彻底搞懂大模型LLM（一）：什么是Prompt Engineering（提示工程）？、什么是Function Calling（函数调用）？

最新推荐文章于 2025-04-15 18:07:02 发布

大模型本地部署_

最新推荐文章于 2025-04-15 18:07:02 发布

阅读量910

点赞数 10

文章标签： prompt 人工智能大模型 ai AI大模型 LLM 提示工程

本文链接：https://blog.csdn.net/androiddddd/article/details/142999145

版权

在日新月异的生成式AI领域，几个核心的专业术语不仅频繁出现在讨论、博客和会议中，更是技术发展的关键驱动力。它们分别是：“Prompt Engineering（提示工程）”、“Function Calling（函数调用）”、“RAG（检索增强生成）”和“Fine-tuning（微调）”。

一、Prompt Engineering（提示工程）

1、什么是Prompt Engineering？

Prompt Engineering，即提示工程，是指设计和优化输入给大型语言模型（LLM）的文本提示（Prompt）的过程。这些提示旨在引导LLM生成符合期望的、高质量的输出。

它能够根据特定任务需求优化输入提示，引导大语言模型生成更准确、全面、符合格式要求的输出，从而提升模型在多样化应用场景中的性能和实用性。

Prompt Engineering的核心要素在于通过明确的指示、相关的上下文、具体的例子以及准确的输入来精心设计提示，从而引导大语言模型生成符合预期的高质量输出。

1. 指示（Instructions）：明确告诉模型需要执行的任务或生成的内容类型。这些指示应该清晰、具体，避免歧义。

2. 上下文（Context）：为模型提供与任务相关的背景信息。上下文可以帮助模型更好地理解任务，并生成更加准确和相关的输出。

3. 例子（Examples）：通过给出具体示例来展示期望的输出格式或风格。例子可以极大地提高模型的生成质量，因为它为模型提供了一个明确的参考框架。

4. 输入（Input）：任务的具体数据或信息。这是模型生成输出的基础，输入的质量直接影响到输出的质量。

5. 输出（Output）：虽然输出不是Prompt Engineering的直接组成部分，但它是Prompt设计的最终目标。通过不断优化Prompt，我们可以引导模型产生更加符合期望的输出。

二、Function Calling（函数调用）

1、什么是Function Calling？

在生成式AI的上下文中，函数调用通常指的是LLM在生成响应时，能够识别并执行特定的函数或API调用，以获取额外的信息或执行特定的任务。

函数调用增强了LLM的扩展性和实用性，使其能够跨越语言模型的边界，与数据库、Web服务等外部系统无缝交互，从而提供更加全面和实时的信息。

Function Calling在智能助手和自动化流程中的应用场景中，LLM通过调用外部API或预设函数来集成多样化服务与复杂操作，以满足用户请求并自动化执行流程。

在构建智能助手时，LLM可能需要根据用户的请求调用外部服务（如天气查询API、数据库查询等），并将结果整合到其响应中。
在自动化流程中，LLM可以通过调用预设的函数来执行一系列复杂的操作，如数据处理、文件生成等。

以查询天气为例，以下是LLM调用外部天气API的具体流程：

1. 用户输入：用户向LLM询问“今天北京的天气怎么样？”
2. 理解需求：LLM解析用户输入，识别出用户的意图是查询天气。
3. 决定是否使用工具：LLM判断需要调用外部天气API来获取准确信息。
4. 准备调用信息：LLM生成调用天气API所需的参数，如城市（北京）和日期（今天）。
5. 发送请求：LLM将调用信息封装成HTTP请求，发送给天气API。
6. 接收响应：天气API返回当前北京的天气信息给LLM。
7. 结合结果进行回复：LLM解析天气信息，并生成易于理解的回复给用户，如“今天北京天气晴朗，温度25°C，适宜外出。”