Prompt Engineering（提示词工程）- 典型构成、原则与技巧，代码中加入Prompt

最新推荐文章于 2024-08-13 11:30:50 发布

菜鸟大模型

最新推荐文章于 2024-08-13 11:30:50 发布

阅读量835

点赞数 3

文章标签： prompt 人工智能产品经理大模型 ai产品经理多模态大模型 LLM

本文链接：https://blog.csdn.net/huang9604/article/details/139675453

版权

从这篇文章开始，我们就正式开始学习AI大模型应用开发的相关知识了。首先是提示词工程（Prompt Engineering）。

0. 什么是提示词（Prompt）

AI大模型火了也已经有一年多了，相信大家或多或少都听过或见过一个词叫“Prompt”，这就是提示词。

用户给大模型输入一个Prompt，大模型会根据你的Prompt给出一个回复，这是目前为止，最常用的使用大模型的方法。网络上很多号称“不用编程，轻松实现自己的应用、助理”等，都是基于Prompt来做的。即使是需要通过编程的方式来使用大模型达到自己需求的，过程中也会大量使用Prompt，将Prompt固化到程序中，作为“代码”的一部分。

所以，在现在的AI时代，Prompt也可以看作是一门【编程语言】 ，最近新兴了一个职业叫做【提示词工程师】，也就类似是AI时代的程序员。

现在Prompt工程并没有形成一套完整的标准化体系，网络上关于如何使用Prompt的文章也是铺天盖地，非常杂乱，让人眼花缭乱。因为本人想以实战为主，因此本文只是总结一下Prompt的最基本构成和原则。

重要提醒：

Promt是一个需要不断优化的过程，没有哪一篇文章或哪一个Prompt是适用于所有场景，或者拿来直接可用的。
即使同一个场景，相同的Prompt，不同的大模型之间也会效果不同。如果换了大模型，提示词大概率需要重新优化。
所以不要光看网上的什么【最佳实践】，还是要下场实操，在不断迭代中学会优化Prompt的方法，才是最重要的。

1. 为什么Prompt会起作用 - 大模型工作原理

简要概括：它只是根据上文，猜下一个词的概率，在前几个概率大的词中选择一个输出。

2. Prompt的典型构成、原则与技巧

3. 开始使用Prompt

如果不会编程，或不想写代码，可以直接在AI软件中使用Prompt，例如：

ChatGPT
文心一言

4. 代码中加入Prompt

4.1 OpenAI API解释

下面是上篇文章【AI大模型应用开发】0. 开篇，用OpenAI API写个Hello World ！我们的“Hello World”程序，里面包含了一个函数chat.completions.create。

from openai import OpenAI
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI()
response = client.chat.completions.create(
    model="gpt-3.5-turbo-1106",
    messages=[
        {
            "role": "user",
            "content": "你是谁？"
        }
    ],
)
print(response.choices[0].message.content)

该函数有几个重要参数解释下：

model：用来指定使用哪个模型，例如：gpt-3.5-turbo-1106
messages：传入大模型的prompt，prompt有三种角色：

- system：系统指令，最重要，用于初始化GPT行为，以及规定GPT的角色、背景和后续行为模式。system是主提示，可以进行更加详细的设置。
- user: 用户输入的信息。
- assistant: 机器回复，由 API 根据 system 和 user 消息自动生成的。

temperature：参数值越小，模型就会返回越确定的一个结果。如果调高该参数值，大语言模型可能会返回更随机、创意的结果，如诗歌、写作等，可以适当提高。
max_token：控制了输入和输出的总的token上限，要求我们的prompt不能太长，或者控制上下文轮次！（给你估算成本和节省成本用的）
Top_p：与 temperature 一起称为核采样的技术，可以用来控制模型返回结果的真实性。如果你需要准确和事实的答案，就把参数值调低。如果你想要更多样化的答案，就把参数值调高一些。

Temperature和Top_p，一般建议是改变其中一个参数就行，不用两个都调整。调了效果也不一定显著；

本篇文章就先写到这里，下篇文章我们开始在代码中将Prompt用起来，并尝试将一些技巧加进去看下效果。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍