本文最后由 Demo Marco 更新于 2025-02-22. 如有资源已失效，请留言反馈，将会及时处理。 【推荐：不翻墙访问被墙网站方法 | 自用高速专线机场 | 高速CN2线路 | 高质量家宽住宅IP】
我们与技术互动的方式在不断发展。最近最令人兴奋的进步之一是人工智能 (AI) 领域，机器被训练得像人类一样思考、学习甚至交流。在生成式人工智能等领域的众多发展中，有一门微妙的艺术正在逐渐受到重视：快速工程。
想象一下，你与机器对话，你提供提示或“提示”，机器会用相关信息或行动做出回应。这就是提示工程的本质。它涉及设计正确的问题或指令来指导人工智能模型，尤其是大型语言模型 (LLM)，以产生预期的结果。无论你是一个对人工智能最新进展感到好奇的技术爱好者，还是一个希望利用语言模型力量的专业人士，理解提示工程都至关重要。
在本文中，我们将揭开快速工程的技术复杂性，同时介绍其在更广泛的 AI 领域中的重要性。对于那些希望深入了解 AI 和语言处理世界的人，我们提供了一系列资源来帮助您了解更多信息。
什么是快速工程Prompt Engineering？
从本质上讲，提示工程类似于通过问题来教孩子。正如措辞恰当的问题可以引导孩子的思维过程一样，精心设计的提示可以引导 AI 模型（尤其是大型语言模型 (LLM)）实现特定的输出。让我们更详细地探讨这个概念。
定义和核心概念
提示工程是设计和改进提示（问题或指令）的实践，以便从 AI 模型中引出特定响应。可以将其视为人类意图与机器输出之间的接口。
在人工智能领域，模型是在庞大的数据集上进行训练的，正确的提示可能会决定模型是理解你的请求还是误解它。
例如，如果你曾经与 Siri 或 Alexa 等语音助手互动过，那么你就参与了一种基本的提示工程。你提出请求的方式——“播放一些轻松的音乐”与“播放贝多芬的交响曲”——可以产生截然不同的结果。
快速工程的技术方面
快速工程虽然植根于语言艺术，但与人工智能模型的技术复杂性息息相关。下面详细介绍一下技术方面的内容：
- 模型架构。大型语言模型 (LLM)（如GPT（生成式预训练 Transformer）和 Mata 的LLaMA）都是基于Transformer 架构 构建的。这些架构允许模型处理大量数据并通过自注意力机制理解上下文。制作有效的提示通常需要了解这些底层架构。
- 训练数据和标记化。LLM 在庞大的数据集上进行训练，将输入数据标记为较小的块（标记）以供处理。标记化（基于单词、字节对等）的选择会影响模型解释提示的方式。例如，对单词进行不同的标记化可能会产生不同的输出。
- 模型参数。LLM有数百万甚至数十亿个参数。这些参数在训练过程中经过微调，决定了模型如何响应提示。了解这些参数与模型输出之间的关系有助于设计更有效的提示。
- 温度和 Top-k 采样。在生成响应时，模型使用温度设置和 Top-k 采样等技术来确定输出的随机性和多样性。例如，较高的温度可能会产生更多样化（但可能不太准确）的响应。及时的工程师经常调整这些设置以优化模型输出。
- 损失函数和梯度。从更深层次上讲，模型在快速响应过程中的行为受到其损失函数和梯度的影响。这些数学结构指导着模型的学习过程。虽然快速工程师通常不会直接调整这些函数和梯度，但了解它们的影响可以深入了解模型行为。
为什么及时工程很重要
及时工程是确保人机有效沟通的桥梁。这不仅是为了得到正确的答案；还为了确保人工智能理解每个查询背后的背景、细微差别和意图。
工程的发展促使
即时工程虽然是一门相对较新的学科，但却深深植根于自然语言处理 (NLP) 和机器学习的广泛历史中。了解其演变过程可以为其当前重要性提供背景。
NLP 的早期阶段
NLP 的起源可以追溯到 20 世纪中叶，当时数字计算机刚刚出现。NLP 的早期工作是基于规则的，依赖于手动制定的规则和简单的算法。这些系统非常僵化，难以应对人类语言的复杂性和细微差别。
统计 NLP 和机器学习
随着计算能力的提高和数据集的增长，20 世纪末和 21 世纪初出现了向统计方法的转变。机器学习算法开始发挥关键作用，允许更灵活和数据驱动的语言模型。然而，这些模型在理解上下文和生成连贯的长篇文本方面仍然存在局限性。
基于 Transformer 的模型的兴起
2017 年论文《Attention is All You Need》中引入的 Transformer 架构标志着一个重要的转折点。Transformer 凭借其自注意力机制，可以处理大量数据并捕捉复杂的语言模式。这导致了 Google 的 BERT 等模型的发展，这些模型彻底改变了文本分类和情感分析等任务。
OpenAI GPT 的影响
OpenAI 的生成式预训练 Transformer (GPT) 系列，尤其是 GPT-2 和 GPT-3，将 Transformer 提升到了一个新的水平。这些模型拥有数十亿个参数，展示了前所未有的能力，可以生成连贯、上下文相关且通常与人类难以区分的文本。GPT 模型的兴起凸显了提示工程的重要性，因为输出的质量在很大程度上取决于提示的精确度和清晰度。
立即进行工程设计
随着基于 Transformer 的模型在行业、研究和日常应用中的广泛采用，提示工程已成为一门关键学科。它是确保有效利用这些强大模型的桥梁，使 AI 工具更易于访问和用户友好。随着 OpenAI 的新 o1 pro 模式的推出，对细致入微和有效提示的需求比以往任何时候都更加明显。我们甚至看到像Anthropic 的计算机使用这样的 AI 代理工具能够通过正确的提示自动化您的计算机。
无论是利用生成式人工智能释放创造力，还是使用 ChatGPT 进行数据科学项目，了解提示的工作原理变得越来越重要。
快捷工程的最新进展
截至 2024 年底，即时工程领域继续快速发展，反映了人工智能及其应用的动态性质。最近的进展极大地影响了我们与人工智能模型（尤其是大型语言模型 (LLM)）的交互方式。以下是一些关键发展：
增强情境理解
LLM 领域的最新突破，尤其是 GPT-4o 等模型，在理解语境和细微差别方面取得了显著进步。这些模型现在能够更好地解释复杂的提示、考虑更广泛的语境并提供更准确、更细致的响应。这一飞跃部分归功于更复杂的训练方法，这些方法涉及多样化和广泛的数据集，使模型能够更有效地掌握人类交流中的细微差别。
自适应提示技术
自适应提示是一种新兴趋势，其中人工智能模型正在开发中，以根据用户的输入风格和偏好调整其响应。这种个性化方法旨在使与人工智能的互动更加自然和用户友好。例如，如果用户倾向于提出简洁的问题，人工智能就会适应提供简洁的答案，反之亦然。这一发展在增强虚拟助手和聊天机器人等人工智能驱动应用程序的用户体验方面尤其有前景。
多模式提示工程
人工智能模型中多模态能力的整合为即时工程开辟了新领域。多模态模型可以处理和响应包含文本、图像甚至音频输入的提示。这一进步意义重大，因为它为更全面的人工智能应用铺平了道路，这些应用可以以更接近模仿人类感知和交流的方式理解和互动。
实时提示优化
实时提示优化技术的进步使 AI 模型能够对提示的有效性提供即时反馈。该技术评估提示的清晰度、偏见的可能性以及与预期结果的一致性，并提供改进建议。这种实时指导对于新手和经验丰富的用户来说都是非常宝贵的，可以简化制作有效提示的过程。
与特定领域模型集成
即时工程也正在与特定领域的 AI 模型相结合。这些专业模型基于行业特定数据进行训练，从而能够更准确、更相关地响应医学、法律和金融等领域的即时工程问题。即时工程与这些定制模型的结合提高了 AI 在专业领域的精确度和实用性。
制作提示的艺术与科学
编写有效的提示既是一门艺术，也是一门科学。它是一门艺术，因为它需要创造力、直觉和对语言的深刻理解。它是一门科学，因为它以人工智能模型处理和生成响应的机制为基础。
提示的微妙之处
提示中的每个字都很重要。措辞上的细微变化可能会导致 AI 模型的输出截然不同。例如，要求模型“描述埃菲尔铁塔”与“讲述埃菲尔铁塔的历史”会产生不同的回答。前者可能提供物理描述，而后者则深入探讨其历史意义。
理解这些细微差别至关重要，尤其是在使用 LLM 时。这些模型经过大量数据集的训练，可以根据收到的提示生成各种响应。这不仅仅是提出问题；而是以符合您期望结果的方式来表达问题。
我们在如何使用 Midjourney创建视觉效果的指南中看到了这一点——在“宇宙飞船”一词的提示中添加权重之间的差异可以产生科幻宇宙飞船的图像或在太空中航行的飞船的图像。
提示的关键要素
让我们看一下构成良好提示的方面：
- 指令。这是提示的核心指令。它告诉模型您希望它做什么。例如，“总结以下文本”为模型提供了明确的操作。
- 背景。背景提供了额外的信息，有助于模型了解更广泛的情景或背景。例如，“考虑到经济衰退，提供投资建议”为模型提供了一个背景，以便模型可以据此制定应对措施。
- 输入数据。这是您希望模型处理的特定信息或数据。它可以是一个段落、一组数字，甚至是一个单词。
- 输出指示器。此元素在角色扮演场景中特别有用，它指导模型确定所需的响应格式或类型。例如，“以莎士比亚的风格重写以下句子”为模型提供了风格指导。
在我们专门针对ChatGPT 提示工程的指南中，我们查看了一些适用于该工具的良好提示的具体示例。
ChatGPT 提示工程正在发挥作用
快速工程技术
制作完美的提示通常需要进行实验。以下是一些可以提供帮助的技巧：
基本技术
这些是普通用户可以用来改善其提示的技巧。
- 角色扮演。通过让模型扮演特定实体（如历史学家或科学家），您可以获得量身定制的响应。例如，“作为营养学家，评估以下饮食计划”可能会产生基于营养科学的响应。
- 迭代改进。从广泛的提示开始，并根据模型的响应逐步改进。此迭代过程有助于将提示打磨至完美。
- 反馈循环。使用模型的输出来通知和调整后续提示。这种动态交互可确保模型的响应随着时间的推移更接近用户期望。
高级技术
在这里，我们看到了更复杂的策略，需要更深入地了解模型的行为。
- 零样本提示。该技术涉及为模型提供它在训练期间未曾见过的任务。它测试模型在不依赖先前示例的情况下进行概括和产生相关输出的能力。
- 少量提示/上下文学习。在此，为模型提供一些示例（镜头）来指导其响应。通过提供上下文或先前的实例，模型可以更好地理解并生成所需的输出。例如，在要求模型翻译新句子之前，先向其展示几个翻译句子的示例。
- 思维链 (CoT)。这种先进的技术涉及引导模型完成一系列推理步骤。通过将复杂的任务分解为中间步骤或“推理链”，模型可以实现更好的语言理解和更准确的输出。这类似于引导某人一步一步解决复杂的数学问题。
具体性和开放性的平衡
虽然提示的具体性可以带来更准确的回答，但让提示稍微开放一些也是有价值的。这允许模型利用其广泛的训练并提供可能不是立即显而易见的见解或答案。例如，“告诉我一些关于太阳系的有趣的事情”是开放式的，但可以从模型中获得令人着迷的见解。
借助 Google Bard 等工具，您可以根据需要具体或开放地表达自己的想法
快速工程的工作原理
制定初始提示只是一个开始。要真正利用 AI 模型的力量并确保它们符合用户意图，改进和优化提示至关重要。这个迭代过程是艺术与科学的融合，需要直觉和数据驱动的洞察力。
1. 创建适当的提示
我们在另一篇文章中探讨了一些用于营销的 ChatGPT 提示，并编制了一份ChatGPT 备忘单，其中涵盖了此特定工具的许多细节。但是，有许多工具（例如LlamaIndex和Langchain）需要提示。以下是为 AI 工具创建提示的一些一般规则：
- 清晰度是关键。确保提示清晰明确。除非上下文需要，否则请避免使用行话。
- 尝试角色扮演。如前所述，让模型承担特定角色可以产生更有针对性的响应。
- 使用约束。设置边界或约束可以帮助引导模型实现所需的输出。例如，“用三句话描述埃菲尔铁塔”提供了明确的长度限制。
- 避免引导性问题。引导性问题可能会使模型的输出产生偏差。保持中立是获得公正回答的关键。
2. 迭代和评估
完善提示的过程是反复进行的。以下是典型的工作流程：
- 起草初始提示。根据手头的任务和期望的输出。
- 测试提示。使用 AI 模型生成响应。
- 评估输出。检查响应是否符合意图并满足标准。
- 完善提示。根据评估结果做出必要的调整。
- 重复。继续此过程，直到达到所需的输出质量。
在此过程中，考虑不同的输入和场景也至关重要，以确保提示在各种情况下的有效性。
3. 校准和微调
除了改进提示本身之外，还可以校准或微调 AI 模型。这涉及调整模型的参数以更好地适应特定任务或数据集。虽然这是一种更先进的技术，但它可以显著提高模型在专门应用中的性能。
及时工程师的作用
随着人工智能不断塑造行业并重新定义我们与技术互动的方式，一个新的角色出现在最前沿：即时工程师。这一角色在弥合人类意图与机器理解之间的差距方面发挥着关键作用，确保人工智能模型有效沟通并产生相关输出。
人工智能领域的新职业道路？
自然语言处理 (NLP) 的快速发展和大型语言模型 (LLM) 的广泛采用，催生出对能够制作有效提示的专家的稀缺但关键的需求。这些人被称为提示工程师，他们不仅是技术人员，更是了解语言、语境和 AI 行为细微差别的艺术家。
据《时代》杂志报道，从科技巨头到初创公司等公司都认识到专业快速工程师角色的价值。随着人工智能驱动的解决方案越来越多地融入产品和服务中，快速工程师的专业知识可确保这些解决方案有效、用户友好且与上下文相关。
Indeed 和 LinkedIn 等求职网站上已经列出了仅在美国就有数千个工程师职位，薪资从每年 50,000 美元到 150,000 美元不等。
在Indeed上发布 Prompt 工程师职位
快速工程的技术技能
根据具体角色和技术水平，一名敏捷工程师需要在几个技术领域打下坚实的基础：
- 了解 NLP。深入了解自然语言处理技术和算法至关重要。
- 熟悉法学硕士 (LLM)。熟悉 GPT、PaLM2 等模型及其底层架构。
- 实验和迭代。能够根据模型输出测试、改进和优化提示。
- 数据分析。分析模型响应、识别模式并做出数据驱动的决策。
快速工程所需的非技术技能
虽然技术实力至关重要，但一名敏捷的工程师还需要一系列非技术技能：
- 沟通。传达想法、与团队合作以及了解用户需求的能力。
- 主题专业知识。根据应用情况，特定领域的知识可能是无价的。
- 语言能力。掌握语言、语法和语义，以制作有效的提示。
- 批判性思维。评估模型输出，识别偏见，并确保符合道德的人工智能实践。
- 创造力。打破思维局限，尝试新的提示风格，创新解决方案。
这些软技能与技术专长相结合，使得快速工程师的角色既具有挑战性又有回报，为人机协作的新时代铺平了道路。
快速工程的未来
当我们站在人工智能时代的边缘时，快速工程将在塑造人机交互的未来中发挥关键作用。这个领域虽然相对新兴，但前景广阔，发展潜力巨大。
正在进行的研究和开发
人工智能的世界充满活力，研究和创新层出不穷。在快速工程的背景下：
- 自适应提示。研究人员正在探索让模型根据上下文自适应地生成自己的提示的方法，从而减少手动输入的需要。
- 多模态提示。随着能够同时处理文本和图像的多模态 AI 模型的兴起，提示工程的范围正在扩大到包括视觉提示。
- 道德提示。随着人工智能伦理越来越受到重视，人们开始关注如何制定确保公平、透明和减少偏见的提示。
长期价值和相关性
及时工程不仅仅是一种短暂的趋势。随着人工智能模型变得越来越复杂，并融入从医疗保健到娱乐等各种应用中，有效沟通的需求变得至关重要。及时工程师将成为确保这些模型可访问、用户友好且与上下文相关的关键。
此外，随着人工智能的普及以及越来越多没有技术专长的人开始与这些模型互动，提示工程师的角色也将发生变化。他们将负责创建直观的界面、设计用户友好的提示，并确保人工智能仍然是增强人类能力的工具。
挑战与机遇
与任何新兴领域一样，快速工程也面临着一系列挑战：
- 模型的复杂性。随着模型规模和复杂性的增加，制定有效的提示变得更具挑战性。
- 偏见和公平。确保提示不会无意中引入或放大模型输出中的偏见。
- 跨学科合作。提示工程处于语言学、心理学和计算机科学的交叉点，需要跨学科的合作。
但这些挑战也带来了机遇。它们推动创新，促进跨学科合作，并为下一代人工智能工具和解决方案铺平道路。
快速工程中的伦理考量
随着人工智能成为各行各业的必需品，即时工程中的道德考量成为焦点。即时工程师的作用不仅限于制作有效的即时信息，他们还必须确保人工智能模型以公平、公正和合乎道德的方式与用户互动。以下是重点关注的领域：
减轻偏见
提示工程师在减少 AI 输出中的偏差方面发挥着至关重要的作用，这些偏差可能来自训练数据或提示本身的措辞。策略包括：
- 中性提示设计：避免引导性问题或提示，因为这可能会使模型产生有偏见的反应。
- 公平性测试：定期使用不同的输入测试提示，以确保在不同的人口统计或背景下实现平衡的输出。
- 意识到数据偏见：了解用于训练 LLM 的数据集并定制提示以抵消任何固有偏见。
公平的人工智能互动
为了确保公平的互动，及时工程师可以：
- 使用上下文感知提示：引导模型在其响应中考虑更广泛的观点，例如包括代表性不足的观点。
- 监控道德标准：将道德准则纳入提示工程实践中，例如避免可能引起有害或歧视性输出的提示。
透明度和可解释性
提示工程师应通过创建能够实现清晰易懂的 AI 交互的提示来实现透明度。这包括：
- 强调人工智能在回应中的局限性。
- 设计提示来鼓励模型引用来源或阐明推理。
最后的想法
人工智能领域广阔、复杂且不断发展。随着我们逐渐了解快速工程的复杂性，很明显，这个领域不仅仅是一项技术工作——它是人类意图与机器理解之间的桥梁。这是一门微妙的艺术，即提出正确的问题以得出所需的答案。
提示工程虽然是一门相对较新的学科，但却是释放 AI 模型（尤其是大型语言模型）全部潜力的关键。随着这些模型越来越多地融入我们的日常生活，有效沟通的重要性怎么强调也不为过。无论是帮助完成日常任务的语音助手、提供客户支持的聊天机器人，还是协助研究人员的 AI 工具，交互的质量都取决于引导它们的提示。
对于数据爱好者、专业人士甚至普通大众来说，理解即时工程不仅仅意味着更好地进行人工智能交流，还意味着展望未来人工智能将无缝融入我们的生活，增强我们的能力并丰富我们的体验。
站在这个节点，快速工程的未来一片光明，充满了需要克服的挑战和需要实现的里程碑。对于那些对这个领域感兴趣的人来说，旅程才刚刚开始。
快速工程常见问题解答
在人工智能的背景下，提示到底是什么？
提示是向 AI 模型（尤其是大型语言模型 (LLM)）提出的问题或指令，以引出特定响应。它充当人类意图和机器输出之间的接口。
为何及时工程如此重要？
及时工程可确保 AI 模型产生准确且相关的输出。这是一门艺术，它设计有效的提示来指导模型的行为，确保有效的人机沟通。
我是否需要有人工智能或机器学习的背景才能理解即时工程？
虽然拥有 AI 背景会有所帮助，但并非绝对必要。快速工程不仅需要技术专业知识，还需要语言和沟通。只要有合适的资源和学习，任何人都可以掌握其基础知识。
提示工程与聊天机器人和语音助手有何关系？
聊天机器人和语音助手严重依赖提示。您提出的问题或给出的命令本质上是提示。有效的提示工程可确保这些工具准确理解和响应用户查询。
快速工程是否存在风险？
与任何 AI 实践一样，即时工程也面临挑战。有偏见或设计不当的提示可能会导致模型输出不准确或有偏见。务必要谨慎对待即时工程，确保公平和透明。
