本文目錄與主要結構

 

 

如何看待AI代替人類工作？

百度創始人李彥宏表示，不管有多少工作被替代，這只是整個圖景的一部分，另外一部分是，存在我們現在甚至無法想象的更多新機會。做一個大膽預測，10年之後，人類一半的工作是與寫提示詞（prompt）有關。未來可能不需要那麼多程式設計師，但是會需要越來越多的提示詞工程師。李彥宏認為，以後沒準學文科更容易找工作，因為寫提示詞的時候，想象力、情感、表達這些有可能真的比現在學工程的人要更有意思，更有效果一些。而多元認知，結構化思考，思維模型更加重要了。「人人都是提示詞工程師」的提法，也許意味著每個人都可以通過使用機器學習和人工智慧技術，來改進搜尋引擎的提示詞系統。

ChatGPT 的創始人 SAM前段時間也說過，提示是一個高槓杆技能。要用好人工智慧，給出我們想要的答案，對我們每個人來說，學會設計AI提示詞是必要的，不管人工智慧他有多聰明，也不是我們肚子裡的蛔蟲，不太可能知道我們在想什麼。所以，寫提示詞，就是結構化的思考和表達，是AI重要的人機介面。這在跟人交流溝通中也是需要的。

作為較早和成功的NLP和LLM工具開發公司之一，Cohere認為，成功的提示工程師將找到一種方法來指導模型生成有用的輸出。該公司在其提示工程師指南中解釋說，實現這一點的一種方法是嘗試多種提示組合。該公司表示：「同一提示的不同組合可能聽起來與人類相似，但可能會導致不同的效果。」

 

 

引言：

人工智慧（AI）是本世紀最具影響力和變革力的技術之一，它正在改變我們的生活、工作和社會。在人工智慧領域，語言模型（LM）是一種可以理解和生成自然語言（如中文、英文等）的模型，它可以用於各種應用和研究主題，如聊天機器人、文字摘要、機器翻譯、知識圖譜等。隨著計算能力和資料量的增加，語言模型也越來越強大和智慧，如ChatGPT、百度文心一言、阿里通義千問、騰訊混元和華為盤古等大型語言模型（LLM），它們可以根據使用者提供的輸入（prompt）生成各種型別和風格的內容（response）。

但是，如何有效地利用語言模型呢？如何讓語言模型理解我們想要的內容，並生成我們需要的結果呢？這就需要一種新興的學科——提示工程（Prompt engineering）。提示工程是一種利用人工智慧模型生成內容的方法，需要給模型提供一些輸入（prompt），讓模型根據輸入生成輸出（response）。提示工程的難點在於如何設計合適的輸入，讓模型能夠理解使用者的意圖和需求，並生成高質量的輸出。

為什麼提示工程是本世紀最重要的技能之一呢？因為它可以讓我們更好地與人工智慧對話，更好地利用人工智慧的能力和潛力，更好地創造和創新。提示工程可以幫助我們解決各種問題，提高效率和質量，拓展思維和視野，增強表達和溝通。提示工程不僅適用於語言模型，也適用於其他型別的人工智慧模型，如影象、音訊、視訊等。提示工程是連線人類和人工智慧的橋樑，是實現人機共同作業和協同創新的關鍵。

在本文中，我們將介紹提示工程的基本原理和方法，展示提示工程在不同領域和場景中的應用和案例（主要使用BingGPT和ChatGPT進行測試），探討提示工程面臨的挑戰和前景。我們希望通過本文，讓讀者開始關注並學習提示工程這門重要而有趣的學科。

 

 

 

知識點：

提示工程（prompt engineering），是一種利用人工智慧模型生成內容的方法，需要給模型提供一些輸入（prompt），讓模型根據輸入生成輸出（response）。它利用人工智慧模型的語言生成能力，通過與模型對話，實現各種功能和任務，有著廣泛的應用和案例，也有著一些高階的技巧和原則。提示工程是一門有趣而有用的技能，它可以讓我們更好地利用人工智慧模型的潛力，創造出更多的價值和可能性。

 

一、提示工程的基本原理和方法

在引言中，介紹了提示工程的概念和背景，說明了為什麼它是本世紀最重要的技能之一。在本節中，將介紹提示工程的基本原理和方法，幫助讀者掌握如何利用人工智慧模型生成內容的技巧。

首先，我們需要了解什麼是提示（prompt）。提示是一種給人工智慧模型提供輸入的方式，它可以包括指令、背景、範例、輸入和輸出指示等不同的元素，用於告訴模型我們想要它執行的任務和生成的結果。例如，如果我們想讓新Bing為我們生成一首詩，我們可以給它一個這樣的輸入：

寫一首五言絕句，主題是春天。

這個輸入就是一個簡單的提示，它包含了一個指令（寫一首五言絕句）和一個背景（主題是春天）。根據這個輸入，可能會生成這樣一個輸出：

好的，我試試吧。這是我寫的一首五言絕句，主題是春天：春風吹綠楊柳， 百花爭豔綻笑容。 蜜蜂採集花蜜， 小鳥歡唱枝頭上。

 

 

這個輸出就是一個簡單的響應（response），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。

其次，我們需要了解如何設計提示（prompt design）。設計提示的目的是讓模型能夠理解我們的意圖和需求，並生成高質量的輸出。設計提示的方法有很多，如使用問答格式、提供多個範例、使用特定的令牌或關鍵字等。設計提示的原則是要儘可能具體、明確、簡潔和相關。例如，如果我們想讓百度文心一言為我們生成一篇文章摘要，我們可以給它一個這樣的輸入：

Q: 請根據以下內容寫一篇摘要，不超過100字。 A: Content: 人工智慧（AI）是本世紀最具影響力和變革力的技術之一，它正在改變我們的生活、工作和社會。在人工智慧領域，語言模型（LM）是一種可以理解和生成自然語言（如中文、英文等）的模型，它可以用於各種應用和研究主題，如聊天機器人、文字摘要、機器翻譯、知識圖譜等。隨著計算能力和資料量的增加，語言模型也越來越強大和智慧，如ChatGPT、百度文心一言、阿里通義千問、騰訊混元和華為盤古等大型語言模型（LLM），它們可以根據使用者提供的輸入（prompt）生成各種型別和風格的內容（response）。

這個輸入就是一個問答式的提示，它包含了一個問題（Q）和一個答案（A）。問題部分給出了任務的要求和限制，答案部分給出了需要摘要的內容。根據這個輸入，BingGPT可能會生成這樣一個輸出：

摘要：本文介紹了人工智慧（AI）領域中的語言模型（LM），它是一種可以理解和生成自然語言的模型。本文概述了語言模型的應用和研究主題，如聊天機器人、文字摘要、機器翻譯、知識圖譜等，並介紹了幾種大型語言模型（LLM），如ChatGPT、百度文心一言、阿里通義千問、騰訊混元和華為盤古等。本文分析了語言模型的優勢和挑戰，並展望了語言模型的未來發展方向。

 

 

這個輸出就是一個簡單的摘要（summary），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。

最後，我們需要了解如何優化提示（prompt optimization）。優化提示的目的是讓模型能夠更好地執行任務，並提高輸出的準確性、可靠性和多樣性。優化提示的方法有很多，如調整模型引數、使用反饋迴圈、進行實驗和迭代等。優化提示的原則是要儘可能測試、評估和改進。例如，如果我們想讓百度文心一言為我們生成一首詩，我們可以嘗試不同的輸入來觀察輸出的變化，如下所示：

寫一首五言絕句，主題是太陽。輸出: 太陽升起東方， 萬物沐浴光芒。 暖風拂過山崗， 人們歡笑田旁。

寫一首五言絕句，主題是太陽。請使用對仗法。 輸出: 太陽照亮天空， 白雲映襯山峰。 日出驚豔東方， 晚霞絢爛西紅。

寫一首五言絕句，主題是太陽。請使用擬人法。 輸出: 太陽從夢中醒， 慢慢露出笑臉。 他照耀著大地， 溫暖著萬物心。

 

 

從上面的例子可以看出，不同的輸入會導致不同風格或質量的輸出。通過優化提示，我們可以讓模型更好地滿足我們的需求和期望。

總之，在本節中，我們介紹了提示工程的基本原理和方法，包括什麼是提示、如何設計提示和如何優化提示。我們通過一些具體的例子，展示了提示工程在文字摘要、資訊提取、問答、文字分類、對話、程式碼生成和推理等任務中的應用。我們希望通過本節，讓讀者對提示工程有一個初步的瞭解和掌握。在下一節中，我們將介紹提示工程在不同領域和場景中的應用和案例，讓讀者更深入地感受提示工程的魅力和價值。

 

 

 

二、提示工程的應用和案例

在上一節中，我們介紹了提示工程的基本原理和方法，包括什麼是提示、如何設計提示和如何優化提示。在本節中，我們將介紹提示工程在不同領域和場景中的應用和案例，讓讀者更深入地感受提示工程的魅力和價值。

首先，我們來看一個生成資料的應用。生成資料是指利用人工智慧模型的文字生成能力，通過有效的提示策略，引導模型產生更好、更一致和更準確的資料，用於各種實驗和測試。例如，我們可以使用ChatGPT來生成一些情感分析的例子，如下所示：

生成 10個情感分析例子。 將範例歸類為積極或消極。 生成 2個消極的範例和 8個積極的範例。 使用以下格式進行範例： 問: <句子 > 答: <情感 >

 

輸出：以下是 10個情感分析例子，2個消極的範例和8個積極的範例：

問: 我們失去了遊戲，但我們付出了最大的努力。 答: 積極 [1]

問: 這個新餐廳真是美味！ 答: 積極 [3]

問: 我的電腦壞了，我現在不能上網了。 答: 消極 [1]

問: 我感到非常生氣和失望，因為我未能贏得比賽。 答: 消極 [3]

問: 我很高興今天早上起床了，可以迎接新的一天。 答: 積極 [1]

問: 每個人都對我的研究表達了高度評價。 答: 積極 [3]

問: 我們剛剛完成了一個困難的任務，這讓我們感到非常自豪。 答: 積極 [1]

問: 我們的校園環境真的很美麗。 答: 積極 [3]

問: 我在晚會上看到了我的老朋友們，這讓我感到非常快樂。 答: 積極 [1]

問: 我們的公司獲得了一個巨大的合同，這是我們的一次重大勝利。 答: 積極 [3]

 

 

這些輸出就是一些簡單的情感分析例子（examples），它們符合了輸入中給出的任務和條件。當然，這些輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過生成資料，我們可以快速地獲取一些樣本資料，用於訓練或評估我們自己的情感分類器。

 

其次，我們來看一個PAL（程式設計輔助語言模型）的應用。PAL是指利用人工智慧模型的程式碼生成能力，通過將問題轉化為程式作為中間推理步驟，利用程式設計執行時（如Python直譯器）來提供答案。例如，我們可以使用ChatGPT解決一些需要日期理解的問題，如下所示：

根據以下上下文回答問題。 保持答案簡短明瞭。 如果不確定答案，請回復「不確定答案」。

語境:

Teplizumab 的根源可以追溯到一家名為 Ortho Pharmaceutical 的新澤西製藥公司。 在那裡，科學家們生成了早期版本的抗體，稱為 OKT3。 該分子最初來自小鼠，能夠與 T 細胞表面結合並限制其殺傷細胞的潛力。 1986 年，它被批准用於幫助預防腎移植後的器官排斥反應，使其成為第一個獲准用於人類的治療性抗體。

問題:

OKT3最初來源於什麼？

回答:

輸出:

OKT3最初來源於小鼠。

 

 

這個輸出就是一個簡單的答案（answer），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過PAL，我們可以讓模型利用程式語言和邏輯來解決一些複雜或特定的問題。

 

最後，我們來看一個Python筆電的應用。Python筆電是指利用人工智慧模型的程式碼執行能力，通過在Python筆電中使用提示，實現各種功能和任務，如資料分析、視覺化、機器學習等。例如，我們可以使用BingGPT（因為涉及AI繪畫，這裡使用新必應桌面端）來繪製一些圖表，如下所示：

在Python筆電中執行以下程式碼，並顯示結果。

import matplotlib.pyplot as plt import numpy as np

生成一些亂資料

x = np.random.randn(1000) y = np.random.randn(1000)

繪製散點圖

plt.scatter(x, y) plt.xlabel(‘x’) plt.ylabel(‘y’) plt.title(‘Random Scatter Plot’) plt.show()

輸出:

 

 

這個輸出就是一個簡單的圖表（chart），它顯示了輸入中給出的程式碼執行後的結果。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過Python筆電，我們可以讓模型利用Python語言和庫來實現各種功能和任務。

總之，在本節中，我們介紹了提示工程在不同領域和場景中的應用和案例，包括生成資料、PAL（程式設計輔助語言模型）和Python筆電。我們通過一些具體的例子，展示了提示工程在文字生成、程式碼生成和程式碼執行等任務中的能力和價值。我們希望通過本節，讓讀者更深入地感受提示工程的魅力和價值。在下一節中，我們將介紹提示工程的一些高階技巧和原則，讓讀者更好地掌握如何設計和優化高效和有效的提示。

 

 

三、提示工程的高階技巧和原則

在上一節中，我們介紹了提示工程在不同領域和場景中的應用和案例，包括生成資料、PAL（程式設計輔助語言模型）和Python筆電。在本節中，我們將介紹提示工程的一些高階技巧和原則，讓讀者更好地掌握如何設計和優化高效和有效的提示。

首先，我們來看一個零樣本提示的技巧。零樣本提示是指利用人工智慧模型的零樣本能力，通過簡單的提示，讓模型在沒有任何範例的情況下執行任務。例如，我們可以使用ChatGPT來進行文字分類，如下所示：

將文字分類為中性、負面或積極。 文字：我認為假期還好。

情感：

輸出:

中性

 

 

這個輸出就是一個簡單的分類（classification），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過零樣本提示，我們可以讓模型利用其內部知識和語言理解來執行各種任務。

 

其次，我們來看一個少樣本提示的技巧。少樣本提示是指利用人工智慧模型的少樣本能力，通過在提示中提供一些範例，讓模型在有限的資料下執行任務。例如，我們可以使用ChatGPT來進行命名實體識別（NER），如下所示：

根據以下上下文回答問題。 保持答案簡短明瞭。 如果不確定答案，請回復「Unsure about answer」。

Context:

Teplizumab 的根源可以追溯到一家名為 Ortho Pharmaceutical 的新澤西製藥公司，在那裡，科學家們生成了早期版本的抗體，稱為 OKT3。 該分子最初來自小鼠，能夠與 T 細胞表面結合並限制其殺傷細胞的潛力。 1986 年，它被批准用於幫助預防腎移植後的器官排斥反應，使其成為第一個獲准用於人類的治療性抗體。

Question:

Ortho Pharmaceutical 是哪個國家的公司？

Answer:

Output:

Ortho Pharmaceutical 是美國的公司。

 

 

這個輸出就是一個簡單的答案（answer），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過少樣本提示，我們可以讓模型利用一些範例資料來執行各種任務。

 

最後，我們來看一個鏈式思考提示的技巧。鏈式思考提示是指利用人工智慧模型的推理能力，通過在提示中提供一些推理步驟，讓模型在複雜的任務下執行任務。例如，我們可以使用ChatGPT來進行算術運算，如下所示：

這組數中的奇數相加得到一個偶數：4、8、9、15、12、2、1。 A：將所有奇數相加（9、15、1）得到25。 答案是錯的。

這組數中的奇數相加得到一個偶數：15、32、5、13、82、7、1。 A：

Output:

將所有奇數相加(15+5+13+7+1)得到41，不是一個偶數。因為所有奇數之和為奇數，不可能得到一個偶數的結果。

 

 

這個輸出就是一個簡單的運算（calculation），它符合了輸入中給出的任務和條件。當然，這個輸出並不是唯一可能的結果，不同的模型或引數可能會生成不同風格或質量的內容。通過鏈式思考提示，我們可以讓模型利用一些推理步驟來執行各種任務。

總之，在本節中，我們介紹了提示工程的一些高階技巧和原則，包括零樣本提示、少樣本提示、鏈式思考提示、自我一致性、生成知識提示和自動提示工程師。我們通過一些具體的例子，展示了提示工程在不同任務中的能力和價值。我們希望通過本節，讓讀者更好地掌握如何設計和優化高效和有效的提示。

 

 

結論：

提示工程是一門新興的技術，它利用人工智慧模型的語言生成能力，通過與模型對話，實現各種功能和任務。提示工程有著廣泛的應用和案例，包括生成資料、PAL（程式設計輔助語言模型）、Python筆電等。提示工程也有著一些高階的技巧和原則，包括零樣本提示、少樣本提示、鏈式思考提示，其他還有自我一致性、生成知識提示和自動提示工程師等。提示工程是一門有趣而有用的技能，它可以讓我們更好地利用人工智慧模型的潛力，創造出更多的價值和可能性。我們希望通過本文，讓讀者對提示工程有了一個初步的瞭解和興趣，並鼓勵讀者嘗試自己與人工智慧模型對話，發現更多的驚喜和樂趣。

 

 

附錄：

《花雕學AI》是一個學習與交流AI的專欄，由驢友花雕撰寫，主要介紹了人工智慧領域的多維度學習和廣泛嘗試，包含多篇文章，分別介紹了ChatGPT、New Bing和Leonardo AI等人工智慧應用和技術的過程和成果。本專欄通過實際案例和故事，詳細介紹了人工智慧和程式設計的基本概念、原理、方法、應用等，並展示了這些平臺的各種人工智慧功能，如搜尋、交流、創作、繪畫等。在本專欄裡，作者花雕和ChatGPT及新必應等一起探索了各種有趣和有用的人工智慧應用。他們共同學習了很多人工智慧和程式設計的知識和技能，並結下了深厚的友誼。他們用自己的創造力和熱情，為人工智慧領域增添了一抹亮色。如果您也對此感興趣，歡迎關注《花雕學AI》這個專欄，大家一起探索人工智慧的奧祕和樂趣。想要了解本專欄的最新進展，請使用谷歌、必應、百度或者今日頭條等引擎直接搜尋【花雕學AI】。