大模型修炼秘籍 第九章：问答之术——对话能力养成

第九章：问答之术——对话能力养成

多轮对话接拆招，思维链推理步步高。

【本章导读】

真正的对话不是一问一答，而是多轮交互。模型需要记住上下文，理解对话历史，才能接招拆招，应对自如。

一、多轮对话：接招拆招

【对话格式】

#### 你好，我想了解Python编程。 #### 你好！Python是一门非常适合初学者的编程语言。你想了解Python的哪个方面呢？ #### 我想学习Python的基础语法，能给我一些建议吗？ #### 当然！学习Python基础语法，我建议从以下几个方面入手...

【上下文窗口】

多轮对话需要将历史对话作为上下文输入：

第1轮: 用户: 你好 助手: 你好！有什么可以帮助你的？ 第2轮: 输入: [第1轮对话] + 用户: 你叫什么名字？ 助手: 我是一个AI助手... 第3轮: 输入: [第1轮对话] + [第2轮对话] + 用户: 你能做什么？ 助手: 我可以帮助你...

【上下文长度管理】

二、思维链：步步为营

【思维链心法】

复杂问题需要分步骤推理。思维链（Chain-of-Thought, CoT）让模型展示推理过程，步步为营，提高复杂问题的解决能力。

【思维链示例】

问题: 小明有5个苹果，给了小红2个，又买了3个，现在有几个？ 普通回答: 6个 思维链回答: 让我一步步思考： 1. 小明最初有5个苹果 2. 给了小红2个，剩下 5 - 2 = 3个 3. 又买了3个，现在有 3 + 3 = 6个 答案是6个。

【思维链的效果】

【如何激发思维链】

1. Few-shot提示：在提示中给出思维链示例
2. Zero-shot提示：告诉模型"让我们一步步思考"
3. 训练数据：在SFT数据中包含思维链

三、Few-shot学习：举一反三

【Few-shot心法】

Few-shot学习让模型从少量示例中学习新任务，如同武学高手举一反三，触类旁通。

【Few-shot格式】

任务: 情感分类 示例1: 输入: 这部电影太精彩了！ 输出: 正面 示例2: 输入: 服务态度很差，再也不来了。 输出: 负面 示例3: 输入: 今天天气不错。 输出: 中性 现在请分类: 输入: 这家餐厅的菜很好吃，就是有点贵。 输出: ?

【Few-shot vs Zero-shot vs Fine-tuning】

【Few-shot的最佳实践】

1. 示例数量：通常3-5个示例效果最好
2. 示例选择：选择代表性、多样性的示例
3. 示例顺序：重要示例放后面
4. 格式一致：所有示例格式保持一致

四、角色扮演：千面化身

【角色扮演心法】

通过系统提示，让模型扮演特定角色，适应不同场景。

【系统提示】

系统: 你是一位资深的Python编程专家，擅长用简单易懂的方式解释复杂的编程概念。 用户: 什么是装饰器？ 助手: 装饰器是Python中一个非常优雅的特性，它允许我们在不修改原函数代码的情况下，给函数添加额外的功能。 ...

【角色扮演的应用】

五、工具调用：神兵利器

【工具调用心法】

模型本身能力有限，通过调用外部工具，可以获得更强的能力，如同武林高手配备神兵利器。

【工具类型】

【工具调用流程】

用户: 北京今天天气怎么样？ 模型思考: 我需要调用天气API来获取北京的天气信息。 模型输出: { "tool": "weather_api", "parameters": { "city": "北京" } } 系统执行工具，返回结果: { "temperature": "25°C", "weather": "晴", "humidity": "45%" } 模型输出: 北京今天天气晴朗，气温25°C，湿度45%，非常适合外出活动！

【Function Calling】

现代大模型支持结构化的函数调用：

tools=[{"name":"get_weather","description":"获取指定城市的天气信息","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称"}},"required":["city"]}}]response=model.chat(messages,tools=tools)

六、本章心法总结

【口诀】

多轮对话接拆招，思维链推理步步高。
Few-shot举一反三，工具调用神兵到。

【要点回顾】

带你进入AI时代最前沿的认知盛宴

【下一章预告】

下一章，我们将学习多任务微调，探讨如何让模型成为多才多艺的全能选手。