简介
提升工程是什么
提示工程（Prompt Engineering）是人工智能领域中的一个概念，特别是在自然语言处理（NLP）领域中。它是一种通过设计和优化输入提示来提高AI模型表现的方法。
对于基于转换器的大型语言模型（如OpenAI的GPT系列），输入提示在提高模型理解、回答问题、生成有用输出等方面具有关键作用。简单来说，提示工程就是研究如何构建更好的问题或指令，从而引导AI模型生成更有价值的回答。
提示工程主要包含以下几个方面的内容：
- 问题构建：以清晰、简洁的方式表述问题，明确需要的答案类型。
- 上下文引导：提供必要的上下文信息，帮助模型理解问题的背景和目标。
- 间接引导：使用间接的指令，引导模型以特定的方式回答问题。
- 分步引导：将复杂问题拆分成多个简单问题，逐步引导模型生成答案。
此外，提示工程还可以从大型的“冻结”预训练语言模型开始工作，其中只学习了提示的表示方法，即所谓的“前缀调整（prefix-tuning）”或“提示调整（prompt tuning）”。
为什么要学提示工程
我们使用AI本身来回答这个问题
正常回答
代入研发角色身份回答
带入产品经理角度回答
从上面可以看到，使用不同的提问方式回答的内容已经不一样了。如何引导回答，怎么提问都是有技巧的
学会提示工程，是 AGI 时代的基本技能
学习提示工程
基础了解：
理解人工智能和机器学习：了解基本的AI和ML概念，特别是自然语言处理（NLP）。
研究提示工程的原理：学习如何通过精确的语言提示来指导和优化AI模型的响应。 实践操作：
实验与模型：使用不同的AI模型进行实验，理解不同提示对输出的影响。 案例分析：研究成功的提示工程案例，分析为何有效。 深入研究：
高级技巧：学习高级提示策略，如使用元语言、条件语句等。 模型内部机制：探索AI模型如何解析和响应提示。 不断迭代：
实时反馈：持续收集用户反馈，了解提示的效果。 调整和优化：根据反馈不断调整提示策略。
跨学科学习：
心理学和语言学：理解人类如何解释和使用语言，这可以帮助设计更自然、更有效的提示。
行业知识：了解特定行业的术语和需求，以创建更具针对性的提示。 核心要素 精确性：准确地传达意图是关键。提示需要精确地指导AI，避免歧义。
创造性：在设计提示时，创造性思维可以帮助产生更有趣、更有洞察力的输出。
用户理解：了解目标用户的需求和行为模式，以便设计符合他们期望的提示。
适应性：随着技术和用户需求的发展，提示策略也需要适应性地调整。
跨学科知识：结合心理学、语言学、技术等多个领域的知识，以创建更有效的提示。
测试和反馈：持续测试和评估提示的效果，并根据反馈进行调整。
如何使用
非研发人员的使用
通过界面操作，如百度的文心一言、openAI的ChatGPT等，使用方式主要是构建指令，指令包含下面几个内容会有好的效果
- 角色：给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
- 指示：对任务进行描述
- 上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
- 例子：必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有很大帮助
- 输入：任务的输入信息；在提示词中明确的标识出输入
- 输出：输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）
研发人员
通过代码编程，将业务与AI结合，固化一套 Prompt 到程序中，成为系统功能的一部分，比如公司知识库问答、AI客服等，后续也将依照这个思路编写一些文章完成一些DEMO示例
总结
本次文章没有代码相关内容，主要是将介绍一些基本概念以及梳理后续如何开展的思路
