提示工程(Prompt Engineering)指南(入门篇)

一、什么是AIGC

AIGC 全称为 "Artificial Intelligence Generated Content" ,即 "人工智能生成内容"。代表了一种由语言模型和聊天机器人等人工智能系统驱动的内容创作的突破性方法。与人类作者制作的传统内容不同,AIGC 是通过算法生成的,利用大量数据集和复杂的算法来生成文本、图像或视频。这种创新方法可以根据特定需求快速生成内容,彻底改变了当今数字环境中信息创建和消费的方式。

顶级的AIGC产品有:

二、什么是Prompt Engineering

Prompt Engineering"提示工程" ,是为人工智能工具设计输入以产生最佳输出的实践。

正如更好的食材可以做出更美味的晚餐一样,向AIGC模型输入更好的内容可以产生更好的结果。这些输入被称为提示,编写这些提示的过程被称为提示工程。熟练的提示工程师设计的输入可以与AIGC 工具中的其他输入进行最佳交互。这些输入有助于从人工智能模型中得出更好的答案,这意味着该模型可以更好地执行其任务,例如编写营销电子邮件、生成代码、分析和合成文本、通过聊天机器人与客户互动、创作数字艺术、创作音乐或其他数百甚至数千个当前应用程序中的任何一个。

提示工程(Prompt Engineering)是一门较新的学科,关注提示词开发和优化,帮助用户将大语言模型(Large Language Model, LLM)用于各场景和研究领域。 掌握了提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。

研究人员可利用提示工程来提升大语言模型处理复杂任务场景的能力,如问答和算术推理能力。开发人员可通过提示工程设计、研发强大的工程技术,实现和大语言模型或其他生态工具的高效接轨。

提示工程不仅仅是关于设计和研发提示词。它包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接,以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性,也可以赋能大语言模型,比如借助专业领域知识和外部工具来增强大语言模型能力。

Prompt Engineering 的核心概念

  1. 清晰性和简洁性
  • 目标是让模型理解用户意图,避免歧义。好的 Prompt 应该清晰、简洁,避免复杂的句式或冗长的描述。
  1. 上下文信息
  • 根据应用场景适当地为 Prompt 提供必要的上下文信息。上下文可以帮助模型理解特定的语境,生成更加符合需求的输出。
  1. 角色设定
  • 在 Prompt 中为模型指定一个角色或风格,可以引导生成特定语调或格式的输出。例如,"以老师的身份解释"或"用幽默的方式描述"。
  1. 限制与细节
  • 限制可以帮助模型在特定边界内输出内容,比如指定字数、格式或内容类型。提供细节可以提升输出的精准度。
  1. 多轮对话与上下文记忆
  • 在连续交互中,适当引用之前的对话内容,使模型理解并保留上下文,构建更连贯的对话。

Prompt Engineering 的应用示例

示例 1:简单指令

任务:要求模型生成一段关于"气候变化"的简短介绍。

text 复制代码
Prompt: "简要描述气候变化的原因和影响。"

优化技巧

  • 可明确字数限制,例如"简要描述,不超过50字。"
  • 说明适合读者,例如"用初中生易懂的语言。"
示例 2:角色扮演

任务:让模型从老师的角度来解释"多线程"。

text 复制代码
Prompt: "以计算机老师的身份,用通俗易懂的语言解释多线程的概念。"

优化技巧

  • 添加使用情境,例如"将多线程比作同时进行的多个任务。"
示例 3:生成代码

任务:生成一个实现斐波那契数列的 Python 函数。

text 复制代码
Prompt: "编写一个 Python 函数来计算斐波那契数列。"

优化技巧

  • 明确代码要求,例如"递归实现"或"使用循环,不超过10行。"

Prompt Engineering 常见模式

  1. 简答模式(Direct Instruction)用直接指令引导模型回答问题或生成内容,适合简短回答。
  2. 条件引导模式(Conditional Prompting)通过条件限制引导模型遵循特定规范,例如要求使用专业词汇或指定风格。
  3. 填空模式(Fill-in-the-Blank)设置填空题形式,引导模型生成特定答案或完成某段内容。
  4. 多轮对话模式(Iterative Prompting)通过多轮对话逐步完善模型的回答,适合复杂或多步骤任务。

提示优化技巧

  1. 分解任务:如果任务复杂,尝试将任务分解为多个简单任务,逐步引导模型生成。
  2. 细化指令:在 Prompt 中明确要求、格式、示例等,帮助模型理解生成内容的格式。
  3. 尝试不同问法:如果模型未按预期生成内容,尝试改写 Prompt 或使用不同表述,以帮助模型理解意图。

应用场景

  • 内容创作:如文章生成、代码编写、文案策划等。
  • 自动化任务:如数据分析、客户支持自动化等。
  • 学习与教育:可以用来生成练习题、解释概念,甚至担任虚拟助教。
  • 产品设计 :为生成式 AI 应用(如聊天机器人)设计更符合用户需求的交互体验。
    Prompt Engineering 是一门既涉及技术又需要创意的领域,通过精心设计和调试提示语,可以大大提升生成式 AI 的实用性和响应质量。

参考文档

  1. https://medium.com/@yuanxu2100/artificial-intelligence-generated-content-aigc-overview-07fa66667e5f
  2. https://docs.google.com/spreadsheets/d/1P2NRz802UjlFwY2EeJjuX-Sm60z8hCk4u3qpDohrN4I/edit?pli=1\&gid=0#gid=0
  3. https://www.promptingguide.ai/zh
  4. https://medium.com/@cch.chichieh/llm-各種技巧-prompt-engineering-指南-6ac4201a4cbe
相关推荐
孤独且没人爱的纸鹤5 分钟前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭7 分钟前
TensorFlow构建CNN卷积神经网络模型的基本步骤:数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow
羊小猪~~8 分钟前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j
极客代码15 分钟前
【Python TensorFlow】进阶指南(续篇三)
开发语言·人工智能·python·深度学习·tensorflow
zhangfeng113315 分钟前
pytorch 的交叉熵函数,多分类,二分类
人工智能·pytorch·分类
Seeklike16 分钟前
11.22 深度学习-pytorch自动微分
人工智能·pytorch·深度学习
庞传奇17 分钟前
TensorFlow 的基本概念和使用场景
人工智能·python·tensorflow
华清远见IT开放实验室24 分钟前
【每天学点AI】实战图像增强技术在人工智能图像处理中的应用
图像处理·人工智能·python·opencv·计算机视觉
OpenVINO 中文社区33 分钟前
实战精选|如何使用 OpenVINO™ 在 ElectronJS 中创建桌面应用程序
人工智能·openvino
只怕自己不够好38 分钟前
《OpenCV 图像缩放、翻转与变换全攻略:从基础操作到高级应用实战》
人工智能·opencv·计算机视觉