一文搞懂什么提示词和提示词工程（Prompt Engineering）

大模型很强大，但它是一把屠龙宝刀，需要一个能挥舞的人，否则它就是普通的砍柴刀。

让宝刀发挥作用的，让大模型能为你所用，“提示词”就是秘籍，掌握了“提示词”，你就可以“挥舞大刀，号令天下”。

要写好提示词，首先要理解AI生成文本的基本原理。这部分内容看似复杂，但其实深入浅出地理解后，就能掌握与AI对话的诀窍。

AI生成文本依赖于语言模型，这些模型通过大量的文本数据进行训练，学习语言的结构和模式。常见的AI语言模型如GPT（Generative Pre-trained Transformer），它通过对海量数据的分析，学会了如何在不同语境下生成连贯和有意义的文本。

AI并不像人类那样拥有自主的常识和生活经验，它依赖于提示词提供的上下文信息。这意味着，提示词越清晰、越具体，AI越能理解你的意图。

当用户输入提示词后，AI会通过以下步骤生成回答：

• 解析提示词：AI首先会解析输入的提示词，提取关键词和语境。

• 检索知识库：根据解析结果，从训练数据中检索相关信息。

• 生成文本：结合上下文和检索到的信息，生成连贯的回答。

每一步都依赖于提示词的质量。如果提示词模糊或缺乏具体性，AI的解析和检索过程就会受到影响，最终生成的回答也可能不尽如人意。

很多人还是习惯性的用“搜索”的思维去使用大模型，其实这两者有很大的区别。

Anthropic公司（Claude是他们的产品）的几位负责提示词的工程师们一起做了一期播客。在这期博客中，他们主要讲的是提示词和提示词工程，就是怎么跟这些AI模型交流，让它们更好地理解咱们的意思。

这次圆桌会议的核心观点总结如下：

1. Defining prompt engineering (定义提示工程)

提示工程和写代码有点像，但不是用Java和Python，而是用你自己的日常语言来“写代码”。采用对话的方式，引导AI完成你的任务目标

提示工程需要考虑系统层面的问题，例如数据来源、延迟、数据量等，并将其整合到整个系统中

2. What makes a good prompt engineer (如何成为一名优秀的提示工程师)

需要五方面的能力素质

相对清晰的表达能力：清晰准确的描述你的任务，考虑到各种极端或者另外情况

相对快速的迭代能力：不断测试不同的提示词，朝着有利的方向，找到最佳方案

反向思维的能力：能够站在AI模型的角度去思考问题，预测其可能的反应

整体思考能力：尽可能分析任务所需的全部信息，而不是只关注自己已知的部分

反馈的能力：每次都要认真阅读模型的输出，从中发现问题并改进提示词

3. Refining prompts (优化提示)

可以让模型自己解释提示：让大模型自己指出提示中模糊或有歧义的地方

可以让模型自己修改提示：如果大模型的回答出现问题，让它分析可能的原因并尝试修改提示，使得其下次能够正确回答

可以模拟用户的可能输入：不仅考虑正常的情况，要考虑现实中用户可能会输入的各种莫名其妙的内容，例如生僻词、语法错误、错别字、无意义词语等。

4. Honesty, personas and metaphors in prompts (提示中的诚实、角色扮演和隐喻)

谨慎撒谎：大模型非常聪明，你可能骗不了它。所以，直接告诉它你的真实意图，更容易得到预期输出

谨慎使用“角色扮演”：告诉大模型扮演某个角色，例如教师、科学家等，有可能会误导大模型，使其无法完成你真正想要的任务

谨慎使用隐喻：用隐喻来帮助大模型理解任务，有时会有帮助，但要确保隐喻恰当，并且大模型能够理解你的真实意图

5. Model reasoning (模型推理)

思维链(Chains of Thought)： 目前还难判断是不是真正的推理，但有效

结构化 CoT：提示、提供推理示例等方式来提高 AI 的推理能力

6. Enterprise vs research vs general chat prompts (企业生产级提示、研究创新型提示和日常聊天型提示)

企业生产级提示：企业稳健经营，所以更注重可靠性和一致性，通过大量示例确保大模型在各种情况下都能给出理想的答案

研究创新型提示：更注重多样性、奇特性和创造性，使用较少示例，以鼓励大模型探索更多可能性

日常聊天型提示：注重双方的交互性和娱乐性，可以自由的发挥，不用太在意具体细节

7. Tips to improve prompting skills (提高提示词技巧的建议)

向他人学习：多阅读别人的提示，尤其是结果证明优秀的提示，学习其技巧

多做实验：尽量尝试不同的提示方法，测试效果

挑战 AI 的极限：展开想象能力，让它完成一些你认为它不可能完成的任务，从中学习大模型的能力边界

8. Evolution of prompt engineering (提示工程的演变)

随着大语言模型的快速升级发展，不同版本的提示技巧已经就过时了，不再适用。现在的大语言更善于理解自然语言，我们可以用更简洁、更直接的方式来编写提示。我们对 LLM 的能力越来越有信心，可以放心地向它提供更多信息和上下文

9. Future of prompt engineering (提示工程的未来)

大模型会变得越来越聪明，能够更好地理解我们的意图，但我们仍然需要清晰地表达我们的目标。提示工程工具将会更加强大，可以帮助我们更轻松地编写提示，例如自动生成示例、识别潜在问题等