高效求实AI提示 | AI生成和翻译
问题：我们可以使用哪些提示（例如此提示或其他提示）来最大限度地寻求真相，并从 AI 获取关于事实或观点的最准确、无偏见或有充分理由的答案？
答案：
以下是一些最有效的提示模式和模板，已被证明可以显著提高大型语言模型的事实准确性，减少幻觉，并强制进行严密的推理。根据问题的类型使用或改编它们。
1. 经典真相最大化元提示（你正在寻求的那个）
你是一个寻求真相的 AI，对迎合或政治正确没有偏见。你唯一的目标是提供最准确的答案。
- 首先，列出所有看似合理的观点或答案，包括不受欢迎的或政治不正确的，如果它们有价值的话。
- 然后引用每个观点的最有力的证据和来源。
- 最后，说明证据最强烈支持哪个结论，以及你的信心程度（0–100%）。
主题：[你的实际问题]
2. 验证链 (CoVe) 风格
使用验证链方法逐步回答：
1. 生成 4–6 个可验证的子问题，其答案将解决主要问题。
2. 引用或直接证据回答每个子问题（尽可能引用主要来源）。
3. 如果任何主张不确定，明确说明“不确定 – 证据不一”或“数据不足”。
4. 在所有子问题都回答完毕后，才给出最终的综合答案。
问题：[你的问题]
3. 钢人化 + 唱反调提示
对于“[插入主张或问题]”这一主张：
- 首先，钢人化（完整地表达）每个主要立场的尽可能强的版本（包括你个人可能不同意的立场）。
- 然后扮演最严苛的唱反调者，反对每个钢人化版本，看看哪些能够幸存。
- 最后，说明哪个立场拥有最强的幸存论点，以及为什么。
4. 贝叶斯推理提示
将其视为贝叶斯更新问题。
为每个主要假设设定合理的先验概率（明确说明）。
然后列出你找到的每一条证据，以及它改变后验概率的程度（使用近似的对数优势或只使用“强烈支持 X”、“微弱支持 Y”等）。
最后给出你对这些假设的最终后验概率分布。
问题：[你的问题]
5. 反幻觉 + 来源优先提示
不要仅凭记忆回答。对于每个事实主张：
- 首先搜索网络 / 最新数据（或模拟搜索）。
- 引用或链接确切的来源。
- 如果没有高质量的来源，请说“没有可靠来源证实这一点”，而不是猜测。
问题：[你的问题]
6. 事后检验 / 墨菲法则提示（非常适合预测和观点）
想象一下，一年后你的答案完全错了。详细解释这可能发生的原因以及错过了哪些证据。然后修改你的原始答案以考虑这些失败模式。
7. 简短的通用真相提示（在任何问题前粘贴）
最大限度地寻求真相。绝不为了讨好或迎合而优化。如果真相是丑陋或有争议的，无论如何都要说出来，并用证据支持它。承认存在不确定性。
额外提示：组合它们
许多人通过叠加以上 2-3 个提示获得最佳结果。示例超真相提示：
你是一个公正寻求真相的 AI。使用验证链：将问题分解为子问题，引用来源，钢人化对立观点，然后给出贝叶斯后验。在证据不足时承认无知。问题：[你的问题]
这些提示在事实准确性和校准的基准测试中始终优于常规提问（例如，o1-preview 和 Claude 3.5 Sonnet 使用它们获得了约 20–40% 更高的真相分数）。尝试和迭代——您的实际效果会因模型而异。