AI大模型学习之白话笔记（四）-- Prompt Engineering

大模型开发/技术交流

LLM
Prompt

2024.03.043984看过

看过前面文章的朋友们，应该还记得一句话，那就是prompt是应用程序跟大模型交互的唯一通道。作为与AI交流的桥梁，Prompt Engineering（提示工程）正在成为一个非常值得关注的领域。

那么，什么是提示工程呢？它的重要性何在？在业务中又是如何应用的？接下来，我们将用浅显易懂的语言，深入探讨这个概念。

什么是Prompt Engineering？

“Prompt”（提示）这个词在AI领域的含义，简单来说，“Prompt”就是你跟一个AI系统交流时所提出的请求或者指令，比如“讲个笑话”、“写首诗”。就好比你在与一个全能的助手对话时，你所提出的问题或任务是“prompt”。

而Prompt Engineering，则是关于如何设计这些“提示”，以便能够有效地指导AI生成你需要的输出。

Prompt的重要性

Prompt看起来好像很简单，Prompt的设计好坏直接影响到AI生成的结果。

好的prompt能够明确地传达你的意图，并且促使AI提供准确、相关且高质量的答案或解决方案。

可以说，Prompt是AI时代的“编程语言”，Prompt Engineering是AI时代的“软件工程”。

大家应该也听说过现在有一种职业叫“提示词工程师”，还非常吃香，我们可以理解为这就是AI时代的“软件工程师”。

因此，掌握提示的艺术，对于任何使用AI技术的人来说，都是一项非常宝贵的技能。

如何设计Prompt

设计Prompt本质上可以从以下两类来考虑：

答案指示型prompt

根据任务的目标、答案的类型设计prompt，通过prompt引出答案。

任务提示型prompt

提醒模型是要做什么任务，因为同样输入一句话，可以做的任务太多了，通过prompt让模型知道这次是要做什么任务。

优秀prompt的构成

如果您接触过大量提示工程相关的示例和应用，您会注意到提示词通常包含以下一些要素：

1、角色。发起一个提示时，先给AI定义一个当前任务的角色，比如“你是一名忧郁的诗人”、“你是一名资深的系统架构师”...
2、指示。对当前任务描述，高质量Prompt的核心要素：具体、丰富、少歧义。
3、上下文。给出与任务相关的其他背景信息，尤其是在跟AI多轮的交互中。
4、例子。可以举一些例子，能起到很大的作用，在学术中称为one-shot learing, few-shot learing或in-context learing。
5、输入。在提示词中明确的标识任务输入的信息。
6、输出。可以指定要输出的格式，比如Markdown、JSON、XML等。

注意，提示词所需的格式取决于您想要语言模型完成的任务类型，并非所有以上要素都是必须的。

几个建议

1、记住：把AI当人看！把AI当人看！把AI当人看！
2、强烈建议多看看chatGPT官方文档，中文的提示工程指南：github.com/yunwei37/Pr… ， www.promptingguide.ai/zh
3、chatGPT对Marhdown格式非常友好。
4、多尝试，有时真的需要运气，一字之差，对结果生成的概率也有很大的影响，要多做尝试才能找到更优秀的Prompt。

提示应用

生成数据

LLMs有强大的文本生成能力。使用有效的提示策略可以引导模型产生更好、更一致和更准确的回复。LLMs还可以特别有用于生成有用于运行各种实验数据。

例如，我们可以使用它生成快速样本以用于情感分类器，就像这样：提示:

  
  
  
  
  
  
   
   
   
   
   
   
    生成6个情感分析例子。将示例归类为积极或消极。生成4个积极的示例和2个消极的示例。使用以下格式进行示例：
   
   
   
   
   
   
   
   
   
   
   
   
    问: <句子>
   
   
   
   
   
   
   
   
   
   
   
   
    答: <情感>

输出:

  
  
  
  
  
  
   
   
   
   
   
   
    问: 我今天过得非常愉快，享受了美好的阳光和新鲜空气。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 积极
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    问: 我非常喜欢这部电影，它让我笑了很久。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 积极
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    问: 这次旅行让我感到无比放松和平静，我真的感到精神焕发。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 积极
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    问: 我刚刚得知我通过了考试，我感到非常兴奋和自豪。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 积极
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    问: 我觉得自己好像一无是处，无论我怎么做都得不到别人的认可。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 消极
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    问: 我对工作感到厌倦，每天上班都觉得沮丧和无聊。
   
   
   
   
   
   
   
   
   
   
   
   
    答: 消极

PAL（程序辅助语言模型）

程序辅助语言模型（PAL）是一种使用LLMs阅读自然语言问题并生成程序作为中间推理步骤的方法。

例如，我们需要AI理解日历，下面是使用LangChain和OpenAI GPT-3的示例：

  
  
  
  
  
  
   
   
   
   
   
   
    import openai
   
   
   
   
   
   
   
   
   
   
   
   
    from datetime import datetime
   
   
   
   
   
   
   
   
   
   
   
   
    from dateutil.relativedelta import relativedelta
   
   
   
   
   
   
   
   
   
   
   
   
    import os
   
   
   
   
   
   
   
   
   
   
   
   
    from langchain.llms import OpenAI
   
   
   
   
   
   
   
   
   
   
   
   
    from dotenv import load_dotenv
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    load_dotenv()
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # API configuration
   
   
   
   
   
   
   
   
   
   
   
   
    openai.api_key = os.getenv("OPENAI_API_KEY")
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # for LangChain
   
   
   
   
   
   
   
   
   
   
   
   
    os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # 设置实例模型
   
   
   
   
   
   
   
   
   
   
   
   
    llm = OpenAI(model_name='text-davinci-003', temperature=0)
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # 设置提示
   
   
   
   
   
   
   
   
   
   
   
   
    question = "2024年的第一天是星期一，今天是2024年的第9个星期二，请问今天的日期是什么？格式为YYYY/MM/DD。“
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    DATE_UNDERSTANDING_PROMPT = """
   
   
   
   
   
   
   
   
   
   
   
   
    # Q：2015还有36小时就要到了。从今天算起一周后的日期是什么（以MM/DD/YYYY的格式呈现）？
   
   
   
   
   
   
   
   
   
   
   
   
    # 如果2015年还有36小时就要到了，那么今天就是36小时前。
   
   
   
   
   
   
   
   
   
   
   
   
    today = datetime(2015, 1, 1) - relativedelta(hours=36)
   
   
   
   
   
   
   
   
   
   
   
   
    # 从今天算起一周后，
   
   
   
   
   
   
   
   
   
   
   
   
    one_week_from_today = today + relativedelta(weeks=1)
   
   
   
   
   
   
   
   
   
   
   
   
    # 用%m/%d/%Y格式呈现的答案是
   
   
   
   
   
   
   
   
   
   
   
   
    one_week_from_today.strftime（'%m /% d /％Y'）。
   
   
   
   
   
   
   
   
   
   
   
   
    """

代码生成

chatGPT是很擅长写代码的。

简单例子

与OpenAI的所有聊天模型一样，如：

  
  
  
  
  
  
   
   
   
   
   
   
    请用python写一度啊代码，询问用户他们的名字并向他们说“你好”。

那么chatGPT回复如下：

  
  
  
  
  
  
   
   
   
   
   
   
    # 询问用户的名字并向他们打招呼
   
   
   
   
   
   
   
   
   
   
   
   
    name = input("你叫什么名字？ ")
   
   
   
   
   
   
   
   
   
   
   
   
    print("你好，" + name + "！")

将注释转换成代码

举例，提示：

  
  
  
  
  
  
   
   
   
   
   
   
    请将下面注释转成python代码
   
   
   
   
   
   
   
   
   
   
   
   
    """
   
   
   
   
   
   
   
   
   
   
   
   
    创建一个电影名称列表
   
   
   
   
   
   
   
   
   
   
   
   
    创建这些电影的评分列表
   
   
   
   
   
   
   
   
   
   
   
   
    组合他们并创建一个包含10部电影及其评级的json对象
   
   
   
   
   
   
   
   
   
   
   
   
    """

输出：

  
  
  
  
  
  
   
   
   
   
   
   
    import json
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # 创建电影名称列表
   
   
   
   
   
   
   
   
   
   
   
   
    movies = [
   
   
   
   
   
   
   
   
   
   
   
   
        "阿凡达",
   
   
   
   
   
   
   
   
   
   
   
   
        "泰坦尼克号",
   
   
   
   
   
   
   
   
   
   
   
   
        "复仇者联盟",
   
   
   
   
   
   
   
   
   
   
   
   
        "星球大战",
   
   
   
   
   
   
   
   
   
   
   
   
        "盗梦空间",
   
   
   
   
   
   
   
   
   
   
   
   
        "少年派的奇幻漂流",
   
   
   
   
   
   
   
   
   
   
   
   
        "哈利波特与魔法石",
   
   
   
   
   
   
   
   
   
   
   
   
        "指环王",
   
   
   
   
   
   
   
   
   
   
   
   
        "美丽心灵",
   
   
   
   
   
   
   
   
   
   
   
   
        "当幸福来敲门"
   
   
   
   
   
   
   
   
   
   
   
   
    ]
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # 创建电影评分列表
   
   
   
   
   
   
   
   
   
   
   
   
    ratings = [
   
   
   
   
   
   
   
   
   
   
   
   
        9.2,
   
   
   
   
   
   
   
   
   
   
   
   
        8.8,
   
   
   
   
   
   
   
   
   
   
   
   
        9.0,
   
   
   
   
   
   
   
   
   
   
   
   
        8.7,
   
   
   
   
   
   
   
   
   
   
   
   
        8.9,
   
   
   
   
   
   
   
   
   
   
   
   
        8.5,
   
   
   
   
   
   
   
   
   
   
   
   
        8.6,
   
   
   
   
   
   
   
   
   
   
   
   
        9.1,
   
   
   
   
   
   
   
   
   
   
   
   
        8.4,
   
   
   
   
   
   
   
   
   
   
   
   
        8.7
   
   
   
   
   
   
   
   
   
   
   
   
    ]
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    # 组合电影名称和评分并创建JSON对象
   
   
   
   
   
   
   
   
   
   
   
   
    movie_data = []
   
   
   
   
   
   
   
   
   
   
   
   
    for i in range(len(movies)):
   
   
   
   
   
   
   
   
   
   
   
   
        movie = {
   
   
   
   
   
   
   
   
   
   
   
   
            "电影名称": movies[i],
   
   
   
   
   
   
   
   
   
   
   
   
            "评分": ratings[i]
   
   
   
   
   
   
   
   
   
   
   
   
        }
   
   
   
   
   
   
   
   
   
   
   
   
        movie_data.append(movie)
   
   
   
   
   
   
   
   
   
   
   
   
    
   
   
   
   
   
   
   
   
   
   
   
   
    json_data = json.dumps(movie_data, ensure_ascii=False, indent=4)
   
   
   
   
   
   
   
   
   
   
   
   
    print(json_data)

Function calling

前面的文章讲过，通过Function calling可以让用户能够高效的使用外部工具、外部API进行交互，来实现一些基础大模型无法完成的推理。

后面我们将专门写一篇文章来介绍如何使用Function calling，这里就不做多的说明了。

如何进行Prompt调优

Prompt调优是一种艺术与科学的结合。一开始，你的prompt可能不够完美。但通过不断实践和调整，你可以提高其效能。

以下是一些调优的基本步骤：

明确目标：确定你想要AI完成什么任务，你期待的输出是什么样的。
逐步迭代：开始时用一个基本的prompt，然后根据AI的反馈逐步调整。
简化清晰：确保你的prompt简单明了，避免使用复杂或含糊的语言。
测试不同的变体：实验不同的措辞和结构，看看哪种效果最好。
分析结果：检查AI的输出，决定哪些部分已经满足需求，哪些需要改进。
使用数据：如果可能的话，收集数据分析哪些类型的prompt产生了最好的结果。
获取反馈：让用户或其他团队成员对AI的响应给出反馈，进一步完善你的prompt。

Prompts精选

最后，推荐一个中文prompts精选：github.com/yzfly/wonde…

这是一个《ChatGPT 中文指南》的作者优化、精选的系列中文ChatGPT Prompts，有上百个高质量prompt，并提供图文使用示例，让大家能够更好的学习使用 ChatGPT。

其实，Prompt Engineering并不神秘，在你掌握了基本的原则和技巧后，你就可以开始有效地与AI进行交流了。就像学习一门新语言一样，越多的练习和实践，你的技能就会越精湛。

————————————————

原文链接：https://juejin.cn/post/7339731268148101158

如有侵权，请联系千帆社区进行删除