深入探索 Prompt Engineering：开启语言模型应用新境界 - 链载Ai

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);"> 在人工智能快速发展的当下，大型语言模型（LLMs）正以前所未有的速度改变着我们与技术交互的方式。而 prompt engineering（提示工程）作为挖掘这些强大模型潜力的关键学科，正逐渐成为科研人员、开发者以及技术爱好者关注的焦点。今天，我们就来深入探讨这一领域，看看它究竟蕴藏着怎样的力量。

Prompt Engineering：是什么让语言模型 “听话”

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);"> Prompt Engineering，简单来说，就是一门设计和优化提示（prompts）的艺术与科学，目的是让大型语言模型更高效地完成各种任务。这不仅仅是为了让模型给出回答，更是为了精准地引导模型按照我们的期望输出内容，无论是回答问题、进行算术推理，还是生成代码。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);"> 举个例子，假设我们想让一个语言模型总结一篇文章的核心观点。一个简单的提示可能是 “请总结这篇文章”。但经过精心设计的提示会更具体，比如 “请用不超过 5 句话总结这篇文章的主要观点，并且用通俗易懂的语言表达”。后者显然更有可能得到符合我们预期的简洁、清晰的总结。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(0, 152, 116);">掌握 LLM 设置：给模型的 “操作手册”

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);"> 在与大型语言模型交互时，我们并非无迹可寻。通过调整一些关键的 LLM 设置，我们可以更好地掌控模型的输出。这些设置就像是给模型下达的 “操作指令”，可以让它知道我们期望得到怎样的回答。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;text-indent: -1em;display: block;margin: 0.2em 8px;color: rgb(63, 63, 63);">
•ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(0, 152, 116);">Temperature（温度值）：这个参数控制着模型输出的随机程度。低温值意味着模型会更倾向于选择最可能的下一个词，从而生成更确定、更符合常规的回答。比如在事实问答类任务中，我们希望答案准确且简洁，就可以降低 Temperature。相反，如果我们要写一首诗或者进行创意写作，适当提高 Temperature 能让输出更具创意和多样性。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;text-indent: -1em;display: block;margin: 0.2em 8px;color: rgb(63, 63, 63);">
•ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(0, 152, 116);">Top P：这是一种基于概率的采样方法。通过调整 Top P 的值，我们可以在精确答案和多样化回复之间找到平衡。如果想要模型给出更确切的答案，就降低 Top P；要是希望看到更多元的回应，就可以提高 Top P。
•Max Length（最大长度）：这个设置可以帮助我们控制模型生成回复的长度。当我们不希望得到冗长的回答，或者需要考虑成本时，设定一个合适的最大长度就显得尤为重要。
•Stop Sequences（停止序列）：它就像是给模型设定的一个 “停止信号”。当模型生成的回复中出现这个序列时，就会停止继续生成内容。这在我们想要控制回复结构或者长度时非常有用。
•Frequency Penalty（频率惩罚）和 Presence Penalty（存在惩罚）：这两个参数都是为了减少模型回复中的重复内容。频率惩罚会根据词在回复中出现的次数来增加惩罚力度；而存在惩罚则对所有重复出现的词施加相同的惩罚。在需要模型生成多样化文本时，适当提高这些惩罚值会有所帮助。

Prompt 的构成要素：搭建有效提示的 “积木”

一个有效的提示通常包含以下几个要素：

•Instruction（指令）：明确告诉模型我们希望它完成的任务，比如 “分类”“总结”“翻译” 等。指令就像是给模型下达的命令，指引它朝着正确的方向努力。
•Context（上下文）：提供额外的信息来帮助模型更好地理解任务。它可以是一些背景知识、相关例子或者对任务的详细描述。例如，在让模型进行文本分类时，我们可以提供一些已经分类好的示例文本作为上下文，让模型学习并理解分类的标准和模式。
•Input Data（输入数据）：这就是我们想要模型处理的具体问题或者内容。它可以是一段文字、一个问题等。比如在问答任务中，输入数据就是我们要询问的问题。
•Output Indicator（输出指示）：指明我们期望得到的回答类型或者格式。比如我们希望模型用列表的形式给出回答，或者用特定的关键词开头等。

例如，当我们要让模型对一段评论进行情感分析时，可以这样构建提示：“请将以下评论分为正面、负面或中性情感。评论：我觉得这家餐厅的食物还不错。（情感：）”。在这个提示中，“请将以下评论分为正面、负面或中性情感” 是指令，“评论：我觉得这家餐厅的食物还不错” 是输入数据，“（情感：）” 则是输出指示。

设计 Prompt 的通用技巧：巧妙引导模型的 “心灵捕手”

•从简单开始：设计提示是一个需要不断尝试和迭代的过程。一开始，我们可以从简单的提示入手，然后根据得到的结果逐步添加更多元素和上下文，不断完善提示。就像我们要让模型写一首诗，可以先简单地让它生成一句，再慢慢增加对诗歌风格、主题等方面的要求。
•明确指令：使用清晰、具体的指令来告诉模型我们想要达到的目标。而且，通常建议将指令放在提示的开头，并使用像 “###” 这样的分隔符来区分指令和其他部分。这样可以让模型更清楚地知道任务的重点。
•注重具体性：我们在设计提示时要尽可能具体地描述任务和期望的输出。越详细、越贴合任务需求的提示，往往能得到越好的结果。同时，提供一些示例也是一个非常有效的方法，可以让模型更好地理解我们想要的输出格式和风格。比如，如果我们希望模型以特定的格式生成一份报告，就可以在提示中给出一个符合要求的报告示例。
•避免模糊性：虽然我们希望提示能够精准地引导模型，但也要避免陷入过于复杂、模糊的描述陷阱。保持直接、简洁的表达方式往往更有效。就像我们问模型一个问题，直接问 “请用三句话解释什么是人工智能” 比 “我想了解一些关于人工智能的东西” 更容易得到符合预期的回答。
•聚焦于 “要做什么” 而非 “不要做什么”：在提示中，尽量避免告诉模型不要做什么，而是明确地告诉它要做什么。这样可以引导模型更专注于我们期望的输出。例如，我们希望模型推荐适合儿童的电影，直接说 “请推荐一些适合儿童观看的电影” 比 “不要推荐不适合儿童的电影” 能更好地让模型理解我们的需求并给出合适的回应。

Prompt 的实际应用示例：看模型如何大显身手

•文本总结：如果我们要了解抗生素的相关知识，可以给模型这样的提示：“请总结抗生素的主要作用和原理，并用简洁的语言表达。” 模型可能会生成一段涵盖抗生素定义、作用机制等内容的总结，帮助我们快速获取关键信息。
•信息提取：假设我们有一段关于某个产品的详细描述文本，想要提取其中的关键信息。我们可以这样提示模型：“请从以下文本中提取产品的特点、价格和购买渠道信息。文本：……”。模型就能按照我们的要求，把相关内容准确地提取出来。
•问答任务：在需要获取特定问题的答案时，一个结构良好的提示能让我们得到更满意的回应。例如，“请问 ChatGPT 是在什么时候发布的？请给出具体日期。（答案：）”。模型会根据其知识库，在答案部分填入相应内容。
•文本分类：当我们需要对一堆评论进行情感分类时，除了简单地让模型分类，我们还可以提供一些示例来引导输出格式。比如，“请对以下评论进行情感分类，分类结果用小写的 positive、negative 或 neutral 表示。示例：评论：这个电影太棒了！分类：positive。现在评论：我觉得这个产品不太符合我的期望。分类：……”。这样能让模型更清楚地知道我们期望的分类标签格式。
•对话系统：在构建客服聊天机器人等对话系统时，我们可以通过提示来设定模型的回应风格和身份。比如，如果我们想要一个更亲切、易于理解的客服机器人，可以这样提示：“你是一个友好、耐心的客服助手。请用简单易懂的语言回答用户的问题。现在用户问：……”。模型会按照我们设定的风格来生成回答。
•代码生成：大型语言模型在代码生成方面也有出色表现。如果我们需要一个简单的用户问候程序，可以提示：“请生成一段代码，实现当用户输入名字时，程序输出‘Hello，输入的名字！’的功能。” 模型可能会生成不同编程语言的代码来满足需求。甚至对于更复杂的数据库查询任务，只要提供足够的数据库结构信息，模型也能生成对应的 SQL 查询语句。
•推理任务：虽然目前大型语言模型在推理任务上还存在一些挑战，但通过精心设计的提示，也能在一定程度上提升其推理能力。比如在进行数学计算时，我们可以先通过一些简单的算术题示例让模型熟悉计算过程和格式，然后再让它尝试更复杂的计算问题。

总之，Prompt Engineering 为我们打开了与大型语言模型深度协作的大门。通过掌握 LLM 设置、理解提示的构成要素以及运用有效的提示设计技巧，我们能够充分发挥这些模型的能力，在众多领域实现创新性的应用。随着技术的不断发展，我们可以预见，Prompt Engineering 将在未来的人工智能应用中扮演更加重要的角色，为我们的生活和工作带来更多便利和可能性。