【大模型基础_毛玉仁】3.1 Prompt 工程简介

更多内容：XiaoJ的知识星球

3 Prompt工程

大语言模型因训练数据规模和参数数量增长，突破泛化瓶颈，涌现强指令跟随能力。泛化能力使其处理多种未知任务，指令跟随能力让其准确响应人类指令。二者结合，通过精心编写的Prompt引导模型适应下游任务，避免传统微调高昂成本。

Prompt工程是编写有效指令的技术，是连接模型与任务需求的桥梁，要求深入了解模型和精准把握任务目标，能最大化发挥模型潜力，使其在多场景中表现卓越。

本章探讨Prompt工程的概念、方法、作用，介绍上下文学习、思维链等技术及Prompt工程的应用。

.

3.1 Prompt 工程简介

传统自然语言处理研究遵循“预训练-微调-预测”范式，即大规模语料库上预训练–下游任务上微调–进行预测。

但随着语言模型规模和能力的提升，“预训练-提示预测”新范式出现，它通过精心设计Prompt引导大模型直接适应下游任务，无需繁琐微调。

在此过程中，Prompt设计对模型性能影响深远，而专注于编写Prompt的技术即Prompt工程。

图3.1: “预训练-微调-预测”范式与“预训练-提示预测”范式对比

.

3.1.1 Prompt 的定义

Prompt：是指用于指导生成式人工智能模型执行特定任务的输入指令，这些指令通常以自然语言文本的形式出现。

Prompt核心目的：是清晰地描述模型应该执行的任务，以引导模型生成特定的文本、图像、音频等内容。

图3.2: 几种常见的Prompt例子

Prompt 的应用范围广泛，不仅限于文本到文本的任务。但本文聚焦于文本生成模型。

.

3.1.2 Prompt 工程的定义

Prompt 工程（Prompt Engineering），又称提示工程：

• 是指设计和优化用于与生 成式人工智能模型交互的Prompt的过程

Prompt 工程技术的核心：

• 将新任务通过 Prompt 构建为模型在预训练阶段已经熟悉的形式，利用模型固有的泛化能力来执行新的任务，而无需在额外的特定任务上进行训练。

Prompt 的四个基本元素：

• 任务说明——向模型明确提出具体的任务要求。任务说明应当清晰、直接，并尽可能详细地描述期望模型完成的任务。

• 上下文——向模型提供的任务相关背景信息，用以增强其对任务的理解以及提供解决任务的思路。上下文可以包括特定的知识前提、目标受众的背景、 相关任务的示例，或任何有助于模型更好地理解任务的信息。

• 问题——向模型描述用户的具体问题或需要处理的信息。这部分应直接涉及用户的查询或任务，为模型提供一个明确的起点。问题可以是显式的提问， 也可以是隐式的陈述句，用以表达用户的潜在疑问。

• 输出格式——期望模型给出的回答的展示形式。这包括输出的格式，以及任何特定的细节要求，如简洁性或详细程度。例如，可以指示模型以JSON格式输出结果。

Prompt 的四个基本元素——任务说明、上下文、问题和输出格式，对于大语言模型生成的效果具有显著影响。这些元素的精心设计和组合构成了Prompt工程的 核心。

在此基础上，Prompt工程包括多种技巧和技术，如

• 上下文学习（In-Context Learning）；

• 思维链（ChainofThought）等。

Prompt长度增加会减慢模型推理速度、提升推理成本。

LLMLingua提出一种由粗到细的Prompt压缩方法，可将Prompt压缩至原来的二十分之一且几乎不损失性能。

随着RAG技术兴起，模型需处理更多上下文信息，FIT-RAG通过高效压缩检索内容，将上下文长度缩短约50%，同时保持性能稳定。

这些方法在优化Prompt长度的同时，确保了模型性能不受影响，为处理大规模上下文信息提供了有效解决方案。

.

3.1.3 Prompt 分词向量化

1）基本概念

构建Prompt后，将其输入到大语言模型中，以期待得到满意的生成结果。但语言模型无法直接理解文本。

在Prompt进入大模型之前，需要将它拆分成一个Token的序列，其中Token是承载语义的最小单元，标识具体某个词，并且每个Token由Token ID唯一标识。

将文本转化为Token的过程称之为分词（Tokenization），如图3.4所示，对于“小浣熊吃干脆面”这样一句话，经过分词处理之后，会变成一个Token序列，每个Token有对应的Token ID。

图3.4: 分词与嵌入的过程，以DeepSeek-V2-Chat模型的分词器为例

一句话可能存在多种拆分方式。为实现有效分词，首先需构建一个包含大语言模型所能识别的所有Token的词表，并依据该词表进行句子拆分。

.

在构建大语言模型的词表时，分词器依赖于分词算法，如BBPE、BPE 和WordPiece 等，这些算法通过分析语料库中的词频等信息来划分Token。

以BBPE（Byte-Level Byte Pair Encoding）算法为例，阐述其分词过程：

1. 初始化词表：首先，将所有字符按照其底层编码拆分为若干字节，并将这些单字节编码作为初始词表的Token。

2. 统计词频：接下来，统计词表中所有Token对（即相邻Token的组合）的出现频率。在初始阶段，Token对即为相邻字节的组合。

3. 合并高频Token对：然后，选择出现频率最高的Token对，将其合并成一个新的Token并加入词表。

4. 迭代合并：重复步骤2和步骤3，不断迭代合并，直至达到预设的词表大小或达到指定的合并次数。

.

2）分词对模型性能影响

词表大小和分词粒度影响模型性能。

• 词表过小：会使模型难以区分相似词汇，限制语义承载能力，增加序列长度；

• 词表过大：则可能导致学习不深入，难以捕捉词汇关联。

构建词表时需平衡涵盖词汇广泛性和语义精细度，以确保大语言模型能学习丰富词汇知识，准确理解和生成复杂语义文本。

如图3.4所示，词表构建时，高频词语或短语收录为独立Token，如“干脆”表示一个Token；同时包含特殊Token，通过组合表示低频生僻字，如“浣”用“æµ”和“£”组合表示。这样既能涵盖常见高频词汇，又能灵活表达稀有字符，且词表构建受人类语料库积累沉淀的“先验知识”影响。

大语言模型的分词器质量直接影响模型性能。优秀分词器应具备以下特点：

• 一是准确识别文本中的关键词和短语，助力模型捕捉语义信息；

• 二是高效实现文本Token优化压缩，显著缩短模型处理数据时间，提升训练和推理速度，降低计算资源消耗。

表3.1: 模型分词器对比表

不同开源大语言模型的分词器性能受词表大小、分词效率等因素影响。

• 对DeepSeek、Qwen等中文开源模型对中文分词优化好，平均每个Token可表示1.3个字（每个字仅需0.7个Token即可表示），常用词甚至一个Token表示，分词效率高。

• 而GPT-4、LLaMA系列等以英文为主的模型，中文支持弱，分词效率低。

• 在英文中，由于存在“ly”,“ist”等后缀Token，单词通常需1个及以上Token表示。单个Token语义承载多，模型输出Token少，提升推理效率。

对比不同模型分词器处理不同语言的效率，对选合适模型和优化性能意义重大。

分词后的Token，经嵌入矩阵（Embedding Matrix）转为固定大小的表征向量，供模型理解处理。生成阶段，模型依输入向量序列计算词表概率分布，选对应Token输出并转为文本内容。

上述通过分词技术将文本分割成Token，再将Token转化为特征向量，在高维 空间中表征这些文本的处理流程，使得语言模型能够捕捉文本的深层语义结构，并 有效地处理和学习各种语言结构，从简单的词汇到复杂的句式和语境。

.

3.1.4 Prompt 工程的意义

Prompt工程是一种高效灵活的自然语言处理任务执行方式，无需微调模型，避免了高昂的计算成本。它能激发大型语言模型的潜力，在垂域任务、数据增强、智能代理等多个领域发挥出卓越的性能。

• 垂域任务：Prompt工程可引导大语言模型完成垂直领域任务，无需针对每个任务进行特定微调，降低计算成本和标注数据依赖。

• 数据增强：Prompt工程利用大语言模型进行数据增强，提升现有数据集质量并生成新高质量数据。

• 智能代理：Prompt工程可将大语言模型构建为智能代理（IntelligentAgent，IA），智能代理又叫做智能体，使其能感知环境、自主行动和学习知识。

.

其他参考：【大模型基础_毛玉仁】系列文章

声明：资源可能存在第三方来源，若有侵权请联系删除！