一般将给大模型的输入称为 Prompt，将大模型返回的输出称为 Completion。Prompt Engineering，即是针对特定任务构造能充分发挥大模型能力的 Prompt 的技巧。
基础LLM是基于文本训练数据，训练出预测下一个单词能力的模型。其通常通过在互联网和其他来源的大量数据上训练，来确定紧接着出现的最可能的词。
与基础语言模型不同，指令微调 LLM 通过专门的训练，可以更好地理解并遵循指令。指令微调 LLM 的训练通常基于预训练语言模型，先在大规模文本数据上进行预训练，掌握语言的基本规律。在此基础上进行进一步的训练与微调（finetune），输入是指令，输出是对这些指令的正确回复。有时还会采用**RLHF（reinforcement learning from human feedback，人类反馈强化学习）**技术，根据人类对模型输出的反馈进一步增强模型遵循指令的能力。通过这种受控的训练过程。指令微调 LLM 可以生成对指令高度敏感、更安全可靠的输出，较少无关和损害性内容。
可以选择用 ````，"""，< >，<tag> </tag>，:` 等做分隔符，只要能明确起到隔断作用即可。使用分隔符尤其重要的是可以防止 提示词注入（Prompt Injection）。什么是提示词注入？就是用户输入的文本可能包含与你的预设 Prompt 相冲突的内容。
寻求结构化输出，就是按照某种格式组织的内容。
要求模型检查是否满足条件，即通过 prompt 实现 if..else
prompt = f"""
您将获得由三个引号括起来的文本。\\
如果它包含一系列的指令，则需要按照以下格式重新编写这些指令：
第一步 - ...
第二步 - …
…
第N步 - …
如果文本中不包含一系列的指令，则直接写“未提供步骤”。"
\\"\\"\\"{text_2}\\"\\"\\"
"""
提供少量示例，让模型参考用户期望输出结果。
prompt = f"""
您的任务是以一致的风格回答问题。
<孩子>: 请教我何为耐心。
<祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；最宏伟的交响乐从单一的音符开始；最复杂的挂毯以一根孤独的线开始编织。
<孩子>: 请教我何为韧性。
"""
指定任务完成的步骤，帮助模型按步骤输出指定内容
prompt_2 = f"""
1-用一句话概括下面用<>括起来的文本。
2-将摘要翻译成英语。
3-在英语摘要中列出每个名称。
4-输出一个 JSON 对象，其中包含以下键：English_summary，num_names。
请使用以下格式：
文本：<要总结的文本>
摘要：<摘要>
翻译：<摘要的翻译>
名称：<英语摘要中的名称列表>
输出 JSON：<带有 English_summary 和 num_names 的 JSON>
Text: <{text}>
"""
指导