Andrew Ng分享懒人提示法：快速粗提示，再根据输出调整。
与标准提示建议相反（即应给LLM成功所需的上下文），我有时发现偷懒并快速写出一个粗略、不精确的提示看看结果会更高效。关键是能否快速评估输出质量，从而决定是否提供更多上下文。本文分享何时以及如何使用“懒人提示”。
调试代码时，许多开发者将错误信息（有时长达数页）复制粘贴到LLM中，而无额外说明。多数LLM足够聪明，能理解你想让他们帮助理解和提出修复方案，因此无需明确告知。用简短的指令如“编辑这个：…”或“示例dotenv代码”（提醒如何编写使用Python的dotenv包的代码），LLM常能生成良好响应。此外，若响应有缺陷，希望你能发现问题并优化提示，例如引导LLM如何编辑你的文本。
另一方面，有时我会花30分钟精心编写两页提示，让AI系统帮我解决问题（如编写多页代码），否则需要更长时间。
我不会尝试懒人提示如果：(i) 我确信没有额外上下文LLM不可能提供好的解决方案。例如，给定部分程序规范，即使熟练的人类开发者能否理解你的需求？如果坚决要使用某PDF转文本软件（如我的团队LandingAI的Agentic Doc Extraction！），应在提示中说明，否则LLM很难猜到我的偏好。我也不会使用懒人提示如果(ii) 有问题的实现需要长时间检测。例如，判断输出是否正确唯一方式是费力运行代码检查功能，那么最好事先花时间提供上下文，提高LLM生成所需内容的几率。
顺便说，懒人提示是高级技巧。平均而言，我看到更多的人给LLM的上下文太少而非太多。只有当你学会如何提供足够上下文，然后刻意退一步看最少需要多少上下文仍能有效工作时，懒惰才是好技巧。另外，懒人提示仅适用于通过LLM的网页或应用界面快速迭代的场景，不适用于为重复调用API而编写的代码提示，因为不会检查每个输出并改进。
感谢Rohit Prsad（与我合作开源包aisuite）提出术语“懒人提示”。这与计算机科学中的惰性求值类似，即尽可能晚地调用函数，且仅当需要特定结果时。在懒人提示中，我们只在需要时添加细节。
原文：
https://deeplearning.ai/the-batch/issue-295/
...
调试代码时，许多开发者将错误信息（有时长达数页）复制粘贴到LLM中，而无额外说明。多数LLM足够聪明，能理解你想让他们帮助理解和提出修复方案，因此无需明确告知。用简短的指令如“编辑这个：…”或“示例dotenv代码”（提醒如何编写使用Python的dotenv包的代码），LLM常能生成良好响应。此外，若响应有缺陷，希望你能发现问题并优化提示，例如引导LLM如何编辑你的文本。
另一方面，有时我会花30分钟精心编写两页提示，让AI系统帮我解决问题（如编写多页代码），否则需要更长时间。
我不会尝试懒人提示如果：(i) 我确信没有额外上下文LLM不可能提供好的解决方案。例如，给定部分程序规范，即使熟练的人类开发者能否理解你的需求？如果坚决要使用某PDF转文本软件（如我的团队LandingAI的Agentic Doc Extraction！），应在提示中说明，否则LLM很难猜到我的偏好。我也不会使用懒人提示如果(ii) 有问题的实现需要长时间检测。例如，判断输出是否正确唯一方式是费力运行代码检查功能，那么最好事先花时间提供上下文，提高LLM生成所需内容的几率。
顺便说，懒人提示是高级技巧。平均而言，我看到更多的人给LLM的上下文太少而非太多。只有当你学会如何提供足够上下文，然后刻意退一步看最少需要多少上下文仍能有效工作时，懒惰才是好技巧。另外，懒人提示仅适用于通过LLM的网页或应用界面快速迭代的场景，不适用于为重复调用API而编写的代码提示，因为不会检查每个输出并改进。
感谢Rohit Prsad（与我合作开源包aisuite）提出术语“懒人提示”。这与计算机科学中的惰性求值类似，即尽可能晚地调用函数，且仅当需要特定结果时。在懒人提示中，我们只在需要时添加细节。
原文：
https://deeplearning.ai/the-batch/issue-295/
...