在人工智能的疆域中，提示词工程师扮演着至关重要的角色。他们精心设计的话语，是引导AI模型理解人类需求、激发创造力的关键。如同指挥官的号令，提示词工程师的每一个提问，都让AI的潜力得到释放，让技术与智慧的对话更加精准、高效。

1、什么是提示工程

提示工程（Prompt Engineering）是人工智能领域中一个重要的实践，特别是在自然语言处理（NLP）和大型语言模型（LLMs）的应用中。它涉及到设计和优化输入提示（prompts），以引导AI模型生成预期的输出或行为。这些提示是用户与AI系统交互时提供的指令或问题，目的是激发AI模型提供有用、准确和相关的回答。

提示工程也叫「指令工程」

• Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等。
  • Prompt 是 AGI 时代的「编程语言」
  • Prompt 工程是 AGI时代的「软件工程」
  • 提示工程师是 AGI 时代的「程序员」
• 学会提示工程，就像学用鼠标、键盘一样，是 AGI时代的基本技能。
• 现在提示工程也是「门槛低，落地难」，所以有人戏称 prompt 为「咒语」。
• 但专门的「提示工程师」不会长久，因为每个人都要会「提示工程」，A1 的进化也会让提示工程越来越简单

1.2、提示工程的关键要素包括：

1. 明确的目标：在设计提示之前，需要明确你希望AI模型完成的任务或目标。
2. 清晰的指令：提示应该清晰、具体，避免模糊或多义性，以减少模型产生不相关回答的风险。
3. 适当的上下文：提供足够的背景信息或上下文，帮助模型理解问题的具体情况和需求。
4. 引导性问题：有时候，通过提出引导性问题，可以激发模型提供更深入或更详细的回答。
5. 避免偏见：设计提示时要避免可能引入偏见的语言，确保AI模型的输出公正无偏。
6. 测试和迭代：不断测试不同的提示，观察模型的响应，并根据结果进行调整和优化。
7. 创造性：在艺术创作、写作或其他创意任务中，创造性地设计提示可以激发模型产生新颖和有趣的输出。
8. 安全性和合规性：确保提示不会导致AI模型生成有害、不当或违法的内容。

1.3、提示工程的应用场景：

• 自动内容生成：在写作、广告、社交媒体等领域自动生成文本内容。
• 客户服务：在聊天机器人和虚拟助手中提供更自然和准确的对话体验。
• 教育和培训：设计问题和场景，帮助学生或员工学习和练习特定技能。
• 数据分析：引导模型提供对复杂数据集的洞察和解释。
• 艺术创作：在音乐、绘画、写作等领域探索AI的创造性潜力。

2、提示词工作流程

流程解释：

• 用户/开发者定义目标和需求：确定AIGC的目的和预期结果。
• 设计提示词：根据目标和需求，设计包含明确目标、清晰指令和适当上下文的提示词。
• 模型理解提示词：AI模型接收提示词，通过自然语言处理技术理解语言和意图。
• 生成内容：模型根据理解的提示词生成内容，这可能包括文本、图像、音频等。
• 迭代和调整：AI模型可能需要多次迭代和调整，以优化生成的内容。
• 输出最终内容：经过迭代和调整后，AI模型输出最终的AIGC。
• 用户/开发者评估和使用：用户或开发者评估生成的内容，并将其用于实际应用。
• 输出AIGC：最终的AIGC产品，如文章、图像、音乐等，被输出并提供给用户。

3、大模型提示词工作原理

流程解释：

1. 提示词输入：用户或开发者提供给AI模型的输入，用于引导模型生成特定的输出。
2. 模型接收提示词：AI模型接收到提示词，并开始处理。
3. 模型处理：模型对提示词进行一系列的内部处理步骤。
   • 自然语言处理：解析语言结构，识别语法和词汇。
   • 确定用户意图：理解用户想要模型执行的具体任务。
   • 分析上下文信息：考虑提示词中的上下文信息，以更好地理解用户的需求。
4. 生成中间表示：模型将处理后的信息转换为内部表示，用于后续的搜索和推理。
5. 知识库搜索：模型在内部知识库中搜索相关信息，以生成响应。
6. 生成响应：基于搜索结果和中间表示，模型开始构建响应。
7. 优化和调整：模型可能对生成的响应进行优化和调整，以确保质量和准确性。
8. 输出最终结果：模型完成所有处理后，输出最终的响应或内容。
9. 用户反馈：用户接收到输出结果，并可能提供反馈，这可以用于未来的模型训练和优化。

4、模型优化与调整环节

流程解释：

1. 接收生成的响应：模型生成的初步响应被送入优化和调整阶段。
2. 评估质量：对生成的响应进行质量评估，判断其是否满足预设标准。
3. 输出最终结果：如果响应质量高，直接输出为最终结果。
4. 识别问题所在：如果响应质量低，需要识别问题的原因。
5. 调整模型参数：根据问题，调整模型的内部参数或算法设置。
6. 改进提示词设计：优化提示词，使其更加清晰、具体，以引导模型生成更好的响应。
7. 增加/优化训练数据：扩充或改进模型的训练数据，以提高其理解和生成能力。
8. 重新生成响应：在调整后，模型再次尝试生成响应。
9. 用户反馈：用户对输出结果提供反馈。
10. 记录成功案例：如果用户反馈正面，记录此次成功的案例以供未来参考。
11. 收集反馈信息：如果用户反馈负面，收集具体反馈信息。
12. 分析反馈以优化模型：分析用户反馈，确定进一步的优化方向。

5、 调整模型参数方式

流程解释：

1. 开始调整：识别需要调整模型的信号，例如性能下降或需要优化。
2. 识别性能问题：分析模型的表现，确定性能不佳的具体方面。
3. 选择参数：根据问题选择需要调整的参数，可能包括学习率、网络结构、正则化系数等。
4. 调整学习率/网络结构/正则化系数/其他参数：对选定的参数进行具体的调整。
5. 重新训练模型：使用新的参数设置重新训练模型。
6. 评估模型性能：在验证集上测试调整后的模型，评估性能是否有所提升。
7. 性能满意吗? ：判断模型的性能是否达到了预期目标。
8. 部署模型：如果性能满意，将模型部署到生产环境。
9. 监控模型表现：在模型部署后，持续监控其表现。
10. 需要进一步优化? ：根据监控结果判断是否需要进一步优化。
11. 结束调整：如果模型表现稳定且满意，结束调整流程。

5.1 如何在AI模型中调整参数

5.1.1. 确定需要调整的参数

• 分析问题：首先，分析模型性能不佳的原因，确定是哪个参数或哪组参数可能导致了问题。
• 参数选择：选择需要调整的参数，这些参数可能包括学习率、正则化系数、网络层数、神经元数量等。

5.1.2. 设定调整策略

• 调整方向：决定是增加还是减少参数值，或者是否需要完全重新设置参数。
• 调整幅度：确定调整的幅度，这通常需要基于经验和实验来进行。

5.1.3. 进行实验

• 实验设计：设计一组实验，系统地变化参数值，以观察不同参数设置下模型的性能。
• A/B 测试：在模型的两个版本之间进行比较，一个版本使用旧参数，另一个版本使用新参数。

5.1.4. 监控性能变化

• 性能评估：使用验证集或交叉验证方法来评估模型在不同参数设置下的性能。
• 记录结果：记录每次参数调整后的性能变化，以便于分析和比较。

5.1.5. 应用机器学习技术

• 超参数优化：使用网格搜索、随机搜索或贝叶斯优化等技术来自动寻找最优参数组合。
• 自动化调整：可以使用自动化机器学习（AutoML）工具来帮助寻找最佳参数。

5.1.6. 迭代调整

• 迭代过程：根据实验结果，不断迭代调整参数，直到达到满意的性能为止。
• 验证和测试：在每次调整后，使用测试集验证模型性能，确保模型没有过拟合。

5.1.7. 考虑模型的泛化能力

• 泛化测试：确保模型在新的、未见过的数据上也能表现良好。
• 避免过拟合：通过正则化技术或增加数据集的多样性来提高模型的泛化能力。

5.1.8. 文档记录

• 记录调整：记录所有参数调整的细节，包括调整的参数、调整的值和调整后的性能变化。
• 版本控制：保持模型的不同版本，以便可以回溯和比较。

5.1.9. 部署更新

• 部署模型：一旦找到最优参数，将模型部署到生产环境中。
• 监控：在模型部署后，继续监控其性能，确保稳定性。

6、优化模型数据方式

流程解释：

1. 开始优化数据：启动数据优化流程，以提高模型性能。
2. 评估当前数据集：分析现有训练数据集的质量和覆盖范围。
3. 是否满足需求? ：判断当前数据集是否满足模型训练的需求。
4. 识别数据缺口：如果数据不满足需求，识别缺少的数据类型或领域。
5. 收集新数据：根据识别的缺口，收集新的数据，这可能包括文本、图像、音频等。
6. 清洗和预处理数据：对新收集的数据进行清洗，去除噪声和不相关的信息，进行必要的预处理。
7. 标注和增强数据：对数据进行标注，如分类、标记等，并可能进行数据增强，以提高模型的泛化能力。
8. 整合到训练集：将处理后的数据整合到现有的训练集中。
9. 重新训练模型：使用更新后的训练集重新训练模型。
10. 评估模型性能：评估重新训练后的模型性能，确定是否有所提升。
11. 性能满意吗? ：判断模型性能是否达到预期。
12. 监控模型表现：在模型部署后，持续监控其表现。
13. 持续优化? ：根据模型表现和业务需求，决定是否需要继续优化数据。
14. 结束优化：如果模型表现稳定且满意，结束数据优化流程。

7、大模型构建应用的4个阶段

8、Prompt典型构成

提示词的构成的格式，以确保与AI模型的交互既清晰又高效。以下是一个表格，展示了提示词的典型构成要素及其描述：

构成要素	描述
任务说明	描述AI模型需要完成的任务或目标。
指令	提供具体的操作步骤或行为要求。
输入数据	提供给模型处理或分析的数据和信息。
示例	提供与任务相关的示例，帮助模型理解预期输出。
格式说明	指定输出的格式要求，如列表、段落、表格、摘要等。
约束条件	列出完成任务时需要遵守的限制，如字数、风格、内容限制等。
上下文信息	提供背景信息，帮助模型更好地理解任务的上下文。
澄清请求	如果需要模型在输出中包含澄清或解释，应在提示中明确指出。
风格和语调	指定输出的风格和语调，如正式、幽默、友好、技术性等。
结束指示	指示模型在何时结束其输出，例如使用特定的结束词或标记。

使用这个构成要素表格可以帮助你系统地设计提示词，从而提高与AI模型交互的效果。例如，如果你需要AI模型为你写一封正式的商务邮件，你的提示词可以是：

任务说明：写一封商务邮件
指令：介绍新产品并邀请客户参加产品发布会
输入数据：产品名称、发布会日期和地点
格式说明：正式邮件格式
约束条件：不超过300字
上下文信息：目标客户群体是中小企业业主
风格和语调：专业、礼貌
结束指示：邮件结束时提供一个联系方式

这样的提示词可以帮助AI模型理解你的具体需求，并生成符合要求的输出。