吴恩达系列之：Prompt Engineering——提示词工程

在这个AI盛行的大模型时代，越来越多的工程都可以交给我们的AI；在编程领域中，使用AI工具同样也能够给我们带来许多的便利；想要AI大模型能够输出我们期望的输出，我们就得设计出详细的prompt(提示词)去引导AI输出我们的想要的结果；今天就让我们来学习一下吴恩达系列中的Prompt Engineering------提示词工程。

何为Prompt ？

如果说LLM大模型 是一座宝藏金库 的话，那Prompt 可以说是打开这座宝藏的钥匙；因为我们可以给大模型说清楚我们的需求，即Prompt提示词，大模型的NLP自然语言处理能力会理解这段Prompt并生成相应的内容，所以说掌握了对Prompt的设计，就能拿到大模型里面丰富的内容；就相当于开启了LLM大模型这座宝藏。

接下来，让我们一起创建一个node后端文件，来感受AI的力量；

kotlin 复制代码

// 如下命令可以初始化后端文件，并导入ai的包
npm init -y  package.json 文件
npm i openai  安装了openai sdk
// 会向package.json 添加dependencies 依赖

Key 安全问题

在使用我们的AI大模型之前，我们要思考一个问题那就是如何妥善处理我们的api-key；因为我们在调用openai这个包时，就要通过api-key去访问大模型，所以api-key的安全问题是首当其冲的；我们不应该让api-key轻易地就暴露在代码之中，这时候就该引出我们的.env文件了。

环境变量储存

.env 文件是一种用于存储环境变量的配置文件；env是环境变量对象，它包含着所有的环境变量；通过console.log(process.env,'------');这条命令时，就能拿到所有的环境变量。

dotenv 是一个零依赖的Node.js库，用于从.env文件加载环境变量到process.env对象中。这个操作通过调用dotenv.config()方法完成，它默认查找项目根目录下的.env文件，并把文件中的键值对（key=value）格式 的数据添加到process.env对象中；这样就能在代码中读取到env对象了。

php 复制代码

require('dotenv').config();
const client = new OpenAI({
    apiKey: process.env.OpenAI_API_KEY,
    baseURL: 'https://api.chatanywhere.tech/v1'
})

其中的process.env是一个特殊的属性，它是一个进程对象 ，包含了当前进程的所有环境变量 。在Node.js中，process是一个全局对象 ，它代表了当前Node.js进程。当你运行一段代码的时候，就是开启了一个新的进程；进程是分配资源的最小单元。

与进程关系密切的还有线程，那什么是线程呢？ 如果说进程是董事长，那线程就是小弟，是CEO；线程是归进程管理的，它可以说是代码执行的最小单位 。进程负责分配大致资源，而线程就是把从进程那边拿到的资源进行更加详细的工作分配。层级管理关系： 操作系统（window/mac/linux）<- 进程（process）<- 环境变量（env）<- project

.env文件：

ini 复制代码

# OPENAI
OPENAI_API_KEY = *******
# 数据库
MYSQL_USER=root
MYSQL_PASSWORD=123456

这样就用env对象储存好了我们的api-key；可以通过process.env.OpenAI_API_KEY去获取，这样就解决好了Key的安全问题。

prompt设计模式

在吴恩达系列中，关于prompt的设计，可以大概分为三点：

提供清晰、明确的提示，
长提示效果更好
给它一些例子，few shot 展示LLM的学习能力

如果说大模型是弹药库，那prompt就是它的目标，我们设计清晰、明确的提示词，就相当于给了大模型一个准确的定位，让它能够指哪打哪。

javascript 复制代码

// node 里面的模块化里的关键字，引入模块
// 从本地node_modules 引入openai模块，以OpenAI 类作为代表
require('dotenv').config();
// 环境变量
// console.log(process.env);
const OpenAI = require('openai')

const client = new OpenAI({
    apiKey: process.env.OpenAI_API_KEY,
    baseURL: 'https://api.chatanywhere.tech/v1'
})

const getChatResponse = async function(model,prompt){
    const response = await client.chat.completions.create({
        model : model,// 适合聊天的模型 很多种大模型
        messages: [
            {
                role: 'user',
                content: prompt
            }
        ]
    })
    return response.choices[0].message.content
}

async function main() {
    // es6 模板字符串 比"" '' 动态解析
    // 多行 特别适合详细的设置prompt 
    let text = `
    您应该提供尽可能清晰、具体的指示，以表达您希望模型执行的任务\
    这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。\
    不要将写清晰的提示词与写简短的提示词混淆。\
    在许多情况下，更长的提示词可以为模型提供更多的清晰度和上下文信息，
    从而导致更详细和相关的输出
    `
    // llm 的 nlp 总结能力
    // 转译
    let prompt = `
    把用三个反引号括起来的文本总结成一句话，20字以内，输出英文。    
    \`\`\`${text}\`\`\`
    `
    const chatCompletion = await getChatResponse('gpt-3.5-turbo', prompt)
    // console.log(chatCompletion.choices);
    console.log(chatCompletion);

    let prompt2 = `
    您的任务是以一致的风格回答问题。

    <孩子>: 教我耐心。

    <祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；最宏伟的交响乐从单一的音符开始；最复杂的挂毯以一根孤独的线开始编织。

    <孩子>: 教我韧性。
    `

    const response = await getChatResponse('gpt-3.5-turbo', prompt2)
    console.log(response);
}

main();

有时候好的问题比答案也许更重要；把时间花在设计prompt上，能够让我们得出更加准确的答案！

OPENAI_API_KEY 获取方法

最后附上Key的获取方法，有需要的可以自取。

github.com/chatanywher...