ChatGLM3-6B提示词工程：如何编写高效Prompt提升对话质量？

【免费下载链接】chatglm3-6b 项目地址: https://ai.gitcode.com/hf_mirrors/JiangSuAscend/chatglm3-6b

ChatGLM3-6B是ChatGLM系列最新一代的开源大语言模型，以其强大的对话能力和灵活的提示词工程支持而备受关注。作为一款专为中文优化的大型语言模型，ChatGLM3-6B采用了全新设计的Prompt格式，不仅支持流畅的多轮对话，还原生支持工具调用、代码执行和Agent任务等复杂场景。掌握ChatGLM3-6B的提示词工程技巧，能够显著提升对话质量和任务完成效率。

🔍 理解ChatGLM3-6B的对话格式

ChatGLM3-6B采用了特殊的对话格式，这是编写高效Prompt的基础。模型使用<|user|>、<|assistant|>、<|system|>等特殊标记来区分不同角色的对话内容。

核心对话格式示例：

[gMASK]sop<|user|>
你好，请帮我写一个Python函数
<|assistant|>
好的，我来帮你写一个Python函数...

这种格式设计让ChatGLM3-6B能够更好地理解对话上下文，实现更自然的交互体验。

🚀 5个实用Prompt编写技巧

1. 明确角色设定

在对话开始前，通过系统提示明确设定AI的角色和任务范围：

<|system|>
你是一个专业的Python编程助手，擅长代码编写和调试。

2. 结构化任务描述

将复杂任务分解为清晰的步骤，使用编号或项目符号：

<|user|>
请帮我完成以下任务：
1. 编写一个计算斐波那契数列的函数
2. 添加异常处理机制
3. 编写单元测试用例

3. 提供上下文示例

通过Few-shot学习的方式提供示例，让模型更好地理解你的需求：

<|user|>
以下是一个示例：
输入：计算1到10的平方
输出：[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

现在请计算1到5的立方：

4. 使用约束条件

明确指定输出格式、长度限制或其他约束：

<|user|>
请用JSON格式返回结果，包含"status"、"data"、"message"三个字段，总字数不超过200字。

5. 迭代优化Prompt

基于模型的响应不断调整和优化你的Prompt：

• 第一轮：基础任务描述
• 第二轮：添加具体要求和格式
• 第三轮：修正误解，补充细节

💡 高级提示词工程策略

多轮对话管理

ChatGLM3-6B支持完整的对话历史管理，在modeling_chatglm.py中的chat方法可以维护完整的对话上下文。合理利用对话历史能够显著提升复杂任务的完成质量。

工具调用集成

模型原生支持工具调用功能，可以通过特定的Prompt格式触发外部工具：

<|user|>
查询北京的天气
<|assistant|>
<|tool_call|>
{"name": "weather_query", "parameters": {"city": "北京"}}

代码执行能力

ChatGLM3-6B内置代码解释器功能，能够执行简单的Python代码：

<|user|>
请计算圆的面积，半径为5
<|assistant|>
<|code_interpreter|>
import math
radius = 5
area = math.pi * radius ** 2
print(f"半径为{radius}的圆面积是：{area:.2f}")

📊 性能优化技巧

温度参数调整

在examples/inference.py中可以看到，ChatGLM3-6B支持多种生成参数：

• temperature=0.8：创造性和多样性适中
• temperature=0.2：更加确定性和一致
• top_p=0.8：核采样，控制输出质量

上下文长度管理

合理控制对话历史长度，避免超出模型的上下文限制。ChatGLM3-6B标准版支持8192个token的上下文长度。

🛠️ 实际应用场景示例

场景一：技术文档编写

<|system|>
你是一名技术文档工程师，擅长编写清晰、准确的技术文档。

<|user|>
请为以下Python函数编写API文档：
def calculate_statistics(data):
    """计算数据的基本统计信息"""
    return {
        "mean": np.mean(data),
        "median": np.median(data),
        "std": np.std(data)
    }

场景二：数据分析助手

<|user|>
分析以下销售数据，提供关键洞察：
月份,销售额,成本
1月,10000,6000
2月,12000,7000
3月,15000,8000

请计算：
1. 每月利润率
2. 季度总利润
3. 增长趋势分析

场景三：学习辅导

<|system|>
你是一名耐心的数学老师，擅长用简单易懂的方式解释复杂概念。

<|user|>
请用通俗易懂的方式解释什么是微积分中的导数概念，并举例说明。

📈 评估和优化你的Prompt

评估指标

• 相关性：回答是否直接解决问题
• 准确性：信息是否正确无误
• 完整性：是否覆盖所有需求点
• 可读性：表达是否清晰易懂

优化循环

1. 测试：用不同Prompt测试相同任务
2. 对比：分析不同Prompt的响应质量
3. 调整：基于反馈优化Prompt结构
4. 验证：用新数据验证优化效果

🔧 快速开始指南

要开始使用ChatGLM3-6B的提示词工程，首先克隆仓库：

git clone https://gitcode.com/hf_mirrors/JiangSuAscend/chatglm3-6b

安装依赖：

pip install protobuf transformers==4.30.2 cpm_kernels torch>=2.0 gradio mdtex2html sentencepiece accelerate

参考examples/inference.py中的示例代码开始你的提示词工程之旅。

🎯 总结

ChatGLM3-6B的提示词工程是一门结合艺术和科学的技术。通过掌握上述技巧，你可以：

✅ 显著提升对话质量和准确性
✅ 更高效地完成复杂任务
✅ 充分利用模型的全部能力
✅ 创建更加智能和有用的AI应用

记住，优秀的Prompt工程需要实践和迭代。从简单的任务开始，逐步尝试更复杂的场景，不断优化你的提示词策略。ChatGLM3-6B的强大能力正等待着你通过巧妙的Prompt来发掘！🚀

提示词工程的核心原则：清晰明确、结构合理、逐步迭代、持续优化。遵循这些原则，你将成为ChatGLM3-6B提示词工程的高手！

【免费下载链接】chatglm3-6b 项目地址: https://ai.gitcode.com/hf_mirrors/JiangSuAscend/chatglm3-6b