提示工程
一、 提示工程 Prompt（提示）：Prompt（提示）在人工智能，特別是AGI（通用人工智能）時(shí)代，扮演著至關(guān)重要的角色。它不僅是用戶與AI模型 如ChatGPT交互的橋梁，更是一種全新的“編程語(yǔ)言”，用于指導(dǎo)AI 模型產(chǎn)生特定的輸出。
Prompt（提示）
Prompt作為AGI時(shí)代的“編程語(yǔ)言” 角色轉(zhuǎn)變 ：Prompt不再僅僅是簡(jiǎn)單的輸入或查詢，它成為了一種與AI模型交互的“編程語(yǔ)言”。用戶通過(guò)精心設(shè)計(jì)的Prompt來(lái)“編程”AI 模型，指導(dǎo)其執(zhí)行各種任務(wù)。任務(wù)多樣性 ：這些任務(wù)的范圍非常廣泛，從簡(jiǎn)單的問(wèn)答、文本生成到復(fù)雜的邏輯推理、數(shù)學(xué)計(jì)算和創(chuàng)意寫(xiě)作等。即時(shí)性與互動(dòng)性 ：與傳統(tǒng)的編程語(yǔ)言相比，Prompt通常更加即時(shí)和互動(dòng)。用戶可以直接在AI模型的接口中輸入Prompt，并立即看到結(jié)果，而無(wú)需經(jīng)過(guò)編譯或長(zhǎng)時(shí)間的運(yùn)行過(guò)程。
提示工程（Prompt Engineering）：提示工程（Prompt Engineering）涉及到如何設(shè)計(jì)、優(yōu)化和管理這些Prompt，以確保AI模型能夠準(zhǔn)確、高效地執(zhí)行用戶的指令。
提示工程（Prompt Engineering）
Prompt工程作為AGI時(shí)代的“軟件工程” 設(shè)計(jì) ：Prompt設(shè)計(jì)需要仔細(xì)選擇詞匯、構(gòu)造清晰的句子結(jié)構(gòu)，并考慮上下文信息。這確保AI 模型能夠準(zhǔn)確理解用戶的意圖并產(chǎn)生符合預(yù)期的輸出。優(yōu)化 ：優(yōu)化Prompt可能涉及調(diào)整詞匯選擇、改變句子結(jié)構(gòu)或添加額外的上下文信息，以提高AI模型的性能和準(zhǔn)確性。這可能需要多次嘗試和迭代，以達(dá)到最佳效果。管理 ：隨著AGI應(yīng)用的不斷增長(zhǎng)和復(fù)雜化，管理大量的Prompt變得至關(guān)重要。這包括組織、存儲(chǔ)和檢索Prompt，以便在需要時(shí)能夠快速找到并使用它們。同時(shí)，還需要定期更新和維護(hù)這些Prompt，以適應(yīng)AI模型的改進(jìn)和變化的需求。
二、提示工程 Prompt的構(gòu)成：一個(gè)完整的Prompt應(yīng)該包含清晰的指示、相關(guān)的上下文、有助于理解的例子、明確的輸入以及期望的輸出格式描述。
Prompt的構(gòu)成
指示（Instructions） – 關(guān)鍵詞：任務(wù)描述
指示是對(duì)任務(wù)的明確描述，相當(dāng)于給模型下達(dá)了一個(gè)命令或請(qǐng)求。它告訴模型應(yīng)該做什么，是任務(wù)執(zhí)行的基礎(chǔ)。
上下文（Context） – 關(guān)鍵詞：背景信息
上下文是與任務(wù)相關(guān)的背景信息，它有助于模型 更好地理解當(dāng)前任務(wù)所處的環(huán)境或情境。在多輪交互中，上下文尤其重要，因?yàn)樗峁┝藢?duì)話的連貫性和歷史信息。
例子（Examples） – 關(guān)鍵詞：示范學(xué)習(xí)
例子是給出的一或多個(gè)具體示例，用于演示任務(wù)的執(zhí)行方式或所需輸出的格式。這種方法在機(jī)器學(xué)習(xí) 中被稱為示范學(xué)習(xí)，已被證明對(duì)提高輸出正確性有幫助。
輸入（Input） – 關(guān)鍵詞：數(shù)據(jù)輸入
輸入是任務(wù)的具體數(shù)據(jù)或信息，它是模型需要處理的內(nèi)容。在Prompt中，輸入應(yīng)該被清晰地標(biāo)識(shí)出來(lái)，以便模型能夠準(zhǔn)確地識(shí)別和處理。
輸出（Output） – 關(guān)鍵詞：結(jié)果格式
輸出是模型根據(jù)輸入和指示生成的結(jié)果。在Prompt中，通常會(huì)描述輸出的格式，以便后續(xù)模塊能夠自動(dòng)解析模型的輸出結(jié)果。常見(jiàn)的輸出格式包括結(jié)構(gòu)化數(shù)據(jù)格式如JSON、XML等。
Prompt調(diào)優(yōu)：Prompt調(diào)優(yōu)是人與機(jī)器協(xié)同的過(guò)程，需明確需求、注重細(xì)節(jié)、靈活應(yīng)用技巧，以實(shí)現(xiàn)最佳交互效果。
Prompt調(diào)優(yōu)
一、人的視角：明確需求 核心點(diǎn)：確保清晰、具體地傳達(dá)自己的意圖。
策略：簡(jiǎn)化復(fù)雜需求，分解為模型 易理解的指令。
二、機(jī)器的視角：注重細(xì)節(jié) 核心點(diǎn)：機(jī)器缺乏人類直覺(jué)，需詳細(xì)提供信息和上下文。
策略：精確選擇詞匯和結(jié)構(gòu)，避免歧義，提供完整線索。
三、模型的視角：靈活應(yīng)用技巧 核心點(diǎn)：不同模型、情境需不同Prompt表達(dá)方式。
策略：通過(guò)實(shí)踐找到最佳詞匯、結(jié)構(gòu)和技巧，適應(yīng)模型特性。
三、提示工程 提示技術(shù)：提示技術(shù)是引導(dǎo)AI 模型進(jìn)行深度思考和創(chuàng)新的有效工具，其中Chain-of-Thought Prompting注重逐步推理，Knowledge Generation Prompting強(qiáng)調(diào)知識(shí)生成，而Tree of Thoughts Prompting則通過(guò)樹(shù)狀結(jié)構(gòu)清晰展現(xiàn)思維過(guò)程。
Chain-of-Thought Prompting（鏈?zhǔn)剿伎继崾荆?/strong> 一、概念介紹 Chain-of-Thought Prompting，即鏈?zhǔn)剿伎继崾荆且环N在人工智能模型中引導(dǎo)逐步推理的方法。通過(guò)構(gòu)建一系列有序、相互關(guān)聯(lián)的思考步驟，模型能夠更深入地理解問(wèn)題，并生成結(jié)構(gòu)化、邏輯清晰的回答。二、核心特點(diǎn) 有序性 ：鏈?zhǔn)剿伎继崾疽髮?wèn)題分解為一系列有序的步驟，每個(gè)步驟都建立在前一個(gè)步驟的基礎(chǔ)上，形成一條清晰的思考鏈條。關(guān)聯(lián)性 ：每個(gè)思考步驟之間必須存在緊密的邏輯聯(lián)系，以確保整個(gè)思考過(guò)程的連貫性和一致性。逐步推理 ：模型在每個(gè)步驟中只關(guān)注當(dāng)前的問(wèn)題和相關(guān)信息，通過(guò)逐步推理的方式逐步逼近最終答案。
鏈?zhǔn)剿伎继崾荆–OT）
Knowledge Generation Prompting（ 生成知識(shí)提示） 一、概念介紹 Knowledge Generation Prompting，即生成知識(shí)提示，是一種利用人工智能模型生成新知識(shí)或信息的方法。通過(guò)構(gòu)建特定的提示語(yǔ)句，引導(dǎo)模型 從已有的知識(shí)庫(kù)中提取、整合并生成新的、有用的知識(shí)內(nèi)容。二、核心特點(diǎn) 創(chuàng)新性 ：生成知識(shí)提示旨在產(chǎn)生新的、原創(chuàng)性的知識(shí)內(nèi)容，而非簡(jiǎn)單地復(fù)述或重組已有信息。引導(dǎo)性 ：通過(guò)精心設(shè)計(jì)的提示語(yǔ)句，模型被引導(dǎo)去探索、發(fā)現(xiàn)并與已有知識(shí)進(jìn)行交互，從而生成新的見(jiàn)解或信息。知識(shí)整合 ：該過(guò)程涉及對(duì)多個(gè)來(lái)源、多種類型的知識(shí)進(jìn)行融合和整合，以形成更全面、深入的理解。
生成知識(shí)提示
Tree of Thoughts Prompting（思維樹(shù) 提示） 一、概念介紹 Tree of Thoughts Prompting，即思維樹(shù)提示，是一種將復(fù)雜思維過(guò)程結(jié)構(gòu)化為樹(shù)狀圖的方法。它通過(guò)逐級(jí)分解主題或問(wèn)題，形成具有邏輯層次和關(guān)聯(lián)性的思維節(jié)點(diǎn)，從而幫助用戶更清晰地組織和表達(dá)思考過(guò)程。二、核心特點(diǎn) 層次性 ：思維樹(shù)提示將思考過(guò)程分解為多個(gè)層次，每個(gè)層次代表不同的思維深度和廣度。關(guān)聯(lián)性 ：各思維節(jié)點(diǎn)之間存在緊密的邏輯聯(lián)系，形成一個(gè)相互關(guān)聯(lián)、互為支撐的思維網(wǎng)絡(luò)。可視化 ：通過(guò)將思維過(guò)程以樹(shù)狀圖的形式展現(xiàn)，思維樹(shù)提示增強(qiáng)了思考過(guò)程的可視化和直觀性。
思維樹(shù)提示（TOT）
提示應(yīng)用：提示工程應(yīng)用于代碼生成，利用機(jī)器學(xué)習(xí) ，將自然語(yǔ)言提示自動(dòng)轉(zhuǎn)為符合要求的代碼，提升開(kāi)發(fā)效率。
Generating Code（代碼生成） 將注釋轉(zhuǎn)換成代碼 將注釋轉(zhuǎn)換成代碼意味著您需要理解注釋中的描述或說(shuō)明，并將其實(shí)現(xiàn)為可執(zhí)行的代碼。例如：
在這個(gè)例子中，注釋“計(jì)算兩個(gè)數(shù)的和”被轉(zhuǎn)換為了一個(gè)名為add_numbers的函數(shù)，該函數(shù)接受兩個(gè)參數(shù)并返回它們的和。
完成功能或繼續(xù)下一行 這通常意味著您需要編寫(xiě)缺失的代碼行以完成某個(gè)功能。例如，如果您有一個(gè)未完成的函數(shù)：
這個(gè)函數(shù)已經(jīng)完成了基本的問(wèn)候功能，并且還包含了一個(gè)特殊情況的處理：如果名字是”Alice”，則打印一條特殊的問(wèn)候語(yǔ)。
MySQL查詢語(yǔ)句生成 生成MySQL查詢語(yǔ)句需要根據(jù)您的數(shù)據(jù)庫(kù)結(jié)構(gòu)和您想要檢索的數(shù)據(jù)來(lái)決定。以下是一個(gè)簡(jiǎn)單的查詢示例，它從名為employees的表中選擇所有員工的信息：
如果您想根據(jù)某些條件篩選員工，比如選擇所有薪資超過(guò)50000的員工，您可以這樣寫(xiě)：
解釋代碼
解釋代碼意味著您需要理解代碼的功能和工作原理，并能夠用自然語(yǔ)言描述它。例如，對(duì)于以下Python代碼：
您可以解釋這段代碼為：“這是一個(gè)計(jì)算階乘的函數(shù)。它接受一個(gè)參數(shù)n，并檢查n是否等于0。如果n等于0，函數(shù)返回1。否則，它返回n乘以n-1的階乘的結(jié)果。這是一個(gè)遞歸函數(shù)，因?yàn)樗谧约旱亩x中調(diào)用了自己。”
本文章轉(zhuǎn)載微信公眾號(hào)@架構(gòu)師帶你玩轉(zhuǎn)AI
我們有何不同？
API服務(wù)商零注冊(cè)
多API并行試用
數(shù)據(jù)驅(qū)動(dòng)選型，提升決策效率
查看全部API→
??
熱門場(chǎng)景實(shí)測(cè)，選對(duì)API
安全的關(guān)鍵.png)
