揭秘Prompt Engineering 提示词工程（附学习文档）

Prompt Engineering 概览

何为Prompt

在自然语言处理领域，尤其是与大型语言模型（LLM）互动时，Prompt 起着至关重要的作用。形象地说：

• LLM 是金矿：大型语言模型如同深藏不露的金矿，蕴藏着巨大的知识与创造力潜力。
• Prompt 是钥匙：而Prompt，则是开启这座金矿的钥匙。通过精心设计的问题或指令（Prompt），我们能引导模型产生特定的、有价值的输出，如文章创作、代码编写、问题解答等。

定义

Prompt Engineering，就是设计和优化与语言模型交流的指令艺术。它不仅仅是关于如何提出问题，更重要的是如何构建一种语境，让机器理解我们的意图，从而产生预期的、高质量的响应。在人机交互日益频繁的今天，Prompt Engineering的重要性不言而喻，它直接决定了我们能否有效利用LLMs的智能，跨越从简单问答到复杂任务执行的鸿沟。

实战演练：技术栈与工具集成

• 后端集成： 使用Node.js作为后端技术栈，通过npm init和npm i openai快速搭建项目框架，集成OpenAI SDK，实现与LLMs的无缝对接。

代码示例： 首先，确保您已安装Node.js，然后创建一个新的项目目录并初始化npm：

Bash
 代码解读
mkdir my-llm-project
cd my-llm-project
npm init -y

接着，安装OpenAI的Node.js SDK：

Bash
 代码解读
npm install openai

现在，在项目中创建一个index.js文件来集成OpenAI SDK：

js
 代码解读
const { OpenAIApi, Configuration } = require("openai");

// 初始化配置，使用您的OpenAI API密钥
const configuration = new Configuration({
  apiKey: process.env.OPENAI_API_KEY,
});

// 创建OpenAI实例
const openai = new OpenAIApi(configuration);

async function generateText(prompt) {
 try {
    const response = await openai.createCompletion({
      model: "text-davinci-003", // 或其他可用模型
      prompt: prompt,
      max_tokens: 150, // 生成文本的最大token数
    });

    console.log(response.data.choices[0].text);

请确保您已将OpenAI API密钥设置为环境变量OPENAI_API_KEY。

• 工作流程： 建立从Prompt构思、编写、测试到迭代的完整流程，利用版本控制工具跟踪每一次修改，保持Prompt库的有序更新。
• 自动化与评估： 开发自动化脚本评估Prompt效果，比如基于F1分数、BLEU得分等评价指标，自动化筛选最优Prompt。

代码示例：

js
 代码解读
const { calculateBLEU } = require('some-bleu-module'); // 假设存在这样一个模块用于计算BLEU分

async function evaluatePrompt(prompt, expectedOutput) {
  const generatedText = await generateText(prompt);
  
  // 计算BLEU分（此处仅为示意，实际需实现或使用现有库）
  const bleuScore = calculateBLEU(expectedOutput, generatedText);
  
  console.log(`Prompt: ${prompt}`);
  console.log(`Generated Text: ${generatedText}`);
  console.log(`BLEU Score: ${bleuScore}`);
  
  return bleuScore;
}

// 假设的预期输出和Prompt测试
evaluatePrompt("描述一只猫的外观", "猫有柔软的毛发，尖尖的耳朵，通常有条纹或斑点。它们的眼睛大而明亮。");

Prompt设计原则

设计有效的Prompt，有几条核心原则值得遵循：

我将以一条例子来描述prompt的原则

如：prompt：“请为一位热爱自然与徒步旅行的游客，推荐一座位于欧洲、适合秋季访问的山脉，包括该地的最佳徒步路线、必看景观以及当地特色的住宿建议。请确保信息最新，且考虑到秋季天气变化。”

体现了：

1. 明确具体： 清楚地界定了请求的目标群体（热爱自然与徒步旅行的游客）、地理位置（欧洲）、时间框架（秋季）、活动类型（徒步旅行），以及所需信息的范畴（最佳徒步路线、必看景观、住宿建议）。
2. 场景导向： 通过设定秋季这一特定季节，Prompt要求推荐时考虑气候条件的变化，体现了对旅行实际情境的考量，增加了回答的实用性和针对性。
3. 个性化需求： 针对热爱自然与徒步旅行的兴趣偏好制定建议，反映了对用户个性和喜好的尊重。
4. 信息时效性： 强调信息应为最新，确保推荐基于最新的状况和数据，避免因过时信息而误导用户。
5. 全面性： 不仅要求推荐地点，还涵盖了活动安排、景点介绍和住宿推荐，试图为用户提供一站式的旅行规划指南。
6. 引导性： 通过详细说明所需信息的各个方面，有效引导AI生成内容的结构和深度，确保回复内容的条理性。

Prompt设计模式：炼丹的艺术

从基础到进阶：构建高效的工作流 在实际操作中，Prompt Engineering远不止于简单的文本设计。它要求我们持续优化Prompt，利用循环反馈机制不断迭代，直至达到理想效果。同时，构建可复用的Prompt模板库，对于提高工作效率、减少重复劳动具有重大意义。结合版本控制系统，如Git，管理Prompt的变化历史，便于追踪和回溯，也是提升项目管理水平的重要一环。

• 重视Prompt设计：高效利用LLM的关键在于精心设计Prompt。这包括投入时间研究和优化Prompt，因为一个精准的Prompt往往比直接的答案更为重要，它能激发模型的最佳表现。

Don’t Repeat Yourself (DRY) 原则：代码的高效与优雅

• DRY原则在Prompt Engineering的应用：为了提高效率和可维护性，应避免在代码或Prompt设计中重复相同的逻辑或指令。通过封装常用的Prompt模式为函数或模板，可以简化Prompt的创建过程，同时也便于调整和复用。
• 封装与模块化：将常用或复杂的Prompt设计模式封装成函数或类库，不仅可以减少重复代码，还能提高代码的可读性和可扩展性。例如，创建一个generatePrompt函数，该函数接受参数并根据参数动态生成Prompt，这样在需要调整策略时只需修改一处即可全局生效。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓

CSDN大礼包：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴，可以 扫描下方二维码领取↓↓↓

CSDN大礼包：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）

​