收益：
- 从真实示例中识别最常见的提示错误
- 可以对每个错误应用实用且可重复的修复
- 认识到不良输出通常是由不良提示引起的
在本模块中，我们一一学习了编写好的提示的技巧。现在让我们从不同的角度来强化这些：通过查看最常见的错误及其解决方案。绝大多数糟糕的人工智能输出是由于糟糕的提示，而不是模型的不足。如果您发现本机中的错误，您可以在自己的提示中快速诊断并修复问题；你可以说“让我像这样修复我的提示”，而不是说“人工智能不能做到这一点”。
为什么识别错误很重要？
当输出不符合您的期望时，您可以通过两种方式做出反应：责怪工具或质疑提示。有经验的用户会选择后者。因为大多数时候，问题的根源是显而易见的，稍加修正结果就会发生变化。下面我们将看到八种最常见的错误、它们的症状和解决方案。
八个最常见的错误
错误
症状
解决方案
歧义
通用的“一刀切”答案
给予可衡量的指导
零上下文
输出不符合情况
添加人物/原因/历史
未指定格式
输出格式错误
强制格式
没有约束
内容过多、异常
添加“不要”列表
过载
模型跳过一些请求
划分工作，确定优先顺序
未证实
使用虚假信息
与来源核实事实
一击期望
不要在第一个出口就放弃
迭代
自相矛盾的指令
输出不一致
对齐约束
逐步诊断方法
当损坏的输出到达时，请遵循以下顺序：
- 使命明确吗？动词具体吗？它是否意味着您唯一想要的东西？
- 上下文足够吗？模特知道情况吗？
- 有没有提到格式？格式是你想要的吗？
- 有什么限制吗？是不是写了不想要的东西？
- 是不是我加载太多了？我是否在一个提示中要求了 5 份不同的工作？
- 我验证了吗？号码、姓名、日期是否已检查过？
这六个问题几乎捕获了所有错误。
四个可复制的校对模板
1）消除歧义：
使该指令可测量：[模糊指令]将每个模糊点转化为具体的数字、数量或标准。
2）分担过载：
不要一次完成这项任务。按此顺序进行，完成每一步后停止，等待我的确认：1) [子任务 1]2) [子任务 2]3) [子任务 3]
3）限位拟合：
只需依赖我在下面提供的信息即可。如果没有信息，则写“无数据”；不要猜测或添加。指出您使用的每个重要声明来自哪一行。来源：【正文】
4）解决矛盾：
检查我给您的说明是否有任何矛盾。如果是这样，请列出冲突点并询问我优先考虑哪一个；然后进行相应的生产。
弱提示/强提示
弱（许多错误组合在一起）：
为我们公司制定一份有关营销、预算和招聘的全面计划，然后就可以开始了。
强大（已修复错误）：
角色：您是一名为中小企业提供咨询的业务发展专家。背景：一家有12人的软件公司；本季度的目标是 20 个新客户。任务：仅编写营销计划（不包括预算和招聘）。格式：5 点行动清单；每项：行动+责任+标准。约束：付费广告预算0；仅推荐有机渠道。不要给出虚假的指标；证明该建议的合理性。
强大的版本拆分了重载（将三个主题塞进一个提示中），用标准取代歧义（“祝你好运”），并添加格式和约束。
三个迷你箱
情况 1 — 过载。经理要求在一次提示中提供报告摘要、演示计划和电子邮件；该模型将这三个部分分成了两半。通过将作业分为三个单独的提示，每个输出都是完整且可用的。总时间比处理一个复杂提示的时间还短。
情况 2——未确认。内容团队未经验证就发布了模型给出的“行业统计数据”；结果证明这个数字是错误的，他们不得不进行更正。后来，他们采取了“给每个号码一个来源，我会检查来源”的规则，消除了这个风险。
案例 3——指令冲突。当营销人员说“它很短但讲述了所有功能”时，该模型跳过了一些功能。当我将指令定为“用 60 个词描述 3 个最重要的特征”时，输出既简短又完整。
提示：在上线之前，请先回答“六个诊断问题”。这个 30 秒的检查使得大多数轮次的迭代从一开始就变得不必要。
注意：最危险的错误是“未验证”，因为输出看起来流畅且令人信服，所以它被忽视了。该模型可以非常自信地匹配数字、名称或来源。独立验证任何要发布或用作决策基础的事实。我们将在下一个单元中深化这个主题。
看不见的错误：“几乎正确”的输出
有些错误很容易发现：输出格式错误、偏离主题或显示空白。但最阴险的错误是输出几乎是正确的。文字流畅，结构流畅，语气切中要害；只是有一个错误的数字、一个被忽视的约束或一个小的逻辑错误。这些类型的输出是危险的，因为它们“看起来不错”而逃避检查。
有两个习惯可以防止这种情况发生。首先，不要在未阅读输出的情况下使用它：无论您有多匆忙，请在发送之前通读它。其次，让模型检查其输出：“检查您是否遵循了我给您的所有约束”或“列出本文中的所有数字”将使隐藏的错误浮出水面。这两个步骤需要几秒钟的时间，但由于“几乎正确”的输出而导致的错误决策的成本要高得多。
避免错误：设计胜于控制
有经验的用户不会在输出中寻找错误，而是会在出现提示时尝试从一开始就阻止错误。这就是心态上的差异。将每个重复出现的错误变成“永久规则”：如果模型不断在摘要作业中添加注释，现在为每个摘要提示设置“不添加注释”约束。如果模型总是在列表作业中生成太多项目，请在模板中放置“恰好 X 个项目”约束。这样，您就可以从一开始就防止它发生，而不是一次又一次地捕获相同的错误。精心设计的提示取代了后续的数十次更正；这将错误诊断从负担变成了学习和改进工具。
常见错误
- 责怪中间人。说“AI做不到”，而不是在提示中寻找问题所在。
- 在单个提示中投入太多工作。将五项独立的任务压缩为一条指令并完成一半。
- 跳过验证。假设流畅的输出是正确的。
- 给予矛盾的约束。自我冲突的要求，例如“简短但全面”。
- 在没有诊断的情况下重试。重复同样的错误却没有找出问题所在。
综上所述
- 大多数糟糕的输出是提示的问题，而不是模型的问题；可以诊断并纠正。
- 最常见的错误：歧义、零上下文、缺乏格式、缺乏约束、过载、缺乏验证、一次性期望和矛盾。
- 六个诊断问题（任务、上下文、格式、约束、负载、验证）可捕获大多数错误。
- 与将复杂的作业加载到单个提示上相比，划分复杂的作业可以提供更快、更高质量的结果。
- 最阴险的错误是不验证；输出流畅并不意味着准确。
应用任务
找到一份您不喜欢的旧打印输出，然后通过“六个诊断问题”运行提示。标记发生的错误，对每个错误应用本单元中的修复，然后再次运行提示。注意哪一次修正产生了最大的改进，而不是多少轮。
清单
- [ ] 如果输出错误，我会首先查询提示，而不是代理。
- [ ] 我可以执行六个诊断问题。
- [ ] 我把复杂的任务分成多个提示。
- [ ] 我注意到有冲突和不明确的说明并予以纠正。
- [ ] 我在发布之前验证了事实输出。