提示词工程（Prompt Engineering）是实现“人模交互”的关键。随着生成式人工智能（Generative AI）工具的兴起，与AI进行有效沟通已成为一项日益重要的技能。或许大家都知道这一点，但真正掌握提示词技巧，或者愿意去学提示词工程的，其实少之又少。很多人都在等着大模型足够优秀，甚至不需要你开口，就能够体察入微，满足你的需要。我在这里可以负责任地说：这恐怕永远是天方夜谭。虽然有人说提示词工程可能会退居幕后，但懂不懂提示词工程，仍然像是否有独立的生存技能一样重要。
通常提示词可以被视为与您的AI助理进行对话的开端。通过精心设计的输入，即“提示词”（prompt），您可以改进大语言模型的响应并获得所需的结果。
有效提示词的关键要素
撰写有效的提示词，考虑以下四个主要方面是最重要的:
- 角色 (Persona)：为AI指定一个角色有助于指导其生成具有特定视角或风格的响应。您可以让AI扮演旅行指南者、广告公司创意部门负责人等角色。
- 任务 (Task)：清晰地说明您希望AI执行的具体任务。例如，撰写电子邮件、创建摘要、生成列表或起草文档。
- 上下文 (Context)：提供必要的背景信息，以便AI更好地理解您的需求并生成相关且准确的输出。上下文可以包括相关文件（通过 @ 文件名引用）、用户反馈 或特定场景描述。
- 格式 (Format)：指定您期望的输出格式，例如电子邮件、列表、表格、段落、特定字符数限制或文本风格。
撰写有效提示词的技巧
除了以上四个核心要素，还有一些实用的提示词撰写技巧很有帮助：
- 直接了当：清楚地表达您需要什么，而不仅仅是最终目标，还包括生成结果所需的“氛围”。
- 使用指令而非约束：明确地指导模型应该做什么或产生什么，而不是列出它不应该做什么。这更符合人类偏好积极指令的方式。
- 控制最大Token长度：通过指定输出的字符数或长度限制来控制模型生成的内容量，这在有字符限制的场景中非常有用。
- 使用变量：在提示词中识别并使用变量部分，以实现更广泛的应用范围。
- 实验不同的输入格式和写作风格：尝试将提示词表达为问题、陈述或指令，并实验不同的风格、词汇选择和提示词类型（如零样本、少样本）。
- 分解复杂任务：如果您希望AI执行多个相关任务，最好将其分解为一系列更简单的提示词。
- 要求反馈：在与AI对话时，可以要求AI提出问题，以帮助其提供最佳输出。
- 考虑语气：根据目标受众调整提示词，并要求输出具有特定的语气，如正式、非正式、技术性、创意或随意。
- 迭代和改进：如果初次结果不符合预期，可以通过修改提示词（例如，换一种说法、重复关键词、指定格式、探索同义词）进行多次迭代和优化。迭代审查和改进通常能带来更好的结果。
- 记录尝试：记录您尝试过的各种提示词，特别是对于构建检索增强生成（RAG）系统等复杂应用时。
提示词类型和技术
常见的提示词类型和技术包括：
- 零样本提示词 (Zero-shot Prompting)：这是最简单的提示词类型，不向模型提供任何示例，只提供指令和一些上下文。您可以将指令表达为问题或赋予模型一个“角色”。
- 带示例提示词 (Prompting with examples)：
- 单样本提示词 (One-shot Prompting)：向模型展示一个清晰、具有描述性的示例，让模型模仿。这有助于模型捕捉结果的特征。
- 少样本提示词 (Few-shot Prompting)：向模型展示多个示例。对于需要复制模式或输出需要特定结构的复杂任务，少样本提示词效果更好。在进行分类任务时，最好将示例中的类别混合排列，而不是固定顺序，以避免模型学习到不正确的模式。
- 多样本提示词 (Multi-shot Prompting)：提供比少样本更多的示例，适用于更复杂的提示词。
控制输出参数
大语言模型的输出可以通过一些参数进行控制，特别是在通过API交互时。重要的参数包括：
- 温度 (Temperature)：控制输出的创造性或随机性。它的值介于0到1之间。值越大，模型的联想范围越广，创造性越强，但也可能导致输出不够连贯。将值设置在中间（如0.5）可以让结果更温和，不至于过于发散。
- Top K (Top K)：限制模型只从概率最高的 K 个Token 中进行采样。
- Top P (Top P)：从概率最高的 Token 集合中进行采样，直到它们的累积概率达到 P。
温度、Top K 和 Top P 可以组合使用，它们之间的相互影响比较复杂，需要不断测试和调整才能获得最佳结果。
值得注意的是，Google Bard 曾提及一些实验性的“flags”（如 –size, –temperature, –format 等）可以在提示词末尾使用来设置参数，但这并不是公开宣称的功能。
举例：在Google Workspace中的应用
本文主要参考谷歌的提示词白皮书（链接在文末），因此以下以谷歌的应用作为例子进行案例介绍。
Gemini for Google Workspace 将生成式AI集成到您常用的工具中。这使得在 Docs、Sheets、Gmail、Slides 等应用中直接利用提示词提高效率成为可能。例如，您可以使用提示词来：
- 起草电子邮件。
- 撰写文档内容（如备忘录、新闻稿、博客文章）。
- 总结信息。
- 整理数据（如创建表格、清理电子表格）。
- 生成创意（如标志想法、营销活动标语、博客主题、社交媒体帖子）。
- 创建模板（如客户沟通、面试问题、项目状态更新）。
- 进行研究（如客户市场策略、热门话题、用户反馈）。
- 辅助会议（如自动笔记）。
- 创建演示文稿图片。
不同角色的用户（如客服、高管、人力资源、市场、项目管理、销售、小型企业主、创业领导者）都可以利用提示词来简化日常工作并提升效率。
审查AI的输出
尽管生成式AI功能强大且令人兴奋，但它仍然是新事物，有时可能会产生不可预测的响应。在使用 Gemini for Workspace 的输出之前，务必审查其清晰度、相关性和准确性。请记住，生成式AI是为了帮助人类，但最终的输出责任在于您。Gemini for Workspace 可能会犯错，包括关于人的错误。
提示词工程是通用的吗？
严格说来：不是。即不同能力的大模型对提示词的敏感度是不一样的。但是当今大模型已经发展到一个接近成熟的状态，因此提示词工程（Prompt Engineering）既具有通用性，也与特定的大模型密切相关。通过精心设计的输入提示，可议引导大多数大型语言模型（LLM）生成期望输出的技术。虽然许多提示技巧在不同模型间具有一定的适用性，但由于各模型的架构、训练数据和能力差异，提示词工程在实践中往往需要针对具体模型进行调整和优化。
提示词工程的核心原则在多个大模型之间是通用的，主要包括：
- 角色设定（Role Prompting）：通过赋予模型特定的身份或角色，如“你是一位资深法律顾问”，可以引导模型生成更符合预期的回答。
- 思维链提示（Chain-of-Thought Prompting）：鼓励模型逐步推理，例如使用“让我们一步步思考”，有助于提高复杂任务的解答质量。
- 少样本学习（Few-Shot Prompting）：提供少量示例，帮助模型理解任务格式和预期输出。
- 明确指令与约束：通过清晰的指令和限制条件，如“请用不超过100字的语言总结以下内容”，可以提高模型响应的准确性和相关性。
这些方法在多个模型中均表现出良好的效果，体现了提示词工程的通用性。
与特定大模型的关联性
尽管存在通用原则，提示词工程在实际应用中仍需考虑特定模型的特性：
- 模型架构差异：不同模型（如GPT-4、Claude、Gemini等）在理解能力、上下文处理和输出风格上存在差异，导致相同的提示在不同模型上可能产生不同的结果。
- 接口和输入格式：某些模型支持系统消息、函数调用等特定功能，提示设计需适应这些接口特性。
- 训练数据和知识范围：模型的训练数据决定了其知识覆盖范围，提示词需考虑模型可能的知识盲区。
因此，提示词工程在实践中需要针对具体模型进行调整，以发挥模型的最佳性能。
提示词工程的未来趋势
随着大模型能力的提升，提示词工程也在不断演进：
- 自动提示生成：大模型的意图识别和理解力已经有很大提升，因此模型自身通常能够生成或优化相当好的提示词，尽可能减少人工干预。未来的各类大模型应用，特别是智能体应用，提示词更无需人工操作，通常都是根据上下文环境自动生成的，
- 多模态提示：随着模型处理多种数据类型的能力增强，提示词工程将扩展到图像、音频等多模态输入。
- 提示词模板化和模块化：开发通用的提示词模板，便于在不同任务和模型间复用和调整。
这些趋势表明，提示词工程将继续在提升大模型应用效果方面发挥关键作用。
正因为有这样的趋势，很多人认为提示词工程将不再重要，甚至消失，但正像我们需要对大模型的透明度、可解释性和可靠性进行监控审计一样，提示词工程永远是“人模交互“的重要手段，掌握它就等于掌握了开启大模型的钥匙，还是无比重要的。
总结
提示词工程既有通用的方法论，也需针对特定大模型进行定制化设计。掌握提示词工程的核心原则，并结合具体模型的特点进行优化，是有效利用大模型的关键。随着技术的发展，提示词工程将继续演进，为大模型的应用提供更强有力的支持。
提示词工程是一项正在不断发展的技能。学习如何撰写有效的提示词可以帮助您更好地与AI协作，事半功倍地获得想要的结果。它正逐渐成为在AI领域工作和生活中所需的一项基本技能，也是未来AI素养重要组成甚至主要内容。多加实践、不断尝试和改进提示词，您将能够充分释放AI的潜力，做到”人模合体“，真正成为AI时代与”狼“共舞之人，占领先机，无往而不胜。
Let's Make AGI Real 
留下评论