什么是提示工程
指导 AI 生成解决方案的过程. AI 需要详细的说明才能创建高质量高相关的输出.
什么是提示 (prompt)
要求 AI 执行特定任务的自然语言. 大型语言模型 (LLM) 对于特定的用户输入, 会通过过去的训练输出其认为的最佳输出.
但由于 LLM 非常开放, 并非所有的输入都能产生有用的输出. AI 需要背景和详细信息才能生成更准确和相关的响应.
当系统地设计提示 (prompt) 时, 就会得到更有效的输出.
在提示工程中, 可以不断完善提示, 直到获得所需的结果.
为什么提示工程很重要
提示工程师弥补了用户和 LLM 之间的差距. 提示工程师通过精心设计提示, 以便用户通过 AI 获取所需的结果.
提示工程使 AI 更加高效和有用. 开发人员通常将用户输入封装在提示中, 然后再传递给 AI.
更强的控制
通过提示工程, 开发人员能够更好地控制 AI 的行为, 除了为 AI 提供意图, 还有完善其输出等作用.
同时, 提示词工程还可以防止用户滥用 AI, 在商业 AI 应用中, 可以限制 AI 生成不当内容.
改善用户体验
提示工程使用户在第一个响应中获得相关结果.
还增强用户与 AI 的互动, 使 AI 通过最少的输入理解用户意图.
更高的灵活性
提示工程师可以通过创建具有领域中立的提示, 突出逻辑联系和广泛模式.
有哪些使用案例
提示工程可用于复杂的 AI 系统, 以改善用户体验.
专业知识
在需要以专业知识作为回应时, 提示工程可以发挥关键作用.
批判性思维
AI 从不同角度分析信息, 评估可信度, 并做出合理的决定. 提示工程可以增强 AI 的数据分析能力.
创造力
提示工程用于增强 AI 在各种场景中的创造力.
什么是提示工程技术
提示工程是一个动态且不断变化的领域, 需要通过语言技能和创造性表达来微调提示, 以从 AI 中获得所需的响应.
下面是一些提示工程师改进 AI 自然语言处理 (NLP) 任务的示例:
思维链提示
将复杂的问题分解为更小更符合逻辑的部分, 模仿思维过程的技巧. 有助于模型通过一系列步骤来解决问题.
思维树提示
促使 AI 生成一个或多个可能的下一步, 然后使用树状搜索方式在每个可能的下一步上运行 AI.
启发式提示
类似于思维树提示. AI 回答问题并解释, 然后对解释部分进行解释. 不一致的解释会被丢弃.
复杂性提示
进行若干次思维链扩展, 选择最长的展开, 然后选择最常见的得出结论.
生成式知识提示
补全提示所需的相关事实, 然后再继续完成提示.
由易到难提示
提示 AI 列出问题的子问题, 然后按顺序逐一解决.
自我完善提示
AI 解决问题, 评论结果, 然后综合考虑问题, 解决方案和评论, 再次解决问题.
定向刺激提示
这种技术包括一个提示或线索, 引导 AI 输出特定方向上的响应.
最佳实践
好的提示要求传达有关上下文, 范围和预期响应的指标. 例如下面的例子:
明确的提示
明确定义所需的响应.
在提示中提供充分的背景信息
并且在提示中说明输出要求, 将响应限制为特定的格式.
平衡目标信息和期望输出
平衡简单和复杂, 避免模糊或不相关或意想不到的答案.
实验和完善
提示工程是一个迭代的过程, 可能需要多次尝试才能优化准确性和相关性.