走进吴恩达：揭秘Prompt Engineering 提示词工程

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AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

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、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

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
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • 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
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • 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

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

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）

​