(C) 上下文：为任务提供背景信息 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。

(O) 目标：明确你要求大语言模型完成的任务 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。

Prompt 编写框架

-

• Instruction（必须）： 指令，即你希望模型执行的具体任务。

• Context（选填）： 背景信息，或者说是上下文信息，这可以引导模型做出更好的反应。

• Input Data（选填）： 输入数据，告知模型需要处理的数据。

精度

浮点数精度：双精度（FP64）、单精度（FP32、TF32）、半精度（FP16、BF16）、8位精度（FP8）、4位精度（FP4、NF4） 量化精度：INT8、INT4 （也有INT3/INT5/INT6的）

精度高肯定更准确，但是也会带来更高的计算和存储成本。较低的精度会降低计算精度，但可以提高计算效率和性能。

Microsoft Prompt Engineering

https://github.com/microsoft/generative-ai-for-beginners

基本概念

• Tokenization = how the model "sees" the prompt 标记化 = 模型如何“看到”提示 LLM 将 prompt 视为一系列 tokens，其中不同模型（或模型的版本）可以以不同方式对同一提示进行标记。

OpenAI Prompt Engineering

https://platform.openai.com/docs/guides/prompt-engineering

Write clear instructions（写出清晰的指令）

把话说详细

尽量多的提供任何重要的详细信息和上下文，不要一太笼统