Prompt 提示工程基础原理及实践指南

情感传入 Prompt

在特点的条件下我们可以会需要生成一些带有强烈情感的文本内容，带有主观意识的思想去批判或者是抨击，而如果我们想要生成一些此类内容就需要让语言模型知道我们所处的环境以及主观情感色彩。不提供 Prompt 情感词，AI 回答的永远是中性感情的内容生成。

当然，以上对于 Prompt 工程来说仅仅是浅显分类，真正要做好针对特点场景的分类还得让 Prompt 工程师对症下药。参考微软举垂直 Prompt 复杂度举例，帮助我们更好认识到 Prompt 工程：

2. Prompt 工程师主要做什么？

Prompt 工程师的主要工作是设计、优化和精炼用于生成性人工智能系统的提示（prompts）。这些提示是指导 AI 系统生成特定输出的文本输入，例如文本、图像或代码。Prompt 工程师的角色在不同的 AI 应用领域中可能有所不同，主要是根据对于的业务场景来构建特征提示词。Prompt 工程师对于人工智能工程师创造更好的服务很重要，比如处理客户服务任务或生成合法合同的聊天机器人。确保像大模型这样的生成性人工智能服务能够提供输出，需要工程师构建代码，并根据广泛准确的数据对人工智能进行培训。

在数据驱动的大世界里，我们已经到了一个地步，训练人工智能模型可以帮助更高效地提供解决方案，而无需手动对大量数据进行排序。适当的 Prompt 工程师还可以识别和减轻注入攻击（恶意入侵 ChatGPT 或聊天机器人背后的逻辑），以确保公司提供一致和准确的服务。

Coursera 对 Prompt 工程师的要求有：

Prompt engineers need to be skilled in the fundamentals of natural language processing(NLP), including libraries and frameworks, Python programming language, generative AI models, and contribute to open-source projects.

Prompt 工程师需要熟练掌握（NLP）的基础知识，包括库和框架、Python 编程语言、生成人工智能模型，并为开源项目做出贡献。成功的提示往往依赖于'一次性'或'少量'学习的实践。这是指通常通过包括输入和输出对来包括模型的期望行为的一个或多个示例。这不是在模型被永久改变的意义上的学习，而是在示例更好地调节模型，使其仅对当前推理做出所需的响应。使用没有示例的提示有时被称为'零样本'学习。使用 Chat Completion API，通常会在初始系统消息之后以示例用户/助手交互的形式向消息阵列中添加少量的热学习示例：

Prompt 工程师一般会根据其目的和设计方式将 Prompt 分为几个主要类别：

零样本（Zero-shot）Prompting：

• 在这种情况下，prompt 被设计成直接询问模型一个问题或请求，而不提供任何特定的训练例子。
• 这种方法依赖于模型已经通过预训练获得的知识。

单样本（One-shot）或少样本（Few-shot）Prompting：

• 这种方法在 prompt 中包含一个或几个示例，以指导模型如何响应。
• 这些例子充当了模型应该如何处理类似情况的示范。

链式（Chain-of-thought）Prompting：

• 在这种方法中，prompt 被设计为引导模型展示其思考过程，尤其是在解决复杂问题时。
• 这有助于提高模型输出的透明度和可解释性。

模板式（Template-based）Prompting：

• 在这种情况下，prompt 是根据特定的模板或结构来设计的，这些模板旨在有效地激发模型的正确响应。
• 这种方法通常用于具体的应用场景，如文本分类或实体识别。

对话式（Conversational）Prompting：

• 这种 prompt 设计为对话形式，模拟自然语言对话场景，以引导模型在对话环境中产生响应。
• 这种方式适用于聊天机器人和交互式应用。

任务特定（Task-specific）Prompting：

• 这类 prompt 专门为特定的任务或应用场景量身定制，如翻译、摘要、问题回答等。
• 这种方法强调根据任务需求来优化 prompt 的设计。

这里仅展开一个具体 Prompting 给大家演示，并不展开所有形式，后续文章将会详细讲解，以模板式（Template-based）Prompting 为例：

任务：对给定的文本段落进行情感分析，判断它是正面的、负面的还是中性的。

模板式 Prompt：

• '文本：待分类的文本段落
• 情感分析结果：这段文本的情绪是正面/负面/中性。'

在这个例子中，模板由两部分组成：

1. '文本：'后跟随待分类的文本段落。
2. '情感分析结果：'引导模型基于所提供的文本作出情感分类。

使用模板式 Prompt 的一个具体例子可能是：

• '文本：我今天过得非常愉快，天气晴朗，和朋友们度过了美好的一天。
• 情感分析结果：这段文本的情绪是正面/负面/中性。'

3. 进阶技巧与最佳实践

为了进一步提升 Prompt 工程的效果，除了掌握基础分类外，还需要关注以下进阶技巧：

3.1 明确性与上下文

大模型虽然强大，但对模糊指令的理解能力有限。提供充足的上下文信息至关重要。例如，不要只说'写一篇文章'，而应说明'为科技博客撰写一篇关于量子计算入门的文章，受众为非技术人员，字数约 800 字'。

3.2 迭代优化

Prompt 工程很少能一次成功。通常需要多次迭代。记录每次尝试的 Prompt 和对应的 Output，分析差异，逐步微调关键词、语气或格式要求。

3.3 思维链（Chain of Thought）

对于复杂的逻辑推理任务，引导模型分步思考能显著提高准确率。可以在 Prompt 中加入'让我们一步步思考'（Let's think step by step）的指令。

# 示例：Python 代码生成中的思维链
prompt = """
请编写一个 Python 函数，用于计算斐波那契数列的第 n 项。
请先解释算法思路，再提供代码实现。
"""

3.4 避免幻觉

可以通过要求模型引用来源、限制回答范围或在 Prompt 中声明'如果不知道请回答不知道'来减少模型幻觉。

4. 如何学习大模型 AI？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：'最先掌握 AI 的人，将会比较晚掌握 AI 的人有竞争优势'。这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

建议的学习路径如下：

第一阶段（10 天）：初阶应用

该阶段让大家对大模型 AI 有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范

第二阶段（30 天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署

第三阶段（30 天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI 相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验 2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer 结构简介
• 轻量化微调
• 实验数据集的构建

第四阶段（20 天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。如果你能在 15 天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

5. 结语

Prompt 工程是连接人类意图与人工智能能力的桥梁。掌握这一技能不仅有助于提升工作效率，更是未来数字化生存的核心竞争力之一。通过持续练习、深入理解模型原理并结合实际业务场景，你将能够充分发挥大模型的潜力，创造出令人惊叹的应用。希望本文能为你的大模型之旅提供一个坚实的起点。