四、Prompt工程——简单应用
Prompt工程——简单应用
- 一、提示工程（Prompt Engineering）
- 二、Prompt基本法则
- 三、Prompt 调优
- 四、简单的例子
- 文本总结
- 文本判断
- 文本提取
- 文本转化——翻译
- 文本转化——语气
- 更多
- 结语
一、提示工程（Prompt Engineering）
提示工程也叫指令工程。
我们所说的Prompt就是指令，就是发给大模型的信息，比如给ChatGPT发送“写一个Shell脚本，实现docker的自动安装”“讲一个故事”“概括本文章的内容”等等，ChatGPT根据我们的指令进行回答
Prompt看似简单，但是想要通过他发挥出大模型的价值，或者说跟传统业务结合去实现一些功能，并非易事。现在已经出现了专门的岗位《Prompt工程师》，专门设计和优化Prompt。Prompt就像是AGI时代的编程语言。
二、Prompt基本法则
- 尝试提示的多种表述以获得最佳结果：不同的Prompt会有不同的结果
- 使用清晰简短的提示，避免不必要的词语：减少使用“最好”等程度词
- 减少不精确的描述：少用不确定的词语，用“一句”取代“几句”
- 说明具体要求，减少否定词语：用“使用两句话概括”取代“不要概括内容太多”
- 不同的大模型对于相同Prompt的回答可能相差很远，需要持续调优
三、Prompt 调优
- 角色： 根据不同的场景给大模型设置不同的角色，比如“你现在是一位具有十年工作经验的运维工程师，现在我要xxx（具体要求）”，这样往往可以得到更专业的回答
- 指示: 对任务进行描述，特别是对于比较复杂的任务，要尽可能描述简单、清晰
- 上下文: 给出与任务相关的其它背景信息（尤其在多轮交互中）
- 例子: 必要时可以给出例子，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有帮助
- 输入: 任务的输入信息；在提示词中明确的标识出输入
- 输出: 输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）
四、简单的例子
文本总结
文本判断
文本提取
文本转化——翻译
文本转化——语气
更多
更多的关于提示词工程的样例和法则学习，参考：https://www.learnprompt.pro/zh-Hans/docs/prompt-engineering/Role-Playing-Prompting/
结语
最后，引用数格科技AI网站上的一句话：“面对AI焦虑，你没必要跟汽车赛跑，而是应该考个驾照！”