什么是提示工程？

提示工程的基本原则是，好的提示等于好的结果。生成式 AI 依靠不同提示工程技术的迭代完善，有效地从不同的输入数据中学习并进行调整，以最大限度地减少偏见和混乱，并产生更准确的响应。

提示工程师在制作查询方面发挥着关键作用，这些查询不仅有助于生成式 AI 模型理解的语言，还有助于理解查询背后的细微差别和意图。反之，知识丰富而全面的高质量提示也会影响 AI 生成的内容的质量，无论是图像、代码、数据摘要还是文本。

若要在原始查询和 AI 生成的富有意义的回复之间架起一座桥梁，就必须采用深思熟虑的方法来创建提示。通过微调有效提示，提示工程师可以显著优化输出的质量和相关性，以解决特定问题和一般问题。提示工程这一流程可减少手动审查和后期编辑的需要，并最终节省实现预期结果所需的时间和精力。

提示工程至关重要，因为它会直接影响生成式 AI 的输出质量、相关性和准确性。精心设计的提示有助于确保 AI 理解用户的意图并产生有意义的响应，从而减少对大量后处理的需求。随着生成式 AI 系统在各个行业得到越来越广泛的应用，提示工程指南成为解锁其全部潜力的关键，弥合了原始查询和可操作输出之间的差距。

生成式 AI 模型建立在转换器架构之上，使得其能够掌握语言的复杂性，并通过神经网络处理大量数据。AI 提示工程有助于塑造模型的输出，确保人工智能做出有意义且连贯的响应。有几种提示工程技术可确保 AI 模型生成有用的回复，这包括标记化、模型参数调整和 top-k 采样。

事实证明，提示工程对于充分发挥生成式 AI 基础模型的潜力至关重要。基础模型是建立在转换器架构上的大型语言模型 (LLM)，其中包含生成式 AI 系统所需的所有信息。

生成式 AI 模型基于自然语言处理 (NLP) 运行，并使用自然语言输入来生成复杂的结果。底层数据科学准备、转换器架构和机器学习算法可支持这些模型理解语言，然后使用海量数据集创建文本或图像输出。

类似 DALL-E 和 Midjourney 这样的文本到图像生成式 AI 将 LLM 与稳定扩散结合使用，后者是一款擅长从文本描述生成图像的模型。有效的提示工程将技术知识与对自然语言、词汇和上下文的深刻理解相结合，只需少量修改就能产生最优输出。

提示工程技术涉及引导生成式 AI 模型产生期望输出的策略。这些技术包括零样本提示和少样本提示，其中零样本提示是指给模型一个未经明确训练的任务，而少样本提示则是指为模型提供输出样本，以明确预期。另一项关键技术是思维链提示，它将复杂的任务分解为逐步推理步骤，以提高 AI 的理解力和准确性。这些方法有助于确保 AI 模型生成更连贯、更相关的响应。

提示工程的主要好处是能够以最少的生成后工作量实现优化输出。生成式 AI 输出的质量参差不齐，通常需要熟练的从业者进行审查和修改。通过制作精确的提示，提示工程师可确保 AI 生成的输出符合预期目标和标准，从而降低大量后期处理的需求。

了解如何从市场上的各种生成式 AI 模型中获得最佳结果也是提示工程师的职责范围。例如为 Open AI 的 GPT-3 或 GPT-4 编写提示与为 Google Bard 编写提示不同。Bard 可以通过 Google 搜索访问信息，因此可以指示它将更多最新信息集成到其结果中。然而 ChatGPT 是更好的文本提取和摘要工具，因为这是其主要设计功能。精心设计的提示可指导 AI 模型创建更相关、更准确和个性化的响应。由于 AI 系统会随着使用而不断发展，高度工程化的提示会使 AI 的长期互动更加高效和令人满意。

在开源环境中工作的聪明的提示工程师正在推动生成式 AI 做一些不可思议的事情，这些事情不一定是它们最初设计范围的一部分，并且将产生一些令人惊讶的真实结果。例如，研究人员开发了一种新的 AI 系统，无需接受平行文本训练即可翻译语言。提示工程师们正在将生成式 AI 嵌入游戏中，让人类玩家参与到真正的响应式故事讲述中，甚至获得对黑洞天文现象的准确新见解。随着生成式 AI 系统的范围和复杂性不断增加，提示工程将变得更加重要。

大型技术组织正在招聘提示工程师来开发新的创意内容、回答复杂问题并改进机器翻译和 NLP 任务。工程师应具备的技能包括：

• 熟悉大型语言模型：了解大型语言模型 (LLM) 的工作原理，包括它们的能力和局限性，对于设计有效的提示和优化 AI 输出至关重要。

• 强大的沟通技巧：清晰有效的沟通对于定义目标、向 AI 模型提供精确指令以及与跨学科团队合作至关重要。

• 解释技术概念的能力：提示工程师必须能够将复杂的概念转化为易于理解的提示，并向非技术利益相关者解释 AI 系统的行为。

• 编程专业知识（尤其是 Python）：熟练掌握 Python 等编程语言对于与 API 交互、定制 AI 解决方案和自动化工作流程非常有价值。

• 扎实掌握数据结构和算法：了解数据结构和算法有助于优化提示，并理解生成式 AI 系统的底层机制。

• 创造力和对新技术优点与风险的现实评估：创造力对于设计创新和有效的提示很重要，而对风险的现实理解有助于确保以负责任和合乎道德的方式使用 AI 技术。

除了这些技能之外，提示工程师还可以采用先进的技术来提高模型的理解力和输出质量：

• 零样本提示：这种技术为机器学习模型提供了一个它没有明确训练过的任务。它测试模型在不依赖先前示例的情况下生成相关输出的能力。

• 少样本提示：在这种方法中，模型被赋予几个样本输出（“shot”），以帮助它了解请求者希望它做什么。有上下文可供参考有助于模型更好地理解期望的输出。

• 思维链提示 (CoT) 是一项高级技术，可为模型提供逐步推理能力。将复杂的任务分解为中间步骤或“推理链”，有助于模型实现更好的语言理解，并创建更准确的输出。

虽然模型采用多种语言进行训练，但英语通常是用于训练生成式 AI 的主要语言。提示工程师需要对词汇、细微差别、措辞、上下文和语言学有深入的了解，因为提示中的每个单词都会影响结果。

提示工程师还应该了解如何向 AI 模型有效传达必要的上下文、指令、内容或数据。

如果目标是生成代码，提示工程师必须了解编码原理和编程语言。使用图像生成器的工程师应该了解艺术史、摄影和电影术语。生成语言上下文的工程师可能需要了解各种叙事风格或文学理论。

除了广泛的沟通技巧外，提示工程师还需要了解生成式 AI 工具，以及指导其决策的深度学习框架。

提示工程师设计、测试和优化提示，以优化生成式 AI 模型的性能。他们与 AI 系统密切合作，创建可获得准确、相关和创造性响应的查询。他们的职责包括了解不同 AI 模型的能力和局限性，尝试零样本和少样本提示等先进技术，并与团队合作将 AI 应用于现实场景。从本质上讲，提示工程师是 AI 技术与实际应用之间的桥梁。

为了从生成式 AI 中获得结果，提示工程师应该专注于创建清晰、简洁且内容丰富的提示。具体的指令和示例有助于引导 AI 生成所需的输出。根据模型的响应迭代细化提示，使工程师能够进一步改进结果。此外，了解 AI 模型的局限性并相应地定制提示，可防止错误或有偏倚的输出。最后，跨各种场景测试提示有助于确保稳健性和可靠性。

随着生成式 AI 可及性的提升，组织正在挖掘新的创新方法，以便使用提示工程来解决现实世界的问题。