已完成
复杂任务需用“链式指令”（Chain-of-Thought Prompting）或“分步指令”拆解，模拟人类逻辑过程：链式指令：要求模型展示中间推理步骤（如“请计算‘鸡兔同笼’问题，并写出每一步的思考...
已完成
可通过以下指令技巧降低幻觉风险：限定知识范围：明确要求基于给定信息回答（如“根据以下提供的论文摘要回答问题，不要添加摘要外内容”）；标注不确定性：要求模型对存疑内容标注（如“如不确定答案，需注明‘推测...
已完成
初始指令可能因表述歧义、信息缺失或模型理解偏差导致输出不符合预期，需通过迭代优化调整。常见策略包括：细化约束：补充遗漏条件（如“增加‘需引用2023年后研究’”）；修正偏差：针对错误输出反向调整指令（...
已完成
角色设定通过赋予模型特定身份（如“资深律师”“小学教师”“数据科学家”），激活其训练数据中该领域的知识模式和语言风格，提升专业任务的输出质量。有效角色指令需满足：身份明确：避免模糊（如“专家”→“三甲...
已完成
可通过显式格式指令强制模型按指定形式输出，常见方法包括：直接指定格式：如“用JSON格式输出，包含‘问题’‘原因’‘解决方案’三个字段”；符号标记：用Markdown（如表格、列表）、XML标签（如<...
已完成
三者是根据指令中提供的示例数量划分的指令类型：零样本指令：无示例，直接描述任务（如“翻译以下句子为英文：[中文文本]”）；少样本指令：提供1-5个示例（如“例1：输入‘开心’→输出‘喜悦’；例2：输入...
已完成
高效指令设计需遵循四大原则：明确性：避免模糊表述（如“写篇文章”→“写一篇800字关于人工智能伦理的中文议论文，包含引言、论点、结论”）；完整性：提供必要的上下文（如任务背景、数据范围、输出约束）；结...
已完成
AI大模型指令（又称“提示词”“Prompt”）是用户输入给大语言模型的一段文本，用于明确任务目标、提供上下文信息或限定输出格式，引导模型生成符合预期的结果。它是人机交互的核心媒介，直接影响模型输出的...
已完成
在需要规避偏见、错误或敏感信息时，可通过否定指令限制模型行为。例如：“请解释量子计算原理，但不要涉及军事应用或国家安全相关内容。”此技巧帮助研究者控制生成边界，确保内容符合伦理规范与学术中立性要求，特...
已完成
为模型赋予特定角色（如“资深生物信息学研究员”或“经济学方法论专家”）可有效提升其在专业领域的回答质量。角色设定能激活模型训练数据中相关领域的知识模式，使输出更具权威性与针对性。例如：“假设你是一位环...
已完成
面对多步骤推理问题（如数学证明、实验设计分析），一次性提问可能导致模型遗漏关键环节。建议采用“链式思考”（Chain-of-Thought）策略，将问题拆解为若干子问题逐步提问。例如，先问“该实验的自...