先做个广告：如需代注册ChatGPT或充值 GPT4.0会员（plus），请添加站长微信：gptchongzhi
推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top
我们提到了Prompt的源码分析，以及我们在LangChain开发中是如何使用Prompt，这一节课，我们继续研究Prompt，关注如何写好Prompt。
首先，我们再次说明，Prompt可就是我们给到大语言模型的输入，当前比较常用的Prompt有两种类型：
Zero-Shot Prompting，又称之为零样本提示；
Few-Shot prompting，小样本提示，或者样式提示，或者称之为案例提示都可以；
下面我们就分别就这两种类型进行阐述。
02 | Zero-Shot Prompting
Zero-Shot Prompting，零样本提示模型，也就是不需要给到大模型任何的示例，直接由大模型控制输出即可。
这种能力的原因在于大模型训练了大量的数据，具备一定的推理能力，因此，可以实现一些零样本任务，比如如下的示例：
你现在需要从如下的问题中抽取出城市名称和目的地信息。输入：我想去北京的西三旗，怎么走输出：北京，西三旗
在这个例子中，我们并不需要提供任何的示例，模型就可以从问题中解析出城市和目的地数据，这就是零样本的能力。
但是这种情况主要用于你要大模型分析的数据是常见的能力，或者大模型已经具备的能力，毕竟大模型并不具备创造的能力，它最擅长的就是归纳总结以及改写能力。
03 | Few-Shot Prompting
Few-Shot Prompting，样例提示主要是在大模型无法理解我们的问题，或者我们需要大模型按照我们的格式进行输出的时候，我们就要在提示中进行引导或者给出一定的样例，对模型进行一定的微调，来实现我们的业务要求。
先看第一个例子，也就是大模型无法理解我们的问题。如果是零样本提示，大模型回答如下：
请给下面的一句话分词：输入：我一把把车把把住了输出：我/一把把/车把/把/住/了
如果是样本提示，我们可以给出一些词语的含义，比如：
请给下面的一句话分词，可以参照下面的一些样例数据：样例：输入：我想过过儿过过的生活输出：我/想过/过儿/过过的/生活解析：我是主语，想过值得是想要尝试，过儿指的是《神雕侠侣》的杨过，过过的生活指的是曾经生活过的生活输入：我一把把车把把住了输出：
这时候大模型就会按照我们的预想进行分词。
还有一种情况呢，就是我们想要大模型按照我们想要的格式进行输出，还是上面的零样本提示，如果我们需要大模型按照如下的json格式输出{"city":"北京","destination":"西三旗"}，那么我们就需要给出一定的样例，从而让大模型按照我们的要求输出。
你现在需要从如下的问题中抽取出城市名称和目的地信息，以json格式输出。样例：输入：我想去深圳的深圳湾输出：{"city":"深圳","destination":"深圳湾"}输入：我想去北京的西三旗，怎么走输出：
这时候大模型就会按照我们的要求输出了。
如果要写入代码中，我们怎么来写呢？很简单，直接将上面的两个内容当做prompt直接传入大模型即可：
template='''上面的两个prompt传入即可'''prompt = PromptTemplate(template = template)llm = OpenAI(temperature=0)print(llm(prompt))
代码就是这么简单，就能够完成我们想要的能力了。
04 | 小结
上述两种提示的类型需要根据具体的业务要求进行选择，一般情况下，建议使用Few-Shot Prompt，更能够按照我们的要求进行输出。
