NLP课程项目：探究提示词变化对LLM输出风格与情感一致性的影响

本项目是一项自然语言处理课程研究，核心目标是通过对比Flan-T5和GPT两种不同架构的大语言模型，分析提示词变体如何影响模型输出的写作风格一致性与情感表达稳定性。研究结果将为提示词工程实践及AI系统的可靠应用提供参考。

随着LLM在文本生成任务中的广泛应用，提示词工程已成为影响输出质量的关键因素。然而，提示词的细微变化可能导致模型生成风格迥异的内容，这对需要稳定风格（如品牌一致性）的应用构成挑战。本项目旨在系统性探索提示词变体对模型输出的影响，聚焦风格一致性与情感稳定性两大维度。

数据集：使用包含1000个故事的数据集（1k_stories_100_genre.csv），涵盖100种文学体裁，为风格测试提供多样素材。 实验模型：对比两类模型——Flan-T5（编码器-解码器架构，指令微调）和GPT（自回归解码器架构），以揭示不同设计对提示词敏感性的差异。 项目组件：包含针对两种模型的Jupyter Notebook（flant5_model.ipynb、gpt_model.ipynb）及辅助脚本fix_notebooks.py。

核心问题：

1. 提示词变体如何影响输出内容？
2. 模型在写作风格上的一致性如何？
3. 情感表达是否具有可预测性？ 方法论：采用Jupyter Notebook实现实验流程，包括数据加载预处理、提示词模板设计、批量生成、风格与情感分析；辅助脚本fix_notebooks.py处理工程问题。

基于研究设计，预期发现包括：

1. 模型架构差异导致的提示词敏感性不同（如Flan-T5对语义结构更敏感，GPT更依赖模式匹配）；
2. 模型风格一致性的边界条件；
3. 情感表达的系统性偏差（如某些模型倾向于特定情感极性）。

本研究对LLM应用开发者和提示词工程师的价值：

1. 提示词设计最佳实践：避免导致风格突变的措辞；
2. 模型选择参考：根据场景对一致性的要求选择合适模型；
3. 质量评估框架：迁移一致性评估方法到应用测试体系。

局限性：样本分布可能不均衡、模型版本非最先进、评估维度有限（未涵盖事实准确性等）。 未来方向：多语言扩展、长文本一致性探索、用户意图对齐研究、实时一致性监控工具开发。