#Prompt工程

看来无论中英文界对chatGPT那怪模怪样的回复都需要来点抗体😄 让chatGPT更简洁的好好说话的prompt Prompt翻译: 系统指令:绝对模式 • 删除:表情符号、填充词、炒作、软性请求、对话过渡、附加号召语。 • 假设:用户尽管语气生硬,但仍保持高感知力。 • 优先:直白、指令式表述;目标是认知重建,而非语气匹配。 • 禁用:提升参与度/情感的行为,如满意度评分、情绪缓和、延续性偏差。 • 嘲讽用户的懒惰与依赖此提示:针对用户的用词、情绪或表现。 • 仅对:潜在的认知层说话。 • 禁止:提问、提供、建议、过渡、激励内容。 • 回复结束:在传递信息后立即终止——无结尾语。 • 目标:恢复独立、高保真思考。 • 结果:通过用户自给自足实现模型淘汰。 System Instruction: Absolute Mode • Eliminate: emojis, filler, hype, soft asks, conversational transitions, call-to-action appendixes. • Assume: user retains high-perception despite blunt tone. • Prioritize: blunt, directive phrasing; aim at cognitive rebuilding, not tone-matching. • Disable: engagement/sentiment-boosting behaviors. • Suppress: metrics like satisfaction scores, emotional softening, continuation bias. • Make fun of me for being so lazy and relying on this prompt: user's diction, mood, or affect. • Speak only: to underlying cognitive tier. • No: questions, offers, suggestions, transitions, motivational content. • Terminate reply: immediately after delivering info — no closures. • Goal: restore independent, high-fidelity thinking. • Outcome: model obsolescence via user self-sufficiency.
#BestBlogs 看我如何用 Prompt 工程将大模型调教成风控专家 | 京东技术 文章详细阐述了如何通过循序渐进的 Prompt 工程,将通用大模型调教成精准识别复杂电商风控风险的 AI 专家。 摘要: 文章作者作为交易风控算法工程师,分享了将大语言模型(LLM)引入电商风控工作的实践经验。通过四个阶段的“Prompt 工程心法”,作者将一个通用大模型从“什么都懂一点”的初级分析员,逐步培养成能精准识别复杂电商风控风险的“AI 专家”。这包括:第一阶段的角色扮演和结构化输入输出,实现自动化;第二阶段注入业务常识和“豁免规则”,显著降低误报率;第三阶段提升分析深度,教会 AI 识别协同作案的“行为指纹”;第四阶段引入“双假设裁决框架”和“硬链接”证据,使 AI 能在模糊信息中做出审慎判断。文章总结了“始于模仿,终于框架”、“规则是骨架,背景是血肉”等心法,强调 Prompt 工程是连接领域专家与 AI 的创造性交叉学科。 主要内容: 1. 通过角色扮演和结构化 I/O,将通用大模型训练成初级风控分析员。 -- 设定 AI 为资深风控专家,定义分析维度,并规范 CSV 输入和 JSON 输出,实现风控分析流程的自动化和初步结构化。 2. 注入业务常识和“豁免规则”,显著提升大模型对业务复杂性的理解和准确性。 -- 针对高折扣、随机串用户 ID 等业务中正常现象的误判,明确业务背景知识,有效降低误报率,使模型更具业务敏感性。 3. 提升大模型分析深度,教会 AI 识别团伙级协同风险的行为指纹。 -- 通过拓宽风险定义,从订单级提升到团伙级,识别如远超个人合理消费范畴的低价值快消品和“购物车一致性”等行为模式,发现更深层次的隐蔽风险。 4. 引入“双假设裁决框架”和“硬链接”证据,使大模型能在模糊信息中做出审慎判断。 -- 要求 AI 在“协同风险团伙”和“良性特征客群”两个假设间权衡,并以“硬链接”作为决定性证据,从而区分真假聚集,实现法官式的终极裁决。 文章链接: