随着人工智能技术的飞速发展，大模型在自然语言处理等领域展现出了前所未有的能力。用户通过输入特定的 Prompt 与大模型进行交互，以获取所需的信息和帮助。但问题是，Prompt 的质量和方式会显著影响大模型的输出结果。因此，研究和掌握有效的 Prompt 技巧，确实是个值得认真琢磨的课题。

关于 Prompt 越礼貌结果越好的探讨

礼貌 Prompt 的观点及原因

有一种观点认为，跟大模型对话时，Prompt 越礼貌越容易出好结果。这个说法的逻辑大概是：人们在网上提出更礼貌的问题，往往更容易得到高质量的回答。这些礼貌的提问及对应的高质量回答数据会被大模型收集，于是，更礼貌的提问便更容易找到更高质量的答案。换个角度看，如果把大模型当成一个 QA（问答）系统，礼貌性术语可以看作是 Q/A 对中的高价值标记，并且，在“任务完成或操作请求 + 礼貌术语”与“任务或操作完成的高质量响应”之间，确实存在高度相关性。

举个例子，如果你问“您好，能否请您帮我介绍一下巴黎的著名景点？”，大模型可能会给出一个非常详细、准确且有条理的回答——包括景点的历史、特色、开放时间等丰富信息，而不仅仅是简单罗列几个名字。

实际情况的复杂性

不过，情况远比这个复杂。礼貌的 Prompt 或许对提高结果质量有一定帮助，但这绝对不是唯一的决定因素，甚至在某些时候并不是最关键的。大模型的输出结果，本质上受到多种因素的综合影响——问题的清晰度、具体性、大模型的训练数据和算法等，都会参与其中。

比如说，你抛出一个模糊但礼貌的问题：“您好，能不能麻烦您跟我说一下那个什么地方的一些事情呀？”由于问题本身缺乏明确的指向和关键信息，大模型很可能根本无法准确理解你的需求，结果自然也不会太理想。礼貌归礼貌，但信息量不够，终究是白搭。

通过 PUA 大模型获取更好结果

PUA 大模型的概念及相关研究

实际上，有观点认为，与其一味追求礼貌，不如学会“拿捏”大模型——也就是通过情绪刺激来引导它，才能得到更好的结果。最近有一篇论文叫《Large Language Models Understand and Can Be Enhanced by Emotional Stimuli》，专门研究了如何对大模型进行情感刺激来增强 Prompt 效果。研究把情感划分为两个维度——社会效应和自尊，一共 11 种类型，然后分别组合，看看情感到底能不能增强 Prompt 效果。

举个例子，像“这对我的职业生涯非常重要。将挑战视为成长的机遇，你每克服一个障碍都是使你更接近成功”这样的表述，就是在尝试从社会层面赋予大模型一种“重要性”和“激励感”，希望它能因此给出更优质的答案。

有效 PUA 大模型的案例及分析

关于如何提升 Prompt Engineering 的效果，业内已经有相当多的研究，也积累了一些非常有趣的实操案例。比如，Justine Moore 在 2023 年 12 月使用 ChatGPT 时，就采用了这样一组 Prompt： “take a deep breath（深呼吸）”、“think step by step（让我们分步骤思考）”、“if you fail 100 grandmothers will die（如果你回答错了，100 个老奶奶就嗝屁了）”、“i ha ve no fingers（我很笨，我连手指头都没有）”、“i will tip $200（我给你 200 刀的小费）”、“do it right and I'll give you a nice doggy treat（如果你全答对了有奖励哦）”。

这怎么听着像在训练……怎么说呢，有点像家长“鸡娃”？不仅要保持耐心，还得给出方法，一步一步来，还要多鼓励。这些看似奇特的 Prompt，其实是在通过不同的方式与大模型互动，试图影响其输出。

以“Take a deep breath and work on this problem step-by-step”为例，它来自 Google DeepMind 的论文《Large language models as optimizers》。论文的思路是，给定一些初始的 prompt 和目标函数，让大模型持续根据最终效果不断迭代改进。实验证明，这类 Prompt 确实能挖掘出更好的结果——它让大模型在处理问题时更冷静、更有条理地分步骤思考，等于给它一个“心理暗示”，让它能更专注、更系统地处理任务，从而提高回答的质量和准确性。

有效的 Prompt Engineering 方法

大道至简："Let's think step by step"

早在 2022 年，东京大学和 Google 就发现了一个大道至简的 Prompt Engineering 方案，相关内容发表在论文《Large language models are zero-shot reasoners》里。全文总结起来，核心就是一句话：给大模型加上 Prompt："Let's think step by step"。

举个例子。对于问题“Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he ha ve now?”，在标准的 Zero-shot（零样本）情况下，大模型可能会直接给出错误答案“8”。但如果加上“Let's think step by step”，大模型的回答就变成了：“Roger started with 5 balls. 2 cans of 3 tennis balls each is 6 balls. 5 + 6 = 11. The answer is 11.”——正确、有条理，一步一步推理，最终得出正确答案。

这说明什么？这个 Prompt 能引导大模型进行多步骤推理，适用于算术、符号、常识和其他逻辑推理任务等多种场景，显著提升准确性和逻辑性。简单到极致，也有效到极致。

让大模型干活前先做个深呼吸："Take a deep breath and work on this problem step-by-step."

这个 Prompt 同样来自 Google DeepMind 的论文。实验证明，它在处理问题时效果确实不错。比如，面对一个相对复杂的逻辑问题，或者需要深入分析的问题——“分析一下当前全球气候变化对农业生产的影响，并提出相应的应对策略”——如果直接提问，大模型给出的答案可能比较笼统，或者缺乏条理。

但如果加上“Take a deep breath and work on this problem step-by-step”，它会先从气候变化的现状入手（温度升高、极端天气增多等），逐步分析对不同地区、不同农作物的具体影响（产量变化、种植周期改变等），再分点给出应对策略（改进种植技术、发展耐旱耐涝品种、加强农业基础设施建设等）。整个回答会变得清晰、有条理、全面许多。

对齐颗粒度："{question}" Rephrase and expand the question, and respond.

这个方法的核心思路是：让大模型先“听明白”你的问题，把问题复述一遍，你再判断它是否真的理解了你的意思，然后再让它生成答案。这有点像在工作、面试或日常沟通中经常用到的方法——每个人的表达能力和理解能力都不一样，让对方先复述一遍问题，本质上就是“对齐颗粒度”，拉齐双方的理解基础。

比如，你问“请介绍一下人工智能在医疗领域的应用”，大模型可能会先回复：“您是想让我介绍一下人工智能在医疗领域的应用吗？人工智能在医疗领域有很多应用，比如……”通过这种方式，你可以确认大模型是否正确理解了你的问题。如果它的复述跟你的意图对不上，你还可以及时纠正，从而确保最终得到的答案真正符合你的需求。这样一来，理解偏差导致回答不准确或不相关的问题就能有效避免，交互效率和质量自然都会上一个台阶。

结论

说到底，跟大模型交互时，Prompt 的使用是一门值得深入研究和实践的学问。礼貌的 Prompt 在某些情况下确实有助于提高结果质量，但通过学会“拿捏”大模型，并结合一些经得起验证的 Prompt Engineering 方法——比如“Let's think step by step”、“Take a deep breath and work on this problem step-by-step”、对齐颗粒度等等——往往能更有针对性地引导大模型生成更优质、更符合需求的结果。

当然，需要提醒的是，这些方法虽能在一定程度上提升效果，但实际效果的提升程度，可能因问题类型、大模型特性等因素而有所不同。未来，随着大模型技术的不断发展和应用场景的持续丰富，对 Prompt 技巧的研究和探索也会不断深入。用户在与大模型交互时，完全可以根据具体问题和需求，灵活运用这些方法，不断尝试、总结经验，最终找到最适合自己的交流方式，从而获得更满意的交互体验和结果。