8個小技巧“用好”大語言模型

用大語言模型，還需要技巧？在人們的印象中，這是個極其簡單的操作：只需輸入一個問題，立刻就能得到回答。

但實際上，如何有效地與這些人工智能模型互動，發揮出它們的最大潛力，卻是一個經常被忽視的話題。

中國科學技術大學心理學系特任研究員林志成關注到這一話題，并在他最近的評論文章中提供了一系列的策略和指導，希望幫助人們更好地理解和“用好”這些先進的人工智能工具，生成更精準的回答。相關研究成果日前發表于《自然-人類行為》。

近日，《中國科學報》記者采訪了林志成。“從本質上來看，大語言模型是一個數學模型，缺乏對語義的理解。它只能‘預測下一個文字’出現的概率，而不能生成‘真理’。”林志成建議在輸入指令時，可以使用分解復雜任務、增加相關語境、角色扮演、提供具體示例等8個小技巧。

分解復雜任務

由于缺乏對語義的理解，因此想要大語言模型自己“舉一反三”，是很難的。但是，它有海量的數據、珍貴的“記憶”，可以從中提取信息。這套記憶來源于訓練數據——長期記憶，還有人們日常給予的指令——短期記憶。

因此，用好大語言模型，林志成給出的第一個小技巧是拆分復雜任務。

例如，不要直接給出“將文本翻譯成中文”這樣寬泛的指令，可以考慮把它拆解成兩步：首先按字面意思翻譯，保持含義不變；然后意譯，讓文本符合中文的語言習慣。

類似地，與其讓它直接寫出一篇1000字的論文，不如嘗試把任務分解成子任務，用具體的指令分別生成概述、結論和中心論點。

林志成說，“清晰、逐步的指令，會降低模糊性和不確定性，因此可以生成更為準確的答案。”

添加相關語境

大語言模型比人類的“短期記憶”多太多了。因此，想要讓它提供精準且符合問題語境的回復，在輸入時提供相關的語境就很重要。這是第二個小技巧。

林志成說，一個限定語境的問題應當包含具體內容，將問題放在具體的細節中，這樣才能引導大語言模型產生更為準確、相關的理解力，生成更有洞察力、更精細的回復。

例如，讓大語言模型起草一份求職簡歷，事先要把企業發布的具體職位需求、個人基本情況等內容一并提供給它，如此一來，輸出的簡歷則更具有針對性。

明確的指令

當你走進一間咖啡館，想要點一杯喜歡的飲料，應該不會說：“請來杯咖啡。”而是會說，“來杯摩卡或者拿鐵。”

同樣地，你也不要期待大語言模型能讀懂你的心。

林志成指出，要想降低模型預測時的不確定性，就要給出明確的指令。這是第三個小技巧。

例如，你讓大語言模型修改文章，不要說“潤色這篇文章”，而要具體到修改成什么風格、文章的目標受眾是誰……

林志成說，一段更具體的指令甚至可以是“像個頂級期刊的頂級編輯那樣，潤色這篇文章，讓它更為清晰流暢。”

讓它提供多種選項

大語言模型還擁有巨大的“長期記憶”，超強的生產能力。你可以讓它提供多種版本的選項，而不僅僅是一個版本內容。

“很多時候，人們潛意識里認為，大語言模型給出的就是最優答案。但就文本寫作而言，它并不是一個簡單量化的東西，它具備很多主觀色彩。因此很難判斷大語言模型第一次給出的就是最優答案。”林志成說，此時，可以讓大語言模型提供多種選項，再鑒賞出符合個人需求的答案。這是第四個小技巧。

此外，林志成建議，除了要求大語言模型提供多種選項外，還可以考慮重復用同樣的指令多次生成回復。

設定角色

大語言模型特有的“長期記憶”還意味著它能夠模擬各種角色，提供專業的反饋或者獨特的視角解讀。

例如，模仿典型讀者，提供寫作上的反饋；扮演一名寫作教練，幫助修訂文稿；甚至可以扮演一只擅長人類生理學的西藏牦牛，以其獨特的視角解釋高海拔對心肺功能的影響。這是第五個小技巧。

林志成說，“讓大語言模型扮演不同角色，不僅能獲得更多有針對性和符合語境的回復，而且在這個過程中，還能獲得更多樂趣。”

提供具體例子

大語言模型擅長小樣本學習。林志成說，“一個特別有效的手段就是使用具體的例子豐富想法。就像你去理發店，對理發師描述想要的發型，最好的方法是拿一張照片，勝過千言萬語。”這是第六個小技巧。

例如，不要模糊地說“以這些數據制圖”，而是提供一個例子，如“為這些數據畫個條形圖，類似附件論文中的圖”。另一個例子是，當你讓大語言模型根據文稿生成摘要時，可以提供幾個你打算投稿的期刊中的摘要樣例。語言模型可以參考這些例子來生成符合期刊風格的摘要。

“這些具體的例子就像路線圖一樣，指導大語言模型朝著與你期望一致的方向生成內容。”林志成說。

聲明想要的輸出格式

林志成說，大語言模型經常“廢話太多”。例如，讓它修改一篇文章，它可能會把修改的細節一并反饋，但其實你只需要最后的成稿。

此時，可以要求大語言模型僅輸出修改后的內容。類似地，可以指定回復的格式，包括列表格式、閱讀水平和語氣等。用列表格式和通俗的語氣能夠提升回復的可讀性；限制回復的長度可以使內容更加簡潔；設定閱讀水平則有助于更好地理解。這是第七個小技巧。

例如，與其讓其“總結關鍵發現”，不如聲明回復格式：“用列表形式總結關鍵發現，并使用高中生能夠理解的語言”。

實驗、實驗、再實驗

“需要指出的是，如何使指令更有效，并沒有確切的答案。有時，稍微調整一下，可能就會產生顯著甚至意外的驚喜。”林志成說，實驗、實驗、再實驗，是最好的辦法。這也是第八個小技巧。

例如，在一系列推理問題中，在指令中簡單加入“一步一步思考”就可以讓大語言模型表現地更好。

更有意思的是，大語言模型還可以回應“情緒性的信息” 。假如你要讓它修改一篇未經同行審議的論文，可以在指令中加入一些短語：“深呼吸一下，這事對我的職業生涯很重要。”

林志成說，這些例子證明大語言模型對指令非常敏感。但并非所有嘗試都會成功，但每次嘗試都會有新的收獲，并在一定程度上提升工作效率，增加樂趣。

相關論文信息：https://doi.org/10.1038/s41562-024-01847-2