💬 NLP
Less Back-and-Forth: A Comparative Study of Structured Prompting
本文表明，与原始提示或澄清性问题提示相比，使用经清单优化的提示能显著提升大语言模型在多样化任务中的响应质量，同时降低用户投入和令牌消耗。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在聘请一位才华横溢但略显死板的助手，来协助你完成一个大型项目。你希望他们撰写摘要、规划行程、解释复杂概念，或编写一些代码。
这篇论文本质上是一项测试，旨在探究你应该如何与这位助手沟通，才能以最少来回次数获得最佳结果。
研究人员比较了三种不同的指令方式（称为“提示词”），并将其应用于三个不同的人工智能助手（ChatGPT、Claude 和 Grok）。以下是他们实验的分解及其发现，辅以简单的类比说明。
三种提问方式
“原始”提示词（模糊的低语）：
- 是什么： 你给出简短、基本的指令，例如“规划一次假期”或“总结这段内容”。
- 类比： 这就像走到厨师面前说：“给我做晚饭。”你没有告诉他们你的喜好、预算，或者是否有过敏史。厨师必须猜测。他们可能会做出一道美味佳肴，也可能做出一道你讨厌的菜，迫使你将其退回厨房重做。
“清单”提示词（详细的食谱）：
- 是什么： 你使用一个简单的清单重写你的请求，添加三项内容：角色（AI 是谁）、背景（为谁而做以及为何而做）和格式（答案应呈现的样子）。
- 类比： 这就像给厨师一张具体的食谱卡：“你是一位法式糕点师。我是一名素食者，预算为 50 美元。我需要一款看起来像花朵且能放在小盘子里的甜点。”厨师立刻就知道该做什么。
“澄清性问题”提示词（面试）：
- 是什么： 你要求 AI 在给出答案之前，先停下来向你提出 1 到 3 个问题。
- 类比： 这就像厨师说：“等等，在我开始烹饪之前，你能告诉我你的预算和饮食限制吗？”你回答后，然后他们才开始烹饪。这确保了他们拥有正确的信息，但需要额外的时间和对话回合。
测试中发生了什么？
研究人员将这三种方法应用于四种类型的任务：文本摘要、行程规划、概念解释和代码编写。他们根据答案的正确性、清晰度和实用性对结果进行评分。
获胜者：“清单”提示词
- 质量： “清单”方法产生了最高质量的答案。AI 完美地理解了任务并遵循了所有规则。
- 效率： 这也是最快的方法。由于指令非常清晰，AI 第一次就做到了正确。你不需要进行漫长的对话，也不需要将其退回厨房重做。
- 结果： 这是“最佳平衡点”。你无需等待厨师向你提问，也无需收到一道必须退回的糟糕菜肴，就能得到完美的餐点。
亚军：“澄清性问题”提示词
- 质量： 这些答案比模糊的“原始”提示词更好，但并未完全超越“清单”方法。
- 效率： 这种方法耗费最多精力。因为 AI 必须停下来、提问、等待你的回复，然后再作答，所以获得良好结果所需的“回合”（对话次数）几乎是其他方法的两倍。
- 结果： 它很有帮助，但感觉像是一场更漫长、更疲惫的对话。
失败者：“原始”提示词
- 质量： 这些答案最弱。它们通常不完整、模糊，或偏离重点。
- 效率： 令人惊讶的是，数据显示这些答案仅用了一个回合，但研究人员指出，在现实生活中，你很可能会被迫不断要求修改，因为第一个答案通常很差。
- 结果： 你得到了一个快速的答案，但它可能并不是你真正想要的。
核心启示
该论文得出结论：花一点额外时间编写结构化的提示词（使用简单的清单），可以为你节省大量的后续时间。
这就像打包行李箱：
- 原始提示词： 你随意地把衣服扔进箱子。到达目的地后，你发现自己忘了带鞋子。你必须打电话回家解决这个问题（额外精力）。
- 澄清性问题： 你在打包之前打电话回家问：“我需要带鞋子吗？”然后你再打包。这行得通，但打电话需要时间。
- 清单提示词： 你在开始之前使用打包清单。你确切地知道该带什么。你到达目的地时，一切立刻完美无缺。
这项研究表明，对于大多数人和大多数任务而言，仅需用清晰的结构（角色、背景、格式）来组织你的请求，就是从 AI 获得最佳结果的最有效方式，从而避免了无休止的来回修正。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。