Prompt（提示）

• Prompt作為AGI時代的“編程語言”
• 角色轉(zhuǎn)變：Prompt不再僅僅是簡單的輸入或查詢，它成為了一種與AI模型交互的“編程語言”。用戶通過精心設計的Prompt來“編程”AI模型，指導其執(zhí)行各種任務。
• 任務多樣性：這些任務的范圍非常廣泛，從簡單的問答、文本生成到復雜的邏輯推理、數(shù)學計算和創(chuàng)意寫作等。
• 即時性與互動性：與傳統(tǒng)的編程語言相比，Prompt通常更加即時和互動。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，而無需經(jīng)過編譯或長時間的運行過程。

提示工程（Prompt Engineering）：提示工程（Prompt Engineering）涉及到如何設計、優(yōu)化和管理這些Prompt，以確保AI模型能夠準確、高效地執(zhí)行用戶的指令。

提示工程（Prompt Engineering）

• Prompt工程作為AGI時代的“軟件工程”
• 設計：Prompt設計需要仔細選擇詞匯、構(gòu)造清晰的句子結(jié)構(gòu)，并考慮上下文信息。這確保AI模型能夠準確理解用戶的意圖并產(chǎn)生符合預期的輸出。
• 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模型的性能和準確性。這可能需要多次嘗試和迭代，以達到最佳效果。
• 管理：隨著AGI應用的不斷增長和復雜化，管理大量的Prompt變得至關(guān)重要。這包括組織、存儲和檢索Prompt，以便在需要時能夠快速找到并使用它們。同時，還需要定期更新和維護這些Prompt，以適應AI模型的改進和變化的需求。

__二、*__*__*提示工程的原理*__*__*__

Prompt的構(gòu)成：一個完整的Prompt應該包含清晰的指示、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：任務描述
  • 指示是對任務的明確描述，相當于給模型下達了一個命令或請求。它告訴模型應該做什么，是任務執(zhí)行的基礎。
• 上下文（Context） – 關(guān)鍵詞：背景信息
  • 上下文是與任務相關(guān)的背景信息，它有助于模型更好地理解當前任務所處的環(huán)境或情境。在多輪交互中，上下文尤其重要，因為它提供了對話的連貫性和歷史信息。
• 例子（Examples） – 關(guān)鍵詞：示范學習
  • 例子是給出的一或多個具體示例，用于演示任務的執(zhí)行方式或所需輸出的格式。這種方法在機器學習中被稱為示范學習，已被證明對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，輸入應該被清晰地標識出來，以便模型能夠準確地識別和處理。
• 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，通常會描述輸出的格式，以便后續(xù)模塊能夠自動解析模型的輸出結(jié)果。常見的輸出格式包括結(jié)構(gòu)化數(shù)據(jù)格式如JSON、XML等。

Prompt調(diào)優(yōu)：Prompt調(diào)優(yōu)是人與機器協(xié)同的過程，需明確需求、注重細節(jié)、靈活應用技巧，以實現(xiàn)最佳交互效果。

Prompt調(diào)優(yōu)

• 一、人的視角：明確需求
• 核心點：確保清晰、具體地傳達自己的意圖。
• 策略：簡化復雜需求，分解為模型易理解的指令。
• 二、機器的視角：注重細節(jié)
• 核心點：機器缺乏人類直覺，需詳細提供信息和上下文。
• 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：靈活應用技巧
• 核心點：不同模型、情境需不同Prompt表達方式。
• 策略：通過實踐找到最佳詞匯、結(jié)構(gòu)和技巧，適應模型特性。

__三、*__*提示工程*__的應用*__

提示技術(shù)：提示技術(shù)是引導AI模型進行深度思考和創(chuàng)新的有效工具，其中Chain-of-Thought Prompting注重逐步推理，Knowledge Generation Prompting強調(diào)知識生成，而Tree of Thoughts Prompting則通過樹狀結(jié)構(gòu)清晰展現(xiàn)思維過程。

• Chain-of-Thought Prompting（鏈式思考提示）
• 一、概念介紹Chain-of-Thought Prompting，即鏈式思考提示，是一種在人工智能模型中引導逐步推理的方法。通過構(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題，并生成結(jié)構(gòu)化、邏輯清晰的回答。
• 二、核心特點__有序性：鏈式思考提示要求將問題分解為一系列有序的步驟，每個步驟都建立在前一個步驟的基礎上，形成一條清晰的思考鏈條。關(guān)聯(lián)性：每個思考步驟之間必須存在緊密的邏輯聯(lián)系，以確保整個思考過程的連貫性和一致性。逐步推理__：模型在每個步驟中只關(guān)注當前的問題和相關(guān)信息，通過逐步推理的方式逐步逼近最終答案。

鏈式思考提示（COT）

• Knowledge Generation Prompting（__生成知識提示）__
• 一、概念介紹Knowledge Generation Prompting，即生成知識提示，是一種利用人工智能模型生成新知識或信息的方法。通過構(gòu)建特定的提示語句，引導模型從已有的知識庫中提取、整合并生成新的、有用的知識內(nèi)容。
• 二、核心特點__創(chuàng)新性：生成知識提示旨在產(chǎn)生新的、原創(chuàng)性的知識內(nèi)容，而非簡單地復述或重組已有信息。引導性：通過精心設計的提示語句，模型被引導去探索、發(fā)現(xiàn)并與已有知識進行交互，從而生成新的見解或信息。知識整合__：該過程涉及對多個來源、多種類型的知識進行融合和整合，以形成更全面、深入的理解。

生成知識提示

• Tree of Thoughts Prompting（思維樹__提示）__
• 一、概念介紹Tree of Thoughts Prompting，即思維樹提示，是一種將復雜思維過程結(jié)構(gòu)化為樹狀圖的方法。它通過逐級分解主題或問題，形成具有邏輯層次和關(guān)聯(lián)性的思維節(jié)點，從而幫助用戶更清晰地組織和表達思考過程。
• 二、核心特點__層次性：思維樹提示將思考過程分解為多個層次，每個層次代表不同的思維深度和廣度。關(guān)聯(lián)性：各思維節(jié)點之間存在緊密的邏輯聯(lián)系，形成一個相互關(guān)聯(lián)、互為支撐的思維網(wǎng)絡。可視化__：通過將思維過程以樹狀圖的形式展現(xiàn)，思維樹提示增強了思考過程的可視化和直觀性。

思維樹提示（TOT）

提示應用：提示工程應用于代碼生成，利用機器學習，將自然語言提示自動轉(zhuǎn)為符合要求的代碼，提升開發(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明，并將其實現(xiàn)為可執(zhí)行的代碼。例如：

– 在這個例子中，注釋“計算兩個數(shù)的和”被轉(zhuǎn)換為了一個名為add_numbers的函數(shù)，該函數(shù)接受兩個參數(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缺失的代碼行以完成某個功能。例如，如果您有一個未完成的函數(shù)：

– 這個函數(shù)已經(jīng)完成了基本的問候功能，并且還包含了一個特殊情況的處理：如果名字是"Alice"，則打印一條特殊的問候語。

• MySQL查詢語句生成生成MySQL查詢語句需要根據(jù)您的數(shù)據(jù)庫結(jié)構(gòu)和您想要檢索的數(shù)據(jù)來決定。以下是一個簡單的查詢示例，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50000的員工，您可以這樣寫：

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，并能夠用自然語言描述它。例如，對于以下Python代碼：

您可以解釋這段代碼為：“這是一個計算階乘的函數(shù)。它接受一個參數(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。這是一個遞歸函數(shù)，因為它在自己的定義中調(diào)用了自己。”

本文章轉(zhuǎn)載微信公眾號@架構(gòu)師帶你玩轉(zhuǎn)AI