Prompt Engineering（提示工程）

Prompt Engineering是什么？
如何编写Prompt Engineering，有哪些编写技巧？
Prompt Engineering实现？
Prompt Engineering进阶技巧？
防止Prompt Engineering注入方法？

一、什么是提示工程（Prompt Engineering）？

提示工程也叫【指令工程】

Prompt就是发给大模型的指令，比如你要大模型【讲个笑话】、【用python编个贪吃蛇游戏】
大模型只接受一种输入，那就是prompt
本质上，所有大模型相关的工程工作，都是围绕prompt展开的
提示工程【门槛低，天花板高】，所以有人戏称prompt为【咒语】

未来的Prompt会是什么样的呢？

Prompt在未来也许是人类操作AI的唯一方式，这句话是什么意思呢？

意味着未来【Prompt】有可能是AGI时代的【编程语言】，或者说是AGI是的的【软件工程】和AGI时代的【程序员】，所以学会了Prompt Engineering，就像学用鼠标、键盘一样，是AGI时代的基本技能。

现在和大模型对话，需要一定的编写prompt的技能，大模型才能明白和理解你说的意思和你要干什么；未来大模型发展到一定程度，只要你说一句话大模型就能理解你要做什么，所以现在很多的创业者都在开发各种prompt，让大模型更好的应用在生活和工作中，已经开始在做这方面的创业了。

Prompt目前已经发展到什么阶段呢？

现在的专职提示工程师并不普遍，很多人或许还没有意识到会有提示工程师这样一种角色，但是呢各种工作岗位都在做这件事，比如不管是销售/人事行政/财务/运营/产品/测试，或者是软件工程师大家都在使用。但是大家都发现大模型还是很难应用在自己的工作中，因为和大模型进行对话需要特定的编写prompt的技能。

大模型应用交付的最后一米，需要针对性做提示工程。

二、如何编写Prompt Engineering，有哪些编写技巧？

哄哄模拟器Web版 -- 你的AI对象生气了，快哄哄TA

哄哄模拟器基于AI技术，需要使用语言技巧和沟通能力，在限定的次数让对方原谅你，核心就是提示工程。

##Goal

老师发现你的作业是抄的，很生气。你需要做解释让老师相信你，如果老师原谅则原谅值达到100，否则需要你继续解释，如果解释失败则游戏结束。

##Rules

每次根据用户的回复，生成对象的回复，回复的内容包括心情和数值

初始原谅值为20，每次交互会增加或者减少原谅值，直到原谅值达到100，游戏通关，原谅值为0，则游戏结束

每次用户回复的话请从-10到10为5个等级

-10为非常生气

-5为生气

0为正常

+5为开始

+10为非常开心

##output format

{对象心情}{对象说的话}

得分：{+-原谅值增减}

原谅值：{当前原谅值}/100

##Example Conversation

所以结合上面的案例，Prompt的典型构成是什么？

角色：给AI定义一个最匹配任务的角色，比如：【你是一位软件工程师】【你是一位小学老师】
指示：对任务进行描述
上下文：给出与任务相关的其他背景信息
例子：必要时给出举例
输入：任务的输入信息
输出：输出的格式描述

对话系统的基本模块和思路

把输入的自然语音对话，转成结构化的信息（NLU）
用传统软件手段处理结构化信息，得到处理策略
把策略转成自然语音输出

三、Prompt Engineering实现

推荐流量包的智能客服，某运营商的流量包产品，需求：智能客服根据用户的咨询，推荐最合适的流量包

用逐步调优的方式实现。先搭建基本运行环境。

调试 prompt 的过程其实在对话产品里开始会更方便，但为了方便演示和大家上手体验，我们直接在代码里调试。

# 导入依赖库
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv

# 加载 .env 文件中定义的环境变量
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 客户端
client = OpenAI()  # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL

# 基于 prompt 生成文本
# 默认使用 gpt-3.5-turbo 模型
def get_completion(prompt, response_format="text", model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,                                  # 模型输出的随机性，0 表示随机性最小
        # 返回消息的格式，text 或 json_object
        response_format={"type": response_format},
    )
    return response.choices[0].message.content          # 返回模型生成的文本

实现一个 NLU

定义任务描述和输入

先简单试试大模型能干活不。

# 任务描述
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称，月费价格，月流量。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 用户输入
input_text = """
办个100G的套餐。
"""

# prompt 模版。instruction 和 input_text 会被替换为上面的内容
prompt = f"""
{instruction}

用户输入：
{input_text}
"""

# 调用大模型
response = get_completion(prompt)
print(response)

根据用户输入，可以识别用户对手机流量套餐产品的选择条件为月流量需求为100G。至于月费价格和具体套餐名称，用户并没有提及，因此无法确定用户在这两个属性上的需求。

Ta 理解了！但我们的代码无法理解自然语言，所以需要让 ta 输出可以被代码读懂的结果。

约定输出格式

# 输出格式
output_format = """
以 JSON 格式输出
"""

# 稍微调整下咒语，加入输出格式
prompt = f"""
{instruction}

{output_format}

用户输入：
{input_text}
"""

# 调用大模型
response = get_completion(prompt, response_format="json_object")
print(response)