AIGC初探:提示工程 Prompt Engineering

发布时间:2023年12月28日

简介

提升工程是什么

提示工程(Prompt Engineering)是人工智能领域中的一个概念,特别是在自然语言处理(NLP)领域中。它是一种通过设计和优化输入提示来提高AI模型表现的方法。

对于基于转换器的大型语言模型(如OpenAI的GPT系列),输入提示在提高模型理解、回答问题、生成有用输出等方面具有关键作用。简单来说,提示工程就是研究如何构建更好的问题或指令,从而引导AI模型生成更有价值的回答。

提示工程主要包含以下几个方面的内容:

  • 问题构建:以清晰、简洁的方式表述问题,明确需要的答案类型。
  • 上下文引导:提供必要的上下文信息,帮助模型理解问题的背景和目标。
  • 间接引导:使用间接的指令,引导模型以特定的方式回答问题。
  • 分步引导:将复杂问题拆分成多个简单问题,逐步引导模型生成答案。

此外,提示工程还可以从大型的“冻结”预训练语言模型开始工作,其中只学习了提示的表示方法,即所谓的“前缀调整(prefix-tuning)”或“提示调整(prompt tuning)”。

为什么要学提示工程

我们使用AI本身来回答这个问题

正常回答

在这里插入图片描述

代入研发角色身份回答

在这里插入图片描述

带入产品经理角度回答

在这里插入图片描述
从上面可以看到,使用不同的提问方式回答的内容已经不一样了。如何引导回答,怎么提问都是有技巧的

学会提示工程,是 AGI 时代的基本技能

学习提示工程

基础了解:
理解人工智能和机器学习:了解基本的AI和ML概念,特别是自然语言处理(NLP)。
研究提示工程的原理:学习如何通过精确的语言提示来指导和优化AI模型的响应。 实践操作:
实验与模型:使用不同的AI模型进行实验,理解不同提示对输出的影响。 案例分析:研究成功的提示工程案例,分析为何有效。 深入研究:
高级技巧:学习高级提示策略,如使用元语言、条件语句等。 模型内部机制:探索AI模型如何解析和响应提示。 不断迭代:
实时反馈:持续收集用户反馈,了解提示的效果。 调整和优化:根据反馈不断调整提示策略。

跨学科学习:
心理学和语言学:理解人类如何解释和使用语言,这可以帮助设计更自然、更有效的提示。
行业知识:了解特定行业的术语和需求,以创建更具针对性的提示。 核心要素 精确性:准确地传达意图是关键。提示需要精确地指导AI,避免歧义。
创造性:在设计提示时,创造性思维可以帮助产生更有趣、更有洞察力的输出。
用户理解:了解目标用户的需求和行为模式,以便设计符合他们期望的提示。
适应性:随着技术和用户需求的发展,提示策略也需要适应性地调整。
跨学科知识:结合心理学、语言学、技术等多个领域的知识,以创建更有效的提示。
测试和反馈:持续测试和评估提示的效果,并根据反馈进行调整。

如何使用

非研发人员的使用

通过界面操作,如百度的文心一言、openAI的ChatGPT等,使用方式主要是构建指令,指令包含下面几个内容会有好的效果

  • 角色:给 AI 定义一个最匹配任务的角色,比如:「你是一位软件工程师」「你是一位小学老师」
  • 指示:对任务进行描述
  • 上下文:给出与任务相关的其它背景信息(尤其在多轮交互中)
  • 例子:必要时给出举例,学术中称为 one-shot learning, few-shot learning 或 in-context learning;实践证明其对输出正确性有很大帮助
  • 输入:任务的输入信息;在提示词中明确的标识出输入
  • 输出:输出的格式描述,以便后继模块自动解析模型的输出结果,比如(JSON、XML)

研发人员

通过代码编程,将业务与AI结合,固化一套 Prompt 到程序中,成为系统功能的一部分,比如公司知识库问答、AI客服等,后续也将依照这个思路编写一些文章完成一些DEMO示例

总结

本次文章没有代码相关内容,主要是将介绍一些基本概念以及梳理后续如何开展的思路

文章来源:https://blog.csdn.net/weixin_43871079/article/details/135270273
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。