斯克等，并分析他们的领导风格、决策方式、创新思维等共同点。通过这些丰富的样本，我们可以得出更为全面和深入的结论。
在构建输出结果时，我们应该根据可用样本的数量和质量来调整回答的深度和广度。零样本要求我们进行更多的推测和假设，少样本需要我们在有限的信息基础上做出合理的推断，而多样本则允许我们提供更加全面 和详细的分析。无论哪种情况，我们都应该努力提供一个准确、有帮助且符合逻辑的答案。
示例的应用方式
示例是采用举例的方式来输出的结果内容进行描述。示例将在大模型使用提示词时，从提示词的示例中学习示例的“模式”，利用示例来提高大模型的输出生成质量。以下是我们对示例应用方式的详细解释：
-
直接模仿： 直接模仿是大模型学习示例的最基本方式。在这种情况下，大模型会学习示例的结构、语言风格或内容框架，并尝试在生成时复制这些特征。例如，如果示例是一段以故事形式呈现的产品描述，模型在生成新的产品描述时也会尝试采用类似的故事结构。
示例:
> 这款相机不仅仅是一个拍照工具，它是一个时光机器，能帮你捕捉生活中的每一个精彩瞬间。
模型生成:
> 这款耳机不仅仅是一个听音乐设备，它是一场音乐盛宴，能让你沉浸在美妙的旋律中。 -
归纳学习： 归纳学习是指大模型通过分析多个示例之间的共性，抽象出通用的规则或模板。这样，模型不仅能够模仿单个示例，还能够泛化到更广泛的场景。例如，模型可能会学习到所有产品描述都包含产品特点、用户好处和应用场景这三个要素。
示例1:
> 这款智能手表具有防水设计，适合游泳时佩戴，同时能追踪你的健康状况。
示例2:
> 这款无线耳机提供长达24小时的电池续航，适合长途旅行使用，其降噪功能能让你在嘈杂环境中享受音乐。
模型归纳:
> 产品描述通常包含产品特点、适用场景和个人受益三个部分。 -
对比学习： 对比学习是一种通过比较正确示例与错误示例来学习的方法。这种方法可以帮助模型更好地理解任务的要求，并避免常见的错误。例如，模型可以通过对比正确的产品描述和错误的产品描述来学习什么样的描述是恰当的。
正确示例:
> 这款榨汁机操作简便，能快速制作新鲜果汁，是健康生活的理想选择。
错误示例:
> 这款榨汁机非常快，但是使用起来复杂，可能会让你感到困惑。
模型学习:
> 产品描述应该是正面的，强调产品的便利性和对消费者的好处。通过这些应用方式，模型可以从示例中学习到如何更好地完成任务，提高生成内容的准确性和适应性。在实际应用中，这些方法可以单独使用，也可以结合使用，以实现最佳的训练效果。