prompt工程

1. 传统NLP方法（如Word2Vec、BERT）

• 任务目标：
  • 意图识别：通过特征提取（如分词、词向量）和分类模型（如SVM、BERT）将输入文本映射到预定义的意图类别。
  • 流程：数据标注 → 特征工程 → 模型训练 → 部署推理。
• 优点：
  • 精度可控，适合结构化任务（如分类、实体识别）。
  • 可解释性强（如BERT的注意力机制可视化）。
• 缺点：
  • 需要大量标注数据（如医疗意图标签）。
  • 领域迁移困难（如从通用文本迁移到医疗场景需重新训练）。
  • 复杂任务（如多步骤推理）需多模型串联。

2. 提示词工程（Prompt Engineering）

2. 优势互补示例

# 流程示例：传统方法 + 提示词工程
1. 输入：用户输入“胸痛、呼吸困难持续2小时”。  
2. 预处理：  
   - BERT提取关键症状（chest pain, dyspnea）。  
   - Word2Vec计算症状向量，过滤无关词汇。  
3. 提示词工程：  
   "根据症状（{chest pain, dyspnea}）推荐科室，要求：  
   若症状持续超过1小时，直接推荐急诊科。"  
4. 输出：急诊科 + 可能疾病（如心肌梗死）。  

• 任务目标：
  • 指令对齐：通过自然语言指令引导大模型（如GPT、LLaMA）生成符合预期的输出（如诊断建议、病历生成）。
  • 流程：设计提示词 → 输入模型 → 调整提示词 → 优化输出。
• 优点：
  • 零样本/少样本学习：无需大量标注数据，直接利用模型的预训练知识。
  • 灵活性：快速适应新任务（如新增“急诊分诊”场景）。
  • 端到端输出：直接生成结构化结果（如诊断报告）。
• 缺点：
  • 输出质量依赖模型的预训练数据和提示词设计。
  • 需要人工迭代优化提示词。

• 预处理阶段：

  • 使用BERT进行症状文本的分词和实体识别（如提取“胸痛”“发热”等关键词）。
  • 将结构化结果输入提示词模板，提升模型输入的准确性。

• 后处理阶段：

  • 用Word2Vec计算模型输出与医疗知识库的相似度，验证结果合理性。

 1. 优先选择提示词工程的情况

• 数据敏感场景：医疗数据隐私要求高，无法大规模标注。
• 快速迭代需求：需快速新增任务（如疫情爆发时新增“新冠症状识别”）。
• 复杂推理任务：需要多步骤逻辑（如症状→疾病→治疗方案推导）。

2. 优先选择传统方法的情况

• 高精度需求：如药物副作用分类（需严格符合FDA标准）。
• 实时性要求高：传统模型推理速度更快（如轻量级BERT）。
• 可解释性要求：需向医生解释决策逻辑（如可视化注意力权重）。