有关提示词的基础知识

提示词是指提供给 AI 系统的输入或指令，用于指导其执行特定任务或生成特定响应。

一种最简单的提示词是询问具有唯一正解的基本问题，例如：

提示词：世界上最大的森林是什么？

输出：世界上最大的森林是亚马逊雨林。

稍微复杂的提示词可能要求 AI 执行以下操作：

提示词：请按面积大小列出全球三大森林。

输出：

1. 亚马逊雨林（南美洲）
2. 泰加林/北方针叶林（横跨北美、欧洲与亚洲）
3. 刚果雨林（非洲中部）

提示词决定了生成式AI 系统输出内容的质量。创建能产生相关且可用结果的优质提示词，是成功使用生成式AI 的关键。生成式AI 系统依赖于不断优化提示词工程技术，进而从多样化的数据中学习，尽可能减少偏见和误解，生成准确的响应。

提示词工程师会精心设计查询语句，帮助 AI 系统理解提示词的语言、细微差别和背后意图。一个精心构思、全面详尽的提示词能显著影响 AI 生成内容的质量，无论这些内容是图像、代码、数据摘要还是文本。

有效的提示词是连接原始查询和有意义的 AI 响应之间的桥梁。提示词工程师通过精心调整提示词来提升模型输出的质量和相关性，以满足特定需求和通用需求。这一过程减少了对人工审校和生成后编辑的需求，从而显著节省了达成预期成果所需的时间和精力。

提示词工程示例

用户通过文本提示词与生成式AI 模型交互。模型会根据前文预测后文。这就好比问：“当我提到<提示词>时，你首先想到什么？”例如，输入一句名人名言或常用短语的前几个词作为提示词，模型就能准确地续写文本：

提示词：草是

输出：绿的。

更复杂的提示词也遵循相同的原理，模型会输出其认为最可能的答案。提示词工程技术能帮助 AI 系统更好地理解请求和指令，从而提高模型输出的质量。

基础提示方法有哪些？

零样本提示

这种方法是直接给模型下达任务指令，不提供任何示例或上下文。以下是几种常见的应用方式：

• 提问式： 要求一个具体的答案，适用于获取直接、事实性的回答。示例：气候变化的主要原因是什么？
• 指令式： 要求 AI 执行具体任务或按特定格式提供信息，适用于生成结构化回答或完成指定的任务。示例：列出气候变化对环境的五大影响，并针对每个影响提供简要说明。

零样本提示能否成功，取决于两个关键因素：模型预训练任务的适配性，以及任务本身的复杂程度。

举个例子：解释森林砍伐如何加剧气候变化。

AI 生成的回答可能有 2,000 多字，如果你只想要一句话，这样的输出内容就显得过于冗长宽泛，这时就需要改用单样本或少样本提示来进行优化调整。

单样本提示

这种方法是通过提供一个示例来说明期望的响应格式或风格，比零样本提示更能有效地引导模型。示例：

给定示例：燃烧化石燃料会释放二氧化碳，而二氧化碳会在大气中积聚热量，导致全球变暖。

现在，请解释工业化农业如何加剧气候变化？

少样本提示

这种方法是通过为模型提供多个示例，帮助模型更好地理解任务和期望的输出，特别适用于处理更复杂的查询或生成更细致的回答。示例：

给定示例：

• 交通工具燃烧化石燃料，释放温室气体，导致大气温度上升。
• 森林砍伐减少了吸收二氧化碳的树木数量，加剧全球变暖。
• 工业化农业中牲畜养殖会产生甲烷，增强温室效应。

现在，请分析城市化对气候变化的影响。

提示词工程技术

先进的提示技术能帮助生成式AI 工具更成功地处理复杂任务。提示词工程师通常会采用以下技术提高 AI 的处理速度和效率：

• 情境化： 在提示词中提供背景信息，帮助模型更好地理解主题。示例：已知全球气温较工业革命前上升了 1.2℃，请分析这对极地冰盖的潜在影响。
• 角色指派： 要求模型以特定类型的专家身份或风格进行回应。示例：作为一名环境科学家，请解释温室气体排放与气候变化之间的关系。
• 提示词注入： 插入特定指令，引导模型从特定角度生成期望的输出，同时保持输出的相关性和准确性。示例：解释气候变化的原因。同时，提醒读者通过使用可再生能源来减少他们的碳足迹。
• 顺序提示： 将复杂的查询拆分为更小、易管理的任务，确保回答清晰且深入。示例：首先，描述甲烷排放的主要来源；然后，解释这些排放源对气候变化的影响。
• 对比提示： 要求模型对主题进行多角度的比较和对比，从而在回答中提供平衡的观点。示例：对比发达国家与发展中国家采用可再生能源对减少碳足迹的影响。
• 假设场景： 使用假设场景来探索潜在的结果或影响。示例：如果所有国家都在 2030 年前采取碳中和政策，结果会怎样？这将对全球气温趋势产生怎样的影响？
• 反馈整合： 对先前的回答提供反馈，以优化和改进后续模型输出。示例：之前你提到森林砍伐是气候变化的一个主要因素，现在能否详细说明哪些具体的森林砍伐行为影响最大？
• 思维链提示： 建议 AI 系统逐步阐述其推理过程。示例：解释工业活动如何导致气候变化。从原材料的提取开始，然后是制造过程，最后是成品产生的排放。
• 自我一致性： 针对同一提示词生成多个回答，并选择最一致的答案。示例：全球变暖的主要原因是什么？提供三个不同的答案，然后找出它们之间的共同因素。
• 思维树： 探索不同的推理思路或问题解决方案。示例：考虑三种减少碳排放的策略：可再生能源、碳捕获和再造林，并详述每种方法的优缺点。
• 检索增强生成： 利用从外部数据库或文档中检索到的信息优化回答。示例：根据政府间气候变化专门委员会的最新报告，总结气候变化对全球海平面的预计影响
• 自动推理与工具使用： 指示 AI 系统使用外部工具或数据集来支持其答案。示例：使用美国国家海洋和大气管理局的气候数据，分析过去 50 年的全球气温变化趋势并解释分析结果。
• 图提示： 利用图表或网络格式的结构化数据来指导 AI 生成回答。示例：根据全球各行业碳排放图，论述哪些行业迫切需要进行改革来实现气候目标。
• 多模态思维链提示： 将文本、图像和图形等多种类型的数据整合到一个提示词中，以增强模型的推理能力。示例：分析关于过去百年间二氧化碳浓度变化的图表，并解释这些变化与图片中的全球温度变化趋势有何关联。

提示词工程是一门兼具艺术性与技术性的学科，需要通过实验和经验不断精进和完善。为获得最佳效果，建议考虑以下策略：

• 提供明确的指令。 提供无歧义的指令，限制 AI 的操作可能性范围。
• 使用形象化的描述。 使用易于理解的类比说明。
• 强化信息。 有时模型需要重复指令，因此可以在提示词的开头与结尾均提供指示。
• 按逻辑对提示词进行排序。 信息的顺序会影响输出结果。在提示词开头插入指令（如命令模型”总结下文“）与在结尾插入指令（如“总结上文”）可能产生不同的输出结果。输入示例的顺序也会影响输出，因为模型存在近因偏差。
• 为模型准备一个备选方案。 如果模型难以完成分配的任务，为其提供一个其他方案。比如，在文本查询中加入“若找不到答案，请回复‘未找到’”这样的语句，可以防止模型生成错误的回答。

提示词工程的优势

提示词工程的主要优势之一是，显著减少生成输出后的修改工作。AI 生成的结果质量参差不齐，通常需要专家复核和调整。但是，精心设计的提示词能确保 AI 的输出更符合原始意图，从而大幅减少后期处理工作。

提示词工程的其他显著优势包括：

• 提升长期 AI 交互效率，因为 AI 会在持续使用中不断演进
• 激发创新性应用，突破 AI 的初始设计和用途
• 随着 AI 系统变得愈加庞大和复杂，提示词工程能确保其持续有效适用

提示词工程带来的业务优势

提示词工程还能为企业的日常运营带来以下优势：

• 利用 AI 生成的洞察，制定更明智的决策，推动战略性业务增长
• 通过提供定制化回答和无缝交互，打造个性化的客户体验
• 优化资源配置，节省计算资源并降低成本
• 更精准地满足不同行业的独特需求，大幅提高 AI 实施项目的价值
• 采用符合伦理的 AI 实践，消除偏见，确保生成式AI 系统中的公平性，从而提升商业和社会领域的包容性并实现更公平的结果。

提示词工程如何赋能生成式AI 系统？

有效的提示词工程通过整合技术知识与对自然语言、词汇和上下文的深刻理解，使生成式AI 系统变得更智能，从而生成仅需少量修改即可直接使用的输出内容。

支撑生成式AI 的底层模型是基于 transformer 架构构建的大型语言模型。这类深度学习模型能够并行处理（而非顺序处理）输入数据，因而特别适用于语言翻译和文本生成等任务。大型语言模型包含 AI 系统所需的所有信息。

生成式AI 模型使用 transformer 架构来理解复杂的语言，并通过神经网络处理海量数据。AI 提示词工程则能够优化模型输出，确保 AI 系统生成有意义且逻辑连贯的回答。

生成式AI 模型可以采用多种策略来生成高质量的回答：

• 分词： 将文本拆解成更小的语义单元以便分析，这有助于计算机更精准地理解人类语言
• 模型参数调优： 保持预训练模型参数不变，减轻计算负载
• Top-k 采样： 基于预测概率，将输出词汇选择限制在最可能的选项内，保持回答的情境相关性和一致性

生成式AI 模型能够借助自然语言处理技术生成复杂的回答。自然语言处理是人工智能的一个分支领域，专注于通过自然语言实现人机交互，使计算机能够理解、解释并生成人类语言。

另外，在数据科学预处理技术、transformer 架构和机器学习算法的支持下，生成式AI 模型能够理解语言，并利用海量数据集生成文本或图像。文生图模型则结合了大型语言模型和稳定扩散模型，后者可以根据文本描述生成对应图像。

提示词工程用例

随着生成式 AI 的日益普及，企业纷纷开始探索利用提示词工程解决实际问题：

医疗卫生

提示词工程师在指导 AI 系统汇总医疗数据和制定治疗方案方面发挥着关键作用。有效的提示词可以帮助 AI 模型准确处理患者数据，生成极具价值的精准临床建议。

营销

提示词工程能加速内容创作，降低成本并节省时间。另外，提示词工程还能帮助进行创意构思、个性化定制以及各类交付内容的起草工作。

软件编程

智能副驾利用提示词工程的优势，精准推荐后续代码行，从而提高编码速度，简化软件开发流程。

网络安全

数据科学家与领域专家利用 AI 模拟网络攻击，制定更强大的防御计划。为 AI 模型设计提示词有助于识别软件中的潜在漏洞。

软件工程

提示词工程师能够借助使用多种编程语言训练的生成式 AI 系统，高效生成代码片段并简化其他复杂的任务。通过利用特定的提示词，开发人员可以实现自动生成代码和调试错误；设计 API 集成，减少手动任务；创建基于 API 的工作流，用于管控数据管道并优化资源分配。

聊天机器人

聊天机器人开发人员通过精心设计有效的提示词，确保 AI 系统能够准确理解用户查询，并实时提供有意义且情境相关的回答。

提示词工程师需要具备哪些技能？

提示词工程师目前正受到大型科技公司的青睐，主要承担以下职责：

• 创建新内容
• 处理复杂查询
• 确保提示词能捕获相关信息
• 精细调整提示词，以提高准确性
• 改进机器翻译和自然语言处理任务
• 评估输出内容的质量并相应地调整提示词

提示词工程师要想取得成功，必须具备以下技能：

• 理解大型语言模型的工作原理
• 出色的沟通能力，能清晰阐述技术概念
• 精通编程，尤其是 Python
• 扎实掌握数据结构和算法

提示词工程师的核心能力是精通英语，因为英语是训练生成式AI 模型的主要语言。为了设计出能准确引导 AI 响应的提示词，提示词工程师需要深入研究词汇、语义细微差别、措辞、上下文及语言学。无论是指导模型生成代码、理解艺术史以辅助图像创作，还是适应语言任务所需的各种叙事风格，提示词工程师都需要认真定制提示词，才能获得期望的输出结果。

常见问题

什么是神经网络？

神经网络是一种计算模型，其节点像生物大脑中的神经元一样聚集在一起。它们能够实现快速并行信号处理，从而提升模式识别和深度学习能力。

什么是主要内容？

主要内容是生成式AI 模型执行交互、通信或操作的基础素材。提示词工程师负责提供原始数据，模型将收集、分析和处理这些数据，用于不同的用途。