生成式人工智能的提示词工程

在生成式AI模型中，提示词工程是一门新兴的学科，它塑造了这些模型的交互和输出。提示词是用户与模型沟通愿望的文本界面，无论是在像DALLE-3或Midjourney这样的图像生成模型中描述图像，还是在像GPT-4和Gemini这样的LLM中提出复杂的问题。提示词可以是简单的问题到复杂的任务，包括指令、问题、输入数据和示例，以指导AI的响应。提示词工程的核心在于制作出能够实现特定目标的最佳提示词。这个过程不仅仅是指导模型，还涉及到对模型能力和局限性的深刻理解，以及它所处的上下文。例如，在图像生成模型中，提示词可能是对期望图像的详细描述，而在LLM中，它可能是一个包含各种类型数据的复杂查询。提示词工程不仅仅是构建提示词，它还需要结合领域知识、对AI模型的理解，以及一种系统化的方法来为不同情境定制提示词。这可能包括创建可以根据给定数据集或上下文进行程序化修改的模板。例如，基于用户数据生成个性化响应可能会使用一个动态填充相关信息的模板。此外，提示词工程是一个迭代和探索的过程，类似于传统软件工程实践，如版本控制和回归测试。这个领域的快速增长表明它有潜力彻底改变机器学习的某些方面，超越传统的特征或架构工程方法，尤其是在大型神经网络的背景下。另一方面，传统工程实践，如版本控制和回归测试，需要适应这个新范式，就像它们适应其他机器学习方法一样[1]。本文旨在深入探讨这个新兴领域，探索其基础方面和高级应用。我们将重点关注提示词工程在LLM中的应用。然而，大多数技术也可以应用于多模态生成式AI模型。

常见角色软件工程师——负责编写软件应用程序并确保稳健运行机械学习工程师——负责实现人工智能，熟悉大模型，RAG，fine-tuning产品经理——负责识别和界定项目的负责人，确保项目对用户有用提示词工程师，是被炒作的职位，实际可能担任了机械学习工程师的部分职责小团队启动——怎么启动都鼓励~其他岗位：例如数据工程师，数据科学家，项目主管，机械学习研究院[heading4]各部门的自动化可能[content]生成式AI对高薪工作的影响更大OpenAI和宾夕法尼亚大学Eloundou等人的研究发现，生成式AI对高薪工作的影响更大。(有点搞笑的是，横坐标是从30k到163k美金)，从图看出，一些简单的工作在早期很容易被替代，但整体看高薪工作整体会更容易被生成式AI影响。分析AI对职能角色影响麦肯锡研究了，销售，市场营销，用户运营，客户服务等不同岗位将受到AI的影响。横轴是AI对岗位整体总支出的占比影响，纵轴是将会产生的实际经济价值。对行业的影响分析生成式AI将会知识型工作产生更大的影响

上面的第一步，也就是大部分朋友已经经历过的，基本都会碰到同样的问题：AI并不好用，很多时候都在瞎扯淡，给出的东西根本就不能用，这个时候我们就可以开始最基础的入门了。“Prompt Engineering”提示词工程是一切生成式AI的基础，不管你是用来学习，写作，绘画，编程，甚至玩音乐，提示词都应该是最前置的知识点。这个乍一看是个很高大上的东西，但其实并不难理解。Prompt（提示词）字面意思就是，给AI适当的提示，就可以让AI产生效率更高的对话。这个和人是一个道理，如果你跟随便一个人说：“帮我写一个xxx品牌的营销方案”，对面一定表面或者心里面会骂你是个傻x。但如果你告诉对方，这个品牌现在处于xxx的阶段，我们的下一步目标是提升xxx，主要产品是xxx，通常在xxx渠道卖，但是有一个别的牌子xxx经常来抢我的生意，我得想一个办法，那么对面的人不管懂不懂，一定会有更多的思考成分，而不是简单的骂你傻x。下面是一些比较装逼的说法，如果用来卖课很适合拿来忽悠。如果是自己学习，只要记住几个基本的关键点：[heading3]角色/身份[content]告诉AI它需要扮演的身份。比如我想要AI推荐一份减肥食谱，就告诉AI，你现在是一个私人健身教练/营养师；如果要用来写小红书推文，就是一个小红书xx板块博主。这种简单的提示，我们可以认为是提升AI的”职业素养“，让它有身为牛马的自我意识。[heading3]目标/任务以及背景[content]我们所有的对话都是带有目的性的，这个不难理解，但很多时候我们可能会忽略交代目标背后的逻辑。比如我为什么要减肥，我做小红书是为了塑造一个什么样的人设之类。尽量把完整的思考过程说出来。目标本身的描述也可以具体，我希望达到一个什么结果，不希望做成什么样子，都可以说出来。