7.0
热点
AI SCORE
编程提效2024-02-16 16:42
开发者 Prompt 工程完全指南
DEV Community · Pavan Belagatti#Prompt工程#AI提效
Editor brief · 编辑速览
系统讲解 Prompt 设计技巧和最佳实践，帮助开发者更高效地利用生成式 AI 工具提升开发效率。
过去一年，生成式 AI 革命取得了显著进展，其中大部分进展来自大型语言模型（LLM）的发布。生成式 AI 无疑会长期存在，并且在软件工程领域拥有广阔的未来。尽管这些模型表现出色，能够生成高级输出，但我们也可以影响模型，让它们生成我们想要的结果。
让语言模型按照预期生成结果或输出是一门艺术，而这正是 prompt engineering 发挥作用的地方。prompt 在与语言模型交互时扮演着至关重要的角色。本文将深入探讨你需要了解的 prompt engineering 知识。
prompt engineering 是与 LLM 交互的第一步。本质上，它是为生成式 AI 模型设计有意义指令的过程，以便模型生成更好的结果和回答。为此，我们需要谨慎选择措辞，并提供更多上下文。举个例子，这就像使用正向强化来训练小狗：当它服从指令时，给予奖励和零食。大型语言模型通常会生成大量数据，其中可能包含偏见、幻觉或虚假信息，而 prompt engineering 可以减少这些问题。
prompt engineering 要求我们理解 LLM 的能力，并设计能够有效传达目标的 prompt。通过混合运用多种 prompt 技术，我们可以挖掘近乎无限的可能性——从生成读起来像人工精心撰写的新闻文章，到创作符合你期望语气和风格的诗歌。下面让我们深入了解这些技术，看看不同的 prompt 技术是如何工作的。
Zero-shot prompting。 你直接向 LLM 提供 prompt，不附加任何示例或信息。它最适合处理通用任务，前提是你相信 LLM 能够基于自身对语言和概念的理解生成富有创意的内容。
One-shot prompting。 你在提供 prompt 的同时，给出一个期望输出的示例。它最适合那些需要引导 LLM 采用特定风格、语气或主题的任务。
Few-shot prompting。 你在提供 prompt 的同时，给出少量期望输出的示例，通常为两到四个。它最适合需要确保一致性和准确性的任务，例如生成采用特定格式或属于特定领域的文本。
Chain-of-thought prompts。 这种方法侧重于将复杂任务拆分成便于处理的步骤，从而促进推理和逻辑思考。你可以把它理解为将一道数学题拆解成一条条简短、易于 LLM 执行的指令。
Contextual augmentation。 这种方法通过提供相关背景信息来提高准确性和连贯性。想象一下，在历史小说的 prompt 中加入对相关时代的详细研究资料。
Meta-prompts 和 prompt combinations。 这个过程包括对 LLM 的整体行为进行微调，并融合多种 prompting 风格。你可以将 meta-prompts 理解为统领全局的原则，而 prompt combinations 则会同时运用多种不同技术。
Human-in-the-loop。 最后，这一过程会引入人类反馈，并通过反复迭代优化 prompt，以获得最佳结果。可以把它想象成人类与 LLM 之间的一场协作之舞，每一次迭代都会让结果变得更好。
这些技术只是 prompt engineering 庞大工具箱中的冰山一角。请记住，实验是关键——根据具体目标调整 prompt，并接受持续迭代的过程。
prompt engineering 的最佳实践包括：理解模型的能力和局限性、编写清晰简洁的 prompt，以及根据模型的回答反复测试和完善 prompt。
无论你是 AI 开发者、研究人员还是爱好者，这些最佳实践都能改善你与先进语言技术的交互方式，帮助你获得更加准确、高效的结果。
通过具体的指令、期望的格式和输出长度，清楚说明你想要的结果。可以把它理解为给朋友提供详细的路线说明，而不是只指一个大概方向。
通过提供期望输出的示例，让模型看到你想要什么。这有助于缩小可能结果的范围，并引导模型朝你的设想前进。就像给朋友展示目的地的照片，而不只是告诉他们地址。
选择清晰、直接且不存在歧义的语言。避免使用俚语、隐喻或过于复杂的词汇。请记住，模型会按字面含义理解内容，所以要使用直白、清楚的表达，确保它能够理解。
不要期待一次尝试就获得完美结果。你需要做好修改 prompt、调整上下文提示以及尝试不同示例的准备。可以把它理解为不断微调菜谱，直到做出完美的菜肴。
了解你所使用模型的能力和局限性。例如，有些模型更擅长事实类任务，而另一些模型则擅长创意写作，因此要针对任务选择合适的工具。
留意 prompt 和模型输出中可能存在的偏见。避免使用歧视性语言或刻板印象，并使用能够促进包容性和伦理考量的 prompt。
希望这些最佳实践能够帮助你设计出有效的 prompt，充分释放大型语言模型的潜力！
要完成本教程，你需要使用 SingleStore Notebooks。激活免费的 SingleStore 试用版即可开始。
首次注册时，你将获得价值 600 美元的免费计算资源。现在，单击 Notebook 图标开始操作。
创建一个新的 Notebook，并将其命名为 ‘Prompt-Engineering-Tutorial.'
接下来，让我们通过在这个 Notebook 中运行代码片段，实际了解 prompt engineering 的工作方式。我们将使用 LangChain 框架创建 prompt templates，并在示例教程中使用它们。第一次接触 LangChain？可以查看这份初学者指南，了解你需要掌握的全部知识。
LangChain 提供了用于创建和使用 prompt templates 的工具。首先，安装必要的依赖项和库——我们需要 OpenAI 和 LangChain。
接下来，提供 OpenAI API Key。
按照 LangChain 文档中的说明创建 prompt template。
设置环境并创建 LLMChain。
使用 zero-shot prompt 输入运行 LLMChain。这里，我的输入是 ‘large language models.'
下面是 few-shot prompt template 的样子。
完整的 Notebook 代码可以在这个 GitHub repository 中找到。
了解成为 prompt engineer 所需的一些常见技能非常重要。prompt engineer 是连接人类意图与人工智能回答的桥梁，这个角色需要将技术能力与软技能独特地结合起来。下面列出了六项值得关注的技能，它们可以帮助你创建有意义且有效的 prompt。
沟通与协作能力。 这对于理解用户需求以及与内部团队合作至关重要。有效的沟通与协作能力可以帮助 prompt engineer 清晰表达复杂想法，并整合来自不同利益相关者的意见。它们能够营造高效的工作环境，确保 prompt 的开发符合用户意图和技术能力。
创造性与批判性思维。 这些技能对于生成创新且有效的 prompt 至关重要。创造性思维让人能够探索新颖的想法和方法，而批判性思维则可以确保 prompt 符合逻辑、遵循伦理并能实现预期结果。要设计出既能吸引用户、又能按预期运行的高质量 prompt，这种创造力与审慎思考的结合必不可少。
基础 AI 与 NLP 知识。 理解人工智能和自然语言处理的基础知识对 prompt engineer 至关重要。这些知识有助于理解 AI 模型如何解释和生成语言，从而设计出能够与 AI 有效沟通，并促使其生成准确、相关回答的 prompt。
写作风格。 掌握多种写作风格对 prompt engineering 很重要，因为不同场景需要不同的沟通方式。无论是简洁的说明性写作、创意叙事，还是技术文档，能够根据上下文调整写作风格，都是设计有效 prompt 的关键。
编程知识。 扎实的编程基础，尤其是 Python 等语言方面的基础，对 prompt engineer 很有帮助。编程能力可以用于实现任务自动化、处理数据，甚至定制 AI 模型。这种技术能力可以显著提高 prompt 开发的效率和能力。
数据分析知识。 理解数据分析对 prompt engineer 很重要，因为这使他们能够解读用户交互和模型性能。这些知识有助于根据实证依据改进 prompt，确保它们在用户参与度和准确性两方面都得到优化。数据分析能力对于持续提高 prompt 的有效性至关重要。
prompt engineering 是一个至关重要且不断发展的领域，它使人们能够更有效地与 AI 模型交互。通过理解其核心原则、探索不同技术并遵循最佳实践，用户可以设计出能够显著提高 AI 回答性能和相关性的 prompt。
本文提供的简单教程展现了 prompt engineering 的实用性，让读者能够通过动手实践掌握这门艺术。随着生成式 AI 持续进步，熟练运用 prompt engineering 的重要性也在不断提升，并有望带来更加直观、高效且强大的人机协作未来。