研究人員解釋了如何提高人工智能的回答質量 - ForkLog: 加密貨幣，人工智能，奇點，未來

# 研究人員解釋了如何提高AI響應的質量

精心設計的上下文提示提高了人工智能模型的回答準確性。這一結論出現在上海人工智能實驗室的文章中。

盡管神經網路能夠理解自然語言，但它們仍然需要獲取額外的信息和清晰的請求才能提供高質量的結果。例如，如果請求人工智能“規劃一次旅行”，它可能會建議奢華的郵輪，而不知道預算有限。

好的問題可以避免“熵”——由於過度不確定性而導致的混亂。

如何形成優質的提示

文章提出了提高與人工智能交流效率的方法。這些方法基於提示設計(prompt engineering)。

一些建議：

1. 需要從基礎開始：誰，什麼，爲什麼。 始終包含背景故事以創建上下文是很重要的。與其使用提示“寫一首詩”，不如嘗試請求：“你是一個浪漫的詩人，爲我的周年紀念而寫作。主題是永恆的愛。讓這首詩簡短而可愛。”
2. 應該像蛋糕一樣“分層”形成信息 — 從一般到具體**.** 從一般開始，然後添加細節。對於編程任務：“我是一名初學者程序員。首先解釋Python的基礎知識。然後幫助我調試這段代碼 [插入代碼]。背景：這是爲了一個簡單的遊戲應用程序。” 這將有助於AI處理復雜的請求而不會過載。
3. 標籤和結構的應用。 提示應通過標籤組織。示例：“目標：規劃一個預算旅行。限制：$500。適合家庭。偏好：海灘目的地。”這類似於爲人工智能提供一張路線圖。
4. 加入多模態元素。 如果請求涉及視覺元素或之前的聊天記錄，需要進行描述。示例：“基於此圖像 [描述或連結] 提出服裝選擇。之前的上下文：我喜歡休閒風格”。對於較長的任務，需要簡要概述歷史。
5. 過濾噪音。 在提示中只包含最必要的內容。如果AI“偏離了軌道”，則需要添加說明。例如：“忽略無關的主題——只專注於對健康的益處。”
6. 考慮過去的錯誤。 重要的是要考慮未來，例如：“上次你提出了X，但由於Y沒有成功——請相應調整。”

提醒一下，十月份賓夕法尼亞大學的研究表明，當對大型語言模型進行粗暴的提問時，它們的回答更加準確。