懒人提示法：吴恩达提出新AI交互趋势，提示词越简单效果越好

本文链接：https://blog.csdn.net/m0_70486148/article/details/147090084

随着大语言模型（LLMs）推理能力的发展，AI开发者和应用者对提示词工程（Prompt Engineering）的理解也发生了相应的变化。传统上，提示工程强调为LLMs提供详细的上下文和明确的指令，以确保模型生成高质量输出。然而，近期一种名为懒人提示法（Lazy Prompting）的新趋势开始受到关注，它提倡使用最少或不精确的提示，依靠模型的推理能力来推断用户意图。这种方法不仅简化了交互过程，还可能提升效率，特别适合任务的快速落地。

什么是 Lazy Prompting ？

**Lazy Prompting（懒人提示法）**是指在与LLMs交互时，提供最少的信息或问题，让模型自行理解并生成响应，而无需复杂的提示设计。

这一概念由AI大牛吴恩达（Andrew Ng）推广在他的公开信 The Benefits of Lazy Prompting[1]中首次提出，并在他转发到X[2]后，在AI圈获得了热烈的讨论和积极的评价。吴恩达指出，在某些情况下，使用简短、不精确的提示可以更快获得有用的输出，尤其是在用户能快速评估输出质量并迭代时。这种方法依赖于LLMs强大的语言理解和推理能力，能够从有限输入中推断出用户的真实需求。

与懒人提示法类似，Daniel Nest 在他3月20日的文章 No-Prompt Prompting? So Lazy, It Just Might Work![3] 提出另一个相关概念 “无提示提示法”（No-Prompt Prompting）。他认为，当上下文足够清晰时，如描述图片或分析数据集，LLMs可以无需提示自行推断任务。这与懒人提示法有相似之处，均强调模型的自主推理能力。

Lazy Prompting 为何成为趋势？

AI开发者群体很看好这个新的提示词交互趋势

懒人提示法受到广泛关注和好评的原因可能包括以下几个方面：

效率： 传统提示工程可能需要用户花费大量时间设计和优化提示，而懒人提示法允许快速开始交互，节省时间和精力。例如，在调试代码时，开发者只需粘贴错误消息，模型就能提供建议，无需额外说明。
可访问性： 对于不熟悉提示词工程的用户，懒人提示法降低了使用AI的门槛，使更多人能轻松利用LLMs的能力。这减少了对所谓“提示次工程师”所需技能的依赖。
模型能力： 现代LLMs的语言理解和推理能力不断增强，能够从最少的输入中推断意图，LLMs在某些场景下能处理模糊输入。

哪些场景适合 Lazy Prompting？

氛围编码+懒人提示法=睡后收入？氛围编码+懒人提示法=「睡」后收入？

以下是一些懒人提示法的具体应用：

错误修复： 许多开发者（包括小编嘿~）在进行代码开发的过程中直接粘贴长达数页的代码报错给到AI模型中，无需额外说明，目前主流的大模型都能直接提出修复方案，无需额外的提示词。
代码生成： 用户可以简单地请求“写一个Python函数计算斐波那契数列”或者“写一个虚拟货币交易软件的前端”，而无需提供详细的函数签名或实现细节，模型能根据上下文生成合理代码。
内容分析： 用户上传一个数据集或一张图片，让AI模型自动进行分析、描述或分类，无需指定具体的分析任务。例如，文章 No-Prompt Prompting? So Lazy, It Just Might Work![3] 中提到，直接上传Titanic数据集，模型能自动提供分析结果。
创意探索： 由于提示较少，AI模型可能会生成意想不到的创意输出，有助于用户发现新的思路或解决方案。

无提示数据分析

Lazy Prompting 也有局限性

尽管懒人提示法有其优势，但在某些情况下并不适用：

复杂任务： 对于需要具体上下文或详细指令的任务，懒人提示法可能无法提供足够信息，导致模型生成不准确或不相关的输出。特别是在需要提示词提供数据或者输出样例，还是要遵循传统提示词工程的方法，在提示中明确说明。
难以验证的输出： 如果难以快速评估AI输出的正确性，使用懒人提示法可能会浪费更多时间在检查和修正上。例如，运行代码验证功能可能需要大量时间，吴恩达建议在这种情况下提供更多上下文。
特定要求： 当任务有特定的要求或需要使用特定方法时，如任务涉及特定工具的时候（如pdf-to-text转换软件），懒人提示法可能失效，用户需在提示中明确指出。

最佳实践与使用建议

无论是结构化提示词、无提示词还是懒人提示法，都是为了提高我们的作业效率。因此，吴恩达提出下面几条懒人提示词的最佳实践：

从最少的提示开始： 首先尝试使用最简洁的提示，看看AI模型能否理解并生成有用的响应。例如，从最简单的请求如“编辑这个”开始吧。
快速评估输出： 选择那些能够快速判断输出质量的任务，明确自己的任务目标，以便及时决定是否需要提供更多上下文。
准备迭代： 如果初始输出不理想，准备好通过添加更多细节或指令来优化提示。懒人提示法这个看似简单的技巧，却是高级提示词技巧技巧，需用户有能力迭代优化。

Less is More！

随着 Scaling Law 在AI领域的不断探索，大模型的能力越来越强。AI开发和应用领域也刮起了Less is More（少即是多） 的风潮。懒人提示法作为一种新兴的AI交互趋势，为用户提供了一种高效、简便的方法来利用大型语言模型的强大推理能力。虽然它并不适用于所有场景，但对于有经验的用户来说，能够在适当的时候使用懒人提示法，将极大地提高工作效率。

随着AI技术的不断进步，懒人提示法有望在未来发挥更大的作用，成为AI应用中的一项重要技能。吴恩达在 Business Insider Andrew Ng Explains Why ‘Lazy Prompting’ Can Be a Useful AI Technique[4] 的采访中也提到，随着模型变得更智能，这种方法可能会越来越有效。