近年来，尤其是在2022年以来，自然语言处理（NLP）和生成式人工智能（AI）领域取得了显著的进步。这些进步使得掌握提示工程（Prompt Engineering）成为了理解和运用语言模型（LMs）的关键技能。本文旨在帮助读者更好地理解大型语言模型（LLMs）的能力和局限，并通过提示工程的知识来提升与这些模型的交互效率。
什么是提示工程？
提示工程是人工智能领域中自然语言处理的一个实践，它通过文本描述来指导AI执行特定的任务。这种输入方式使得AI能够以人类可理解的文本形式进行对话，并生成输出。由于任务描述被嵌入到输入中，模型能够更加灵活地执行任务。
提示工程示例
在大型语言模型如ChatGPT和GPT-3中使用的提示可能仅仅是简单的文本查询。这些提示的质量取决于能够提供的细节程度。这些提示可以用于文本摘要、问答、代码生成、信息提取等多种场景。
// 以下是一个简单的代码示例，展示如何使用Python生成一个简单的REST API
from flask import Flask, jsonify, request
app = Flask(__name__)
@app.route('/api/data', methods=['GET'])
def get_data():
# 这里可以根据需要处理数据
data = {"message": "Hello World"}
return jsonify(data)
if __name__ == '__main__':
app.run(debug=True)
如何构建有效的AI提示？
提示的质量对于模型输出至关重要。以下是一些提升提示质量的方法：
- 角色扮演：使模型扮演特定角色，以创建定制化的交互和特定结果。
- 清晰度：去除歧义，尽量提供简洁的信息。
- 具体性：与角色扮演相关，但目的是具体且有方向性，避免分散输出。
- 一致性：保持对话的流畅性，保持统一的语调以确保对话的可读性。
提示的元素
以下是构成提示骨架的属性：
- 指令：要求模型执行的任务的陈述。
- 上下文：使模型理解问题的上下文。
- 输入数据：作为单一实体的输入。
- 输出指示：在角色扮演中，指示输出的类型。
标准提示模式
// 用户：<指令>
// 模型：<响应>
提示技巧
- 零次提示（Zero-Shot Prompting）：即使没有训练数据，也能让模型按预期执行。
- 少量提示/上下文学习（Few-Shot Prompting/In-Context Learning）：使用少量示例（shots）来指导模型执行任务。
- 思维链（Chain-of-thought, CoT）：通过中间推理步骤实现复杂推理。
- 信息过载（歧义）：尽量提供简洁的信息，避免降低结果的准确性。
- 开放式问题：避免提出不精确或开放式的问题，这会导致不精确和资源不足的响应。
- 约束使用不当：约束是限制情况如何分散的边界和限制。