对话式提示工程：革新大语言模型的交互方式

引言

在当今数字化时代，大语言模型（LLMs）正成为企业和个人工作流程中不可或缺的一部分。无论是自动化客服、文本摘要还是创意写作，LLMs都展现了其强大的能力。然而，要充分发挥这些模型的潜力，设计有效的提示（prompts）显得尤为重要。提示不仅需要清晰地定义任务和期望结果，还要传达细微的偏好和输出要求。尽管如此，提示工程（prompt engineering）通常是一个繁琐且耗时的过程，尤其是对于缺乏相关经验的用户而言。

为了解决这一问题，Liat Ein-Dor等人提出了一种名为“对话式提示工程”（Conversational Prompt Engineering，CPE）的新方法。这一工具旨在通过友好的对话界面，帮助用户为特定任务创建个性化的提示，从而简化提示工程的过程。

CPE的核心理念

CPE的设计基于三个核心观点。首先，用户常常难以清楚地定义他们的任务和期望。先进的聊天模型可以帮助用户更好地理解和表达他们的具体需求，使得沟通变得更加高效。其次，给定一项任务，未标记的输入文本可以被LLMs用来建议数据特定的输出偏好维度。这一过程可以进一步帮助用户明确任务要求，突出数据的相关方面。最后，用户对特定模型生成输出的反馈不仅可以用于改善输出本身，还可以用于优化应用于未见文本