用通俗易懂的方式讲解：一文搞懂大模型 Prompt Engineering（提示工程）

本文将从提示工程的本质、提示工程的原理、提示工程的应用三个方面，带您一文搞懂提示工程 Prompt Engineering 。

文末精选通俗易懂的方式讲解系列，如果你喜欢技术交流，文末可以加入

提示工程的本质

Prompt（提示）：Prompt（提示）在人工智能，特别是AGI（通用人工智能）时代，扮演着至关重要的角色。它不仅是用户与AI模型如ChatGPT交互的桥梁，更是一种全新的“编程语言”，用于指导AI模型产生特定的输出。

Prompt（提示）

• Prompt作为AGI时代的“编程语言”

• 角色转变：Prompt不再仅仅是简单的输入或查询，它成为了一种与AI模型交互的“编程语言”。用户通过精心设计的Prompt来“编程”AI模型，指导其执行各种任务。

• 任务多样性：这些任务的范围非常广泛，从简单的问答、文本生成到复杂的逻辑推理、数学计算和创意写作等。

• 即时性与互动性：与传统的编程语言相比，Prompt通常更加即时和互动。用户可以直接在AI模型的接口中输入Prompt，并立即看到结果，而无需经过编译或长时间的运行过程。

提示工程（Prompt Engineering）：提示工程（Prompt Engineering）涉及到如何设计、优化和管理这些Prompt，以确保AI模型能够准确、高效地执行用户的指令。

• Prompt工程作为AGI时代的“软件工程”

• 设计：Prompt设计需要仔细选择词汇、构造清晰的句子结构，并考虑上下文信息。这确保AI模型能够准确理解用户的意图并产生符合预期的输出。

• 优化：优化Prompt可能涉及调整词汇选择、改变句子结构或添加额外的上下文信息，以提高AI模型的性能和准确性。这可能需要多次尝试和迭代，以达到最佳效果。

• 管理：随着AGI应用的不断增长和复杂化，管理大量的Prompt变得至关重要。这包括组织、存储和检索Prompt，以便在需要时能够快速找到并使用它们。同时，还需要定期更新和维护这些Prompt，以适应AI模型的改进和变化的需求。

提示工程的原理

Prompt的构成：一个完整的Prompt应该包含清晰的指示、相关的上下文、有助于理解的例子、明确的输入以及期望的输出格式描述。
Prompt的构成

• 指示（Instructions） - 关键词：任务描述

• 指示是对任务的明确描述，相当于给模型下达了一个命令或请求。它告诉模型应该做什么，是任务执行的基础。

• 上下文（Context） - 关键词：背景信息

• 上下文是与任务相关的背景信息，它有助于模型更好地理解当前任务所处的环境或情境。在多轮交互中，上下文尤其重要，因为它提供了对话的连贯性和历史信息。

• 例子（Examples） - 关键词：示范学习

• 例子是给出的一或多个具体示例，用于演示任务的执行方式或所需输出的格式。这种方法在机器学习中被称为示范学习，已被证明对提高输出正确性有帮助。

• 输入（Input） - 关键词：数据输入

• 输入是任务的具体数据或信息，它是模型需要处理的内容。在Prompt中，输入应该被清晰地标识出来，以便模型能够准确地识别和处理。

• 输出（Output） - 关键词：结果格式

• 输出是模型根据输入和指示生成的结果。在Prompt中，通常会描述输出的格式，以便后续模块能够自动解析模型的输出结果。常见的输出格式包括结构化数据格式如JSON、XML等。

Prompt调优：Prompt调优是人与机器协同的过程，需明确需求、注重细节、灵活应用技巧，以实现最佳交互效果。

Prompt调优

• 一、人的视角：明确需求

• 核心点：确保清晰、具体地传达自己的意图。

• 策略：简化复杂需求，分解为模型易理解的指令。

• 二、机器的视角：注重细节

• 核心点：机器缺乏人类直觉，需详细提供信息和上下文。

• 策略：精确选择词汇和结构，避免歧义，提供完整线索。

• 三、模型的视角：灵活应用技巧

• 核心点：不同模型、情境需不同Prompt表达方式。

• 策略：通过实践找到最佳词汇、结构和技巧，适应模型特性。

提示工程的应用

提示技术：提示技术是引导AI模型进行深度思考和创新的有效工具，其中Chain-of-Thought Prompting注重逐步推理，Knowledge Generation Prompting强调知识生成，而Tree of Thoughts Prompting则通过树状结构清晰展现思维过程。

• Chain-of-Thought Prompting（链式思考提示）

• 一、概念介绍

  Chain-of-Thought Prompting，即链式思考提示，是一种在人工智能模型中引导逐步推理的方法。通过构建一系列有序、相互关联的思考步骤，模型能够更深入地理解问题，并生成结构化、逻辑清晰的回答。

• 二、核心特点

  有序性：链式思考提示要求将问题分解为一系列有序的步骤，每个步骤都建立在前一个步骤的基础上，形成一条清晰的思考链条。

  关联性：每个思考步骤之间必须存在紧密的逻辑联系，以确保整个思考过程的连贯性和一致性。

  逐步推理：模型在每个步骤中只关注当前的问题和相关信息，通过逐步推理的方式逐步逼近最终答案。

链式思考提示（COT）

Knowledge Generation Prompting（生成知识提示）

• 一、概念介绍

  Knowledge Generation Prompting，即生成知识提示，是一种利用人工智能模型生成新知识或信息的方法。通过构建特定的提示语句，引导模型从已有的知识库中提取、整合并生成新的、有用的知识内容。

• 二、核心特点

  创新性：生成知识提示旨在产生新的、原创性的知识内容，而非简单地复述或重组已有信息。

  引导性：通过精心设计的提示语句，模型被引导去探索、发现并与已有知识进行交互，从而生成新的见解或信息。

  知识整合：该过程涉及对多个来源、多种类型的知识进行融合和整合，以形成更全面、深入的理解。

生成知识提示

• Tree of Thoughts Prompting（思维树提示）

• 一、概念介绍

  Tree of Thoughts Prompting，即思维树提示，是一种将复杂思维过程结构化为树状图的方法。它通过逐级分解主题或问题，形成具有逻辑层次和关联性的思维节点，从而帮助用户更清晰地组织和表达思考过程。

• 二、核心特点

  层次性：思维树提示将思考过程分解为多个层次，每个层次代表不同的思维深度和广度。

  关联性：各思维节点之间存在紧密的逻辑联系，形成一个相互关联、互为支撑的思维网络。

  可视化：通过将思维过程以树状图的形式展现，思维树提示增强了思考过程的可视化和直观性。

思维树提示（TOT）

提示应用：提示工程应用于代码生成，利用机器学习，将自然语言提示自动转为符合要求的代码，提升开发效率。

• Generating Code（代码生成）

• 将注释转换成代码

  将注释转换成代码意味着您需要理解注释中的描述或说明，并将其实现为可执行的代码。例如：

  

  在这个例子中，注释“计算两个数的和”被转换为了一个名为add_numbers的函数，该函数接受两个参数并返回它们的和。

• 完成功能或继续下一行

  这通常意味着您需要编写缺失的代码行以完成某个功能。例如，如果您有一个未完成的函数：

  

  这个函数已经完成了基本的问候功能，并且还包含了一个特殊情况的处理：如果名字是"Alice"，则打印一条特殊的问候语。

• MySQL查询语句生成

  生成MySQL查询语句需要根据您的数据库结构和您想要检索的数据来决定。以下是一个简单的查询示例，它从名为employees的表中选择所有员工的信息：

  如果您想根据某些条件筛选员工，比如选择所有薪资超过50000的员工，您可以这样写：

  

• 解释代码

  解释代码意味着您需要理解代码的功能和工作原理，并能够用自然语言描述它。例如，对于以下Python代码：

  您可以解释这段代码为：“这是一个计算阶乘的函数。它接受一个参数n，并检查n是否等于0。如果n等于0，函数返回1。否则，它返回n乘以n-1的阶乘的结果。这是一个递归函数，因为它在自己的定义中调用了自己。”

技术交流&资料

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

成立了大模型技术交流群，本文完整代码、相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、微信搜索公众号：机器学习社区，后台回复：加群
方式②、添加微信号：mlc2060，备注：来自CSDN + 技术交流

通俗易懂讲解大模型系列

• 做大模型也有1年多了，聊聊这段时间的感悟！

• 用通俗易懂的方式讲解：大模型算法工程师最全面试题汇总

• 用通俗易懂的方式讲解：不要再苦苦寻觅了！AI 大模型面试指南（含答案）的最全总结来了！

• 用通俗易懂的方式讲解：我的大模型岗位面试总结：共24家，9个offer

• 用通俗易懂的方式讲解：大模型 RAG 在 LangChain 中的应用实战

• 用通俗易懂的方式讲解：一文讲清大模型 RAG 技术全流程
  

• 用通俗易懂的方式讲解：如何提升大模型 Agent 的能力?

• 用通俗易懂的方式讲解：ChatGPT 开放的多模态的DALL-E 3功能，好玩到停不下来！

• 用通俗易懂的方式讲解：基于扩散模型（Diffusion）,文生图 AnyText 的效果太棒了

• 用通俗易懂的方式讲解：在 CPU 服务器上部署 ChatGLM3-6B 模型

• 用通俗易懂的方式讲解：使用 LangChain 和大模型生成海报文案

• 用通俗易懂的方式讲解：ChatGLM3-6B 部署指南

• 用通俗易懂的方式讲解：使用 LangChain 封装自定义的 LLM，太棒了

• 用通俗易懂的方式讲解：基于 Langchain 和 ChatChat 部署本地知识库问答系统

• 用通俗易懂的方式讲解：在 Ubuntu 22 上安装 CUDA、Nvidia 显卡驱动、PyTorch等大模型基础环境

• 用通俗易懂的方式讲解：Llama2 部署讲解及试用方式

• 用通俗易懂的方式讲解：基于 LangChain 和 ChatGLM2 打造自有知识库问答系统

• 用通俗易懂的方式讲解：一份保姆级的 Stable Diffusion 部署教程，开启你的炼丹之路

• 用通俗易懂的方式讲解：对 embedding 模型进行微调，我的大模型召回效果提升了太多了

• 用通俗易懂的方式讲解：LlamaIndex 官方发布高清大图，纵览高级 RAG技术

• 用通俗易懂的方式讲解：为什么大模型 Advanced RAG 方法对于AI的未来至关重要？

• 用通俗易懂的方式讲解：使用 LlamaIndex 和 Eleasticsearch 进行大模型 RAG 检索增强生成

• 用通俗易懂的方式讲解：基于 Langchain 框架，利用 MongoDB 矢量搜索实现大模型 RAG 高级检索方法

• 用通俗易懂的方式讲解：使用Llama-2、PgVector和LlamaIndex，构建大模型 RAG 全流程