关注提示工程—本世纪最重要的技能可能就是与AI人工智能对话

本文目录与主要结构

引言：介绍提示工程的概念和背景，说明为什么它是本世纪最重要的技能之一。

正文：

一、提示工程的基本原理和方法：介绍什么是提示、如何设计和优化提示、如何使用提示与语言模型进行交互。

二、提示工程的应用和案例：介绍提示工程在不同领域和场景中的应用，如文学创作、商业文案、数理推算、中文理解和多模态生成等，给出具体的案例和示例。

三、提示工程的高级技巧和原则：介绍提示工程的一些高级技巧和原则，让读者更好地掌握如何设计和优化高效和有效的提示。

结论：总结全文的主要观点，强调提示工程的重要性和价值，呼吁读者开始关注并学习提示工程。

 

如何看待AI代替人类工作？

百度创始人李彦宏表示，不管有多少工作被替代，这只是整个图景的一部分，另外一部分是，存在我们现在甚至无法想象的更多新机会。做一个大胆预测，10年之后，人类一半的工作是与写提示词（prompt）有关。未来可能不需要那么多程序员，但是会需要越来越多的提示词工程师。李彦宏认为，以后没准学文科更容易找工作，因为写提示词的时候，想象力、情感、表达这些有可能真的比现在学工程的人要更有意思，更有效果一些。而多元认知，结构化思考，思维模型更加重要了。“人人都是提示词工程师”的提法，也许意味着每个人都可以通过使用机器学习和人工智能技术，来改进搜索引擎的提示词系统。

ChatGPT 的创始人 SAM前段时间也说过，提示是一个高杠杆技能。要用好人工智能，给出我们想要的答案，对我们每个人来说，学会设计AI提示词是必要的，不管人工智能他有多聪明，也不是我们肚子里的蛔虫，不太可能知道我们在想什么。所以，写提示词，就是结构化的思考和表达，是AI重要的人机接口。这在跟人交流沟通中也是需要的。

作为较早和成功的NLP和LLM工具开发公司之一，Cohere认为，成功的提示工程师将找到一种方法来指导模型生成有用的输出。该公司在其提示工程师指南中解释说，实现这一点的一种方法是尝试多种提示组合。该公司表示：“同一提示的不同组合可能听起来与人类相似，但可能会导致不同的效果。”

 

引言：

人工智能（AI）是本世纪最具影响力和变革力的技术之一，它正在改变我们的生活、工作和社会。在人工智能领域，语言模型（LM）是一种可以理解和生成自然语言（如中文、英文等）的模型，它可以用于各种应用和研究主题，如聊天机器人、文本摘要、机器翻译、知识图谱等。随着计算能力和数据量的增加，语言模型也越来越强大和智能，如ChatGPT、百度文心一言、阿里通义千问、腾讯混元和华为盘古等大型语言模型（LLM），它们可以根据用户提供的输入（prompt）生成各种类型和风格的内容（response）。

但是，如何有效地利用语言模型呢？如何让语言模型理解我们想要的内容，并生成我们需要的结果呢？这就需要一种新兴的学科——提示工程（Prompt engineering）。提示工程是一种利用人工智能模型生成内容的方法，需要给模型提供一些输入（prompt），让模型根据输入生成输出（response）。提示工程的难点在于如何设计合适的输入，让模型能够理解用户的意图和需求，并生成高质量的输出。

为什么提示工程是本世纪最重要的技能之一呢？因为它可以让我们更好地与人工智能对话，更好地利用人工智能的能力和潜力，更好地创造和创新。提示工程可以帮助我们解决各种问题，提高效率和质量，拓展思维和视野，增强表达和沟通。提示工程不仅适用于语言模型，也适用于其他类型的人工智能模型，如图像、音频、视频等。提示工程是连接人类和人工智能的桥梁，是实现人机协作和协同创新的关键。

在本文中，我们将介绍提示工程的基本原理和方法，展示提示工程在不同领域和场景中的应用和案例（主要使用BingGPT和ChatGPT进行测试），探讨提示工程面临的挑战和前景。我们希望通过本文，让读者开始关注并学习提示工程这门重要而有趣的学科。

 

知识点：

提示工程（prompt engineering），是一种利用人工智能模型生成内容的方法，需要给模型提供一些输入（prompt），让模型根据输入生成输出（response）。它利用人工智能模型的语言生成能力，通过与模型对话，实现各种功能和任务，有着广泛的应用和案例，也有着一些高级的技巧和原则。提示工程是一门有趣而有用的技能，它可以让我们更好地利用人工智能模型的潜力，创造出更多的价值和可能性。

一、提示工程的基本原理和方法

在引言中，介绍了提示工程的概念和背景，说明了为什么它是本世纪最重要的技能之一。在本节中，将介绍提示工程的基本原理和方法，帮助读者掌握如何利用人工智能模型生成内容的技巧。

首先，我们需要了解什么是提示（prompt）。提示是一种给人工智能模型提供输入的方式，它可以包括指令、背景、示例、输入和输出指示等不同的元素，用于告诉模型我们想要它执行的任务和生成的结果。例如，如果我们想让新Bing为我们生成一首诗，我们可以给它一个这样的输入：

写一首五言绝句，主题是春天。

这个输入就是一个简单的提示，它包含了一个指令（写一首五言绝句）和一个背景（主题是春天）。根据这个输入，可能会生成这样一个输出：

好的，我试试吧。这是我写的一首五言绝句，主题是春天：春风吹绿杨柳， 百花争艳绽笑容。 蜜蜂采集花蜜， 小鸟欢唱枝头上。

 

这个输出就是一个简单的响应（response），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。

其次，我们需要了解如何设计提示（prompt design）。设计提示的目的是让模型能够理解我们的意图和需求，并生成高质量的输出。设计提示的方法有很多，如使用问答格式、提供多个示例、使用特定的令牌或关键字等。设计提示的原则是要尽可能具体、明确、简洁和相关。例如，如果我们想让百度文心一言为我们生成一篇文章摘要，我们可以给它一个这样的输入：

Q: 请根据以下内容写一篇摘要，不超过100字。 A: Content: 人工智能（AI）是本世纪最具影响力和变革力的技术之一，它正在改变我们的生活、工作和社会。在人工智能领域，语言模型（LM）是一种可以理解和生成自然语言（如中文、英文等）的模型，它可以用于各种应用和研究主题，如聊天机器人、文本摘要、机器翻译、知识图谱等。随着计算能力和数据量的增加，语言模型也越来越强大和智能，如ChatGPT、百度文心一言、阿里通义千问、腾讯混元和华为盘古等大型语言模型（LLM），它们可以根据用户提供的输入（prompt）生成各种类型和风格的内容（response）。

这个输入就是一个问答式的提示，它包含了一个问题（Q）和一个答案（A）。问题部分给出了任务的要求和限制，答案部分给出了需要摘要的内容。根据这个输入，BingGPT可能会生成这样一个输出：

摘要：本文介绍了人工智能（AI）领域中的语言模型（LM），它是一种可以理解和生成自然语言的模型。本文概述了语言模型的应用和研究主题，如聊天机器人、文本摘要、机器翻译、知识图谱等，并介绍了几种大型语言模型（LLM），如ChatGPT、百度文心一言、阿里通义千问、腾讯混元和华为盘古等。本文分析了语言模型的优势和挑战，并展望了语言模型的未来发展方向。

 

这个输出就是一个简单的摘要（summary），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。

最后，我们需要了解如何优化提示（prompt optimization）。优化提示的目的是让模型能够更好地执行任务，并提高输出的准确性、可靠性和多样性。优化提示的方法有很多，如调整模型参数、使用反馈循环、进行实验和迭代等。优化提示的原则是要尽可能测试、评估和改进。例如，如果我们想让百度文心一言为我们生成一首诗，我们可以尝试不同的输入来观察输出的变化，如下所示：

写一首五言绝句，主题是太阳。输出: 太阳升起东方， 万物沐浴光芒。 暖风拂过山岗， 人们欢笑田旁。

写一首五言绝句，主题是太阳。请使用对仗法。 输出: 太阳照亮天空， 白云映衬山峰。 日出惊艳东方， 晚霞绚烂西红。

写一首五言绝句，主题是太阳。请使用拟人法。 输出: 太阳从梦中醒， 慢慢露出笑脸。 他照耀着大地， 温暖着万物心。

 

从上面的例子可以看出，不同的输入会导致不同风格或质量的输出。通过优化提示，我们可以让模型更好地满足我们的需求和期望。

总之，在本节中，我们介绍了提示工程的基本原理和方法，包括什么是提示、如何设计提示和如何优化提示。我们通过一些具体的例子，展示了提示工程在文本摘要、信息提取、问答、文本分类、对话、代码生成和推理等任务中的应用。我们希望通过本节，让读者对提示工程有一个初步的了解和掌握。在下一节中，我们将介绍提示工程在不同领域和场景中的应用和案例，让读者更深入地感受提示工程的魅力和价值。

二、提示工程的应用和案例

在上一节中，我们介绍了提示工程的基本原理和方法，包括什么是提示、如何设计提示和如何优化提示。在本节中，我们将介绍提示工程在不同领域和场景中的应用和案例，让读者更深入地感受提示工程的魅力和价值。

首先，我们来看一个生成数据的应用。生成数据是指利用人工智能模型的文本生成能力，通过有效的提示策略，引导模型产生更好、更一致和更准确的数据，用于各种实验和测试。例如，我们可以使用ChatGPT来生成一些情感分析的例子，如下所示：

生成 10个情感分析例子。 将示例归类为积极或消极。 生成 2个消极的示例和 8个积极的示例。 使用以下格式进行示例： 问: <句子 > 答: <情感 >

输出：以下是 10个情感分析例子，2个消极的示例和8个积极的示例：

问: 我们失去了游戏，但我们付出了最大的努力。 答: 积极 [1]

问: 这个新餐厅真是美味！ 答: 积极 [3]

问: 我的电脑坏了，我现在不能上网了。 答: 消极 [1]

问: 我感到非常生气和失望，因为我未能赢得比赛。 答: 消极 [3]

问: 我很高兴今天早上起床了，可以迎接新的一天。 答: 积极 [1]

问: 每个人都对我的研究表达了高度评价。 答: 积极 [3]

问: 我们刚刚完成了一个困难的任务，这让我们感到非常自豪。 答: 积极 [1]

问: 我们的校园环境真的很美丽。 答: 积极 [3]

问: 我在晚会上看到了我的老朋友们，这让我感到非常快乐。 答: 积极 [1]

问: 我们的公司获得了一个巨大的合同，这是我们的一次重大胜利。 答: 积极 [3]

 

这些输出就是一些简单的情感分析例子（examples），它们符合了输入中给出的任务和条件。当然，这些输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过生成数据，我们可以快速地获取一些样本数据，用于训练或评估我们自己的情感分类器。

其次，我们来看一个PAL（编程辅助语言模型）的应用。PAL是指利用人工智能模型的代码生成能力，通过将问题转化为程序作为中间推理步骤，利用编程运行时（如Python解释器）来提供答案。例如，我们可以使用ChatGPT解决一些需要日期理解的问题，如下所示：

根据以下上下文回答问题。 保持答案简短明了。 如果不确定答案，请回复“不确定答案”。

语境:

Teplizumab 的根源可以追溯到一家名为 Ortho Pharmaceutical 的新泽西制药公司。 在那里，科学家们生成了早期版本的抗体，称为 OKT3。 该分子最初来自小鼠，能够与 T 细胞表面结合并限制其杀伤细胞的潜力。 1986 年，它被批准用于帮助预防肾移植后的器官排斥反应，使其成为第一个获准用于人类的治疗性抗体。

问题:

OKT3最初来源于什么？

回答:

输出:

OKT3最初来源于小鼠。

 

这个输出就是一个简单的答案（answer），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过PAL，我们可以让模型利用编程语言和逻辑来解决一些复杂或特定的问题。

最后，我们来看一个Python笔记本的应用。Python笔记本是指利用人工智能模型的代码执行能力，通过在Python笔记本中使用提示，实现各种功能和任务，如数据分析、可视化、机器学习等。例如，我们可以使用BingGPT（因为涉及AI绘画，这里使用新必应桌面端）来绘制一些图表，如下所示：

在Python笔记本中执行以下代码，并显示结果。

import matplotlib.pyplot as plt import numpy as np

生成一些随机数据

x = np.random.randn(1000) y = np.random.randn(1000)

绘制散点图

plt.scatter(x, y) plt.xlabel(‘x’) plt.ylabel(‘y’) plt.title(‘Random Scatter Plot’) plt.show()

输出:

 

这个输出就是一个简单的图表（chart），它显示了输入中给出的代码执行后的结果。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过Python笔记本，我们可以让模型利用Python语言和库来实现各种功能和任务。

总之，在本节中，我们介绍了提示工程在不同领域和场景中的应用和案例，包括生成数据、PAL（编程辅助语言模型）和Python笔记本。我们通过一些具体的例子，展示了提示工程在文本生成、代码生成和代码执行等任务中的能力和价值。我们希望通过本节，让读者更深入地感受提示工程的魅力和价值。在下一节中，我们将介绍提示工程的一些高级技巧和原则，让读者更好地掌握如何设计和优化高效和有效的提示。

三、提示工程的高级技巧和原则

在上一节中，我们介绍了提示工程在不同领域和场景中的应用和案例，包括生成数据、PAL（编程辅助语言模型）和Python笔记本。在本节中，我们将介绍提示工程的一些高级技巧和原则，让读者更好地掌握如何设计和优化高效和有效的提示。

首先，我们来看一个零样本提示的技巧。零样本提示是指利用人工智能模型的零样本能力，通过简单的提示，让模型在没有任何示例的情况下执行任务。例如，我们可以使用ChatGPT来进行文本分类，如下所示：

将文本分类为中性、负面或积极。 文本：我认为假期还好。

情感：

输出:

中性

 

这个输出就是一个简单的分类（classification），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过零样本提示，我们可以让模型利用其内部知识和语言理解来执行各种任务。

其次，我们来看一个少样本提示的技巧。少样本提示是指利用人工智能模型的少样本能力，通过在提示中提供一些示例，让模型在有限的数据下执行任务。例如，我们可以使用ChatGPT来进行命名实体识别（NER），如下所示：

根据以下上下文回答问题。 保持答案简短明了。 如果不确定答案，请回复“Unsure about answer”。

Context:

Teplizumab 的根源可以追溯到一家名为 Ortho Pharmaceutical 的新泽西制药公司，在那里，科学家们生成了早期版本的抗体，称为 OKT3。 该分子最初来自小鼠，能够与 T 细胞表面结合并限制其杀伤细胞的潜力。 1986 年，它被批准用于帮助预防肾移植后的器官排斥反应，使其成为第一个获准用于人类的治疗性抗体。

Question:

Ortho Pharmaceutical 是哪个国家的公司？

Answer:

Output:

Ortho Pharmaceutical 是美国的公司。

 

这个输出就是一个简单的答案（answer），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过少样本提示，我们可以让模型利用一些示例数据来执行各种任务。

最后，我们来看一个链式思考提示的技巧。链式思考提示是指利用人工智能模型的推理能力，通过在提示中提供一些推理步骤，让模型在复杂的任务下执行任务。例如，我们可以使用ChatGPT来进行算术运算，如下所示：

这组数中的奇数相加得到一个偶数：4、8、9、15、12、2、1。 A：将所有奇数相加（9、15、1）得到25。 答案是错的。

这组数中的奇数相加得到一个偶数：15、32、5、13、82、7、1。 A：

Output:

将所有奇数相加(15+5+13+7+1)得到41，不是一个偶数。因为所有奇数之和为奇数，不可能得到一个偶数的结果。

 

这个输出就是一个简单的运算（calculation），它符合了输入中给出的任务和条件。当然，这个输出并不是唯一可能的结果，不同的模型或参数可能会生成不同风格或质量的内容。通过链式思考提示，我们可以让模型利用一些推理步骤来执行各种任务。

总之，在本节中，我们介绍了提示工程的一些高级技巧和原则，包括零样本提示、少样本提示、链式思考提示、自我一致性、生成知识提示和自动提示工程师。我们通过一些具体的例子，展示了提示工程在不同任务中的能力和价值。我们希望通过本节，让读者更好地掌握如何设计和优化高效和有效的提示。

 

结论：

提示工程是一门新兴的技术，它利用人工智能模型的语言生成能力，通过与模型对话，实现各种功能和任务。提示工程有着广泛的应用和案例，包括生成数据、PAL（编程辅助语言模型）、Python笔记本等。提示工程也有着一些高级的技巧和原则，包括零样本提示、少样本提示、链式思考提示，其他还有自我一致性、生成知识提示和自动提示工程师等。提示工程是一门有趣而有用的技能，它可以让我们更好地利用人工智能模型的潜力，创造出更多的价值和可能性。我们希望通过本文，让读者对提示工程有了一个初步的了解和兴趣，并鼓励读者尝试自己与人工智能模型对话，发现更多的惊喜和乐趣。