■本报记者 王敏

在人们印象中，使用大语言模型是极其简单的操作——只需输入一个问题，立刻就能得到回答。但实际上，要想“用好”大语言模型，也是需要技巧的。

如何有效地与这些人工智能模型互动，发挥出它们的最大潜力？中国科学技术大学心理学系特任研究员林志成在最近发表于《自然-人类行为》的评论文章中，提供了一系列策略和指导，以此帮助人们更好地理解和“用好”这些先进工具，生成更精准的回答。

“从本质上看，大语言模型是一个数学模型，缺乏对语义的理解。它只能‘预测下一个文字’出现的概率，而不能生成‘真理’。”在接受《中国科学报》采访时，林志成建议在输入指令时可以使用8个小技巧。

拆分复杂任务

由于缺乏对语义的理解，想要大语言模型“举一反三”是很难的。但是，它有海量的数据、珍贵的“记忆”，可以从中提取信息。

因此，用好大语言模型，林志成给出的第一个小技巧是拆分复杂任务。

比如，不要直接给出“将文本翻译成中文”这样宽泛的指令，而是将指令拆解成两步——首先按字面意思翻译，保持含义不变；然后意译，让文本符合中文的语言习惯。

再比如，让大语言模型写出一篇1000字的论文，可以尝试把任务分解成子任务，用具体的指令分别生成概述、结论和中心论点。

林志成说：“清晰、逐步的指令会降低模糊性和不确定性，从而生成更准确的答案。”

添加相关语境

大语言模型比人类的“短期记忆”多太多。因此，想要让它提供精准且符合问题语境的回复，在输入指令时添加相关语境就很重要。这是第二个小技巧。

林志成说，一个限定语境的问题应当包含具体内容和细节，从而引导大语言模型产生更准确的理解力，生成有洞察力、更精细的回复。

例如，让大语言模型起草一份求职简历，事先要把企业发布的具体职位需求、个人基本情况等内容一并提供给它，如此一来，输出的简历就更具有针对性。

明确的指令

当你走进一间咖啡厅，想要点一杯喜欢的咖啡，应该不会说“请来杯咖啡”，而是会说“来杯摩卡或拿铁”。同样，你也不要期待大语言模型能读懂你的心。

林志成指出，要想降低大语言模型预测时的不确定性，就要给出明确的指令。这是第三个小技巧。

例如，想让大语言模型修改文章，不要说“润色这篇文章”，而是具体到修改成什么风格、文章的目标受众是谁……

林志成说，一段更具体的指令甚至可以是“像顶级期刊的顶级编辑那样，润色这篇文章，让它更为清晰流畅”。

提供多种选项

大语言模型还拥有超强的“长期记忆”和生产能力。因此，它可以提供多个版本，而不是一个。

“很多时候，人们潜意识里认为，大语言模型给出的答案是最优的。但就文本写作而言，带有很多主观色彩，并不是一个简单量化的东西。因此很难判断大语言模型第一次给出的就是最优答案。”林志成说，此时，可以让大语言模型提供多种选项，再从中选出符合个人需求的答案。这是第四个小技巧。

此外，林志成建议，还可以考虑重复用同样的指令多次生成回复。

设定角色

大语言模型特有的“长期记忆”意味着它能够模拟各种角色，提供专业的反馈或独特的视角解读。因此，设定角色是第五个小技巧。

例如，输入指令时，可以让它模仿典型读者提供写作上的反馈，也可以让它扮演一名写作教师帮助修订文稿，甚至可以让它扮演一头擅长人类生理学的西藏牦牛，以其独特的视角解释高海拔对心肺功能的影响。

“让大语言模型扮演不同角色，不仅能获得更多有针对性和符合语境的回复，还能在整个过程中获得更多乐趣。”林志成说。

提供具体例子

大语言模型擅长小样本学习。“一个特别有效的手段就是使用具体例子丰富大模型的想法。就像你去理发店，对理发师描述想要的发型，最好的方法是给他看照片。”林志成说，提供具体例子是第六个小技巧。

比如，输入指令时，不要模糊地说“以这些数据制图”，而是提供一个例子，如“为这些数据画个条形图，类似附件论文中的图”。再比如，当你让大语言模型根据文稿生成摘要时，可以提供几份期刊中的摘要样例，大语言模型就可以参考这些例子生成符合期刊风格的摘要。

“这些具体的例子就像路线图一样，指导大语言模型朝着你期望的方向生成内容。”林志成说。

声明回复格式

林志成说，大语言模型经常“废话太多”。例如，让它修改一篇文章，它可能会把修改的细节一并反馈，但其实你只需要最后的成稿。

此时，可以要求大语言模型仅输出修改后的内容。比如，可以指定回复格式，包括列表格式、阅读水平和语言等。用列表格式和通俗的语言能够提升回复的可读性；限制回复的长度可以使内容更加简洁；设定阅读水平则有助于更好地理解。这是第七个小技巧。

例如，与其让大语言模型“总结关键发现”，不如声明回复格式，“用列表形式总结关键发现，并使用高中生能够理解的语言”。

实验、实验再实验

“需要指出的是，如何使指令更有效，尚无确切答案。有时稍微调整一下，可能就会收获意外惊喜。”林志成说，实验、实验再实验，是最好的办法。这也是第八个小技巧。

例如，在一系列推理问题中，在指令中简单加入“一步一步思考”就可以让大语言模型表现得更好。

有意思的是，大语言模型还能回应“情绪性的信息”。假如你让它修改一篇未经同行审议的论文，可以在指令中加入一些短语，比如“深呼吸一下，这事对我的职业生涯很重要”。

林志成说，这些例子证明大语言模型对指令非常敏感。不过，并非所有尝试都会成功，但每次尝试都会有新的收获，并在一定程度上提升工作效率、增加乐趣。

相关论文信息：

https://doi.org/10.1038/s41562-024-01847-2