引言
我对 Prompt（提示词）的认知经历了两个阶段：
第一阶段：去年 3 月至 11 月，我认为 Prompt 最终会灭亡。
第二阶段：去年 12 月至今，我有两个理解：
- 在主流 LLM 工具（如 ChatGPT、文心一言等大模型厂商的对话产品）中，Prompt 能力未来会像我们现在使用 Word、PPT、Excel 的能力一样，成为人人必备的技能。
- 在垂直领域的 AI 应用中，Prompt 对用户会消亡，因为好的 AI 应用会把 Prompt 完美地嵌入到 AI 应用中。也正因如此，Prompt 工程是 AI 应用开发者一项必不可少的能力。在这种场景下，我把 Prompt 定义为 AI 应用的最后一公里，是一项系统实验工程。
公众的认知基于数据来看：
- 第一阶段：2022 年 12 月，ChatGPT 第一次发布后，Prompt Engineering 一路飙升到今年 7 月到达最高峰。
- 第二阶段：2023 年 7 月至今，开始迅速回落。
套用被历史多次验证的 Gartner 技术曲线，Prompt Engineering 的发展正趋于稳定，但无论如何不会超过 2023 年的最高峰。所以不要过高估计 Prompt Engineering 的未来发展，也不建议大家把它作为职业生涯的长期规划。类比来说，20 年前有个工种叫办公自动化，主要就是操作 Office 套件，现在人人都能用 Office。
也正是这样一个趋于稳定的时间点，加上最近的一些实践，会让我自己更理性地看待 Prompt Engineering。今天就和大家一起聊聊 Prompt Engineering 的话题，按照我目前的认知分为两个话题：
- 日常工作中我是如何做好 Prompt 来使用 LLM 工具的，目的主要是'教会大家如何使用 Office'，也解答周围人经常问我的问题。这一部分会以原则和实例来说明，不会有特别专业的词汇。
- 如何在构建产品时合理发挥 Prompt 的作用，这一部分会单独在下一篇文章中聊一下。目前讲这块的文章确实不多，甚至很多产品都把 Prompt 作为自己的核心、不可泄露的内容。
日常工作中我是如何使用 Prompt 的
直至今日，我身边的大多数人对 LLM 工具的使用是跟着舆论热点走的，比如最近 Claude 3 出来了，大家可能就赶紧再去使用一下，过了几天就凉了。我自己的使用频率稍有不同，是'隔三差五'的频率。
这其中有两个原因：
- 一是 LLM 工具最擅长的文字、Coding 工作仅仅是工作的一部分，Agent 应用有望能 Cover 更多的工作，但 Agent 应用目前还没有普及。
- 二是大家对 LLM 的期待过高，从而导致使用方式的错误，进而容易放弃使用 LLM。我自己也是经历了一段时间后才摸索出来适合自己的方式，这也是本文的重点，希望对大家有借鉴意义。
接下来我会以写文章为例来说明我是如何使用 LLM 工具的，在这之前声明几个重要的原则。
LLM 工具使用原则
- 降低预期：我会借助 LLM 工具来写文章，但往往最后会发现没有一段话是 LLM 直接给我的，所以放低你对 LLM 工具的期待，但它确实会成为你的助手。
- 质量保障：长文的撰写中，LLM 的质量依然没有保障。其实这是好事，不然你的价值又在哪里？
- 独立判断：在撰写任何一篇文章之前，我会做较多的调研和实践，以保证自己对 LLM 的回答有基本判别能力。在调研过程中，我不会使用大模型的总结能力，因为此时我并没有构建出基本的判别能力，总结是一种有损压缩，且损失特别大。除非你对某个话题特别了解，否则不要用总结功能。
- 提供参考：我总是会给 LLM 工具很多我认可的参考文章，而不是纯粹依赖 LLM 的能力。
- 高效敷衍：工作中需要敷衍的文章（我知道大家绝对有这个诉求）确实可以很高效地用 LLM 工具完成。
接下来说说在使用 LLM 工具前要做的准备工作：拆解任务。
准备工作：拆解你的任务
在写文章的例子中，我把这个任务拆成几个步骤：选题 → 调研 → 构思大纲 → 把内容填充到大纲中 → 配图 → 排版。我把每一步 LLM 参与的比例、所花费时间进行分析。
可以看出：
- 最耗时选题和调研是 LLM 工具最难参与的，这一部分从理性角度来讲，我认为目前还是要以真人参与为主，我主张 LLM 在工作中是一个工具。
- 最不耗时的配图和排版 LLM 参与少是因为'打苍蝇用不着大炮'。如果使用 MJ 和 DALL-E 3 等工具精准控图，要说好多提示词，还不如传统工具来得快；另一个步骤排版，传统工具也已经做得很好了。
- 目前看起来只有中间填充大纲内容部分 LLM 工具参与度比较高。
