当前，大语言模型（LLM）的应用日益广泛，覆盖从文本生成到复杂问题解决等多个领域。然而，如何有效地与这些人工智能模型交互，以发挥它们的最大潜力，却是一个经常被忽视的话题。我校心理学系的林志成特任研究员在其最近的评论文章中提供了一些实用的策略和指导，帮助我们更好地理解和利用这些先进的人工智能工具。
在《自然人类行为》（Nature Human Behaviour）发表的文章中，林志成详细讨论了与大语言模型交互时如何写有效的“指令”（Prompt）。文章强调，精心设计的指令不仅可以提高响应的准确性和相关性，还可以避免由于指令质量不佳而导致的模型表现不佳。
大语言模型运用深度学习技术模拟人类大脑的神经网络，根据用户的指令生成文本等内容。与传统软件不同，它能够解析自然语言命令，并在多种任务中表现出色，因而既用户友好又具有多样性。文章指出：“与大语言模型的互动看似非常简单：只需输入一个问题，立刻得到回答。然而，有效地与这些模型互动实际上比最初看起来的要更为复杂和细致。”
为了克服这一挑战，文章给出了一系列策略，包括明确指令、分解复杂任务、增加相关上下文、使用角色扮演以及提供具体示例等。这些方法可以有效指导模型生成更精准的回答，并减少错误累积的可能性。
此外，文章还强调了“指令工程”（prompt engineering）的重要性。这是一种通过精确控制输入指令来优化大语言模型输出的技术。文章分享了多种实用的指令策略，旨在帮助用户从大语言模型中获得最佳结果。文章不仅提供了一个实用的交互指南，还促进了我们对大语言模型潜力的深入理解。这些策略和见解对于希望提高与大语言模型交互效率的用户来说，具有重要价值。
林志成特任研究员为本文的唯一作者。林志成博士是心理学系今年引进的青年人才，自2024年起担任《Psychological Science》（影响因子8.2）和《Behavior Research Methods》（影响因子5.4）的副主编，是首位获此殊荣的大中华地区学者。此外，他曾是《Journal of Experimental Psychology: General》的编委（大陆首位）、Psychonomic Society的会士，并荣获意识科学研究学会（ASSC）威廉詹姆斯奖和心理科学协会（APS）的新星奖（Rising Star Award）等重要国际奖项。
该研究得到了科技创新2030、国家自然科学基金委等的资助。
原文链接：https://www.nature.com/articles/s41562-024-01847-2
https://mp.weixin.qq.com/s/2GgiwfiDJGV1krc9IP2U_g
（心理学系）
