为了从 LLM 获得最佳和最相关的结果，重要的是通过迭代和进化的方法得出提示。在本节中，我们将介绍一些用于从反馈意见中提取主题、情绪和竞争对手比较的提示工程技术。请注意，本文提供的提示片段可能不是适合所有用例的最佳提示。可以通过尝试随着时间的推移而发展的许多提示工程技术来改进提示。本文末尾的资源部分提供了一些资源，您可以参考这些资源在制作提示时应用一些推荐的提示工程技术。
丰富数据
反馈数据可能需要一些丰富活动才能用于提取见解。获得反馈数据后，首先要考虑如何使用源数据中的其他字段来丰富反馈。有时，反馈生成工具会提供一个选项来选择客户已提供评论 人力资源总监电子邮件列表 的类别。在这种情况下，将类别作为前缀添加到评论可以为评论提供良好的上下文。反馈数据可能需要一些清理，例如删除单词评论或无意义的评论，如Nil、Null、无评论等。最好根据模式验证数据，以避免在见解生成过程中出现幻觉和任何来自 LLM 的异常。构建执行数据提取、数据清理、数据丰富和模式验证的数据管道，并使精炼数据可用于 LLM 调用，这是获得 LLM 最佳结果的第一步。
从基本提示开始
构建提示是一个迭代过程。从一个非常基本的提示开始。它可以简单到“提取提供的反馈中提到的所有主题，并为每个主题生成情绪”。通过对每日或每周反馈数据多次运行来查看主题生成的一致性。始终有可能无法针对相同数据以及不同日期的数据在每次运行中生成一致的主题。原因是主题可以用多种方式表示。例如，清洁、整洁、整洁都与商店的清洁度有关。但是，不同的运行可能会提取具有相同基本含义的不同主题。这会导致不一致的主题，而这些主题不能用于任何分析目的，例如为主题创建趋势分析图。
这是一个示例提示，您可以从它开始从评论中获得见解。
提示工程技术在完善提示以获得期望结果方面发挥着重要作用。不同行业的主题各不相同。例如，零售业的主题可能与银行业的主题不同，而酒店业的主题又不同。生成一致主题的技术之一是识别一组预定义的主题。识别一组预定义主题的一种方法是将提示反复应用于不同时间段的反馈数据，然后手动查看生成的主题并将相似的主题分组。一旦确定了主题的分组，就从每个组中选择最合适的主题。例如，从包含“清洁度”、“整洁度”、“整洁度”项目的组中，正确的主题可能是“清洁度”。零售领域的主题专家可以帮助提出零售业的预定义主题集。