Prompt Engineering 指南

使用ChatGPT辅助工作的朋友经常会搜索到一些文章，例如：github上点赞数100K+的项目《Awesome ChatGPT Prompts》诸如此类。它的场景都是在ChatGPT的聊天网页上，使用提示词来执行特定的，一次性的任务。但是大预言模型（LLM）的作用不仅于此，使用它构建业务系统或者给业务系统赋能的能力现阶段还未完全开发出来，我相信在不久之后，尤其是国产LLM成熟、相关监管法规落实之后，会有越来越多的业务系统接入LLM的能力。

实际上，市面上已经有很多软件接入了LLM，给软件赋AI能力，例如以下软件：
● Microsoft 365 Copilot - 将大型语言模型（LLM）与 业务数据 和 Microsoft 365 应用相结合。
● Notion AI - 供了一系列AI驱动的功能，可增强各种任务的生产力。
● chattytutor - 深度集成ChatGPT和AI真人语音的英语学习平台。

虽然从政策面和数据安全、AI伦理来看，LLM还有很多路要走，但是不可否认，LLM 正在逐步改变人们的生活，而对于我们开发者，如何基于 LLM 提供的 API 快速、便捷地开发一些具备更强能力、集成LLM 的应用，来便捷地实现一些更新颖、更实用的能力，是一个急需具备的重要能力。
我希望可以通过这边文章，能让开发的小伙伴们了解Prompt Engineering、知道它的工作模式、构建技巧。

Prompt Enginnering

什么是Prompt Enginnering

Prompt Engineering（提示工程）是一种技术，用于优化和改进如何向语言模型提出请求，以获得更高质量和更相关的响应。
为了便于的大家理解，我们可以将提示工程师可以类比DBA。

	数据库工程师	提示词工程师
对象	数据库	大语言模型
职责	编写SQL，从数据库查询想要的数据	编写提示词，引导LLM回答想要的文本
	SQL、数据库优化，确保高效的数据访问和处理	提示词优化，确保高效的提示词生成和LLM回复文本的准确性
	需要确保数据的一致性、完整性和可靠性	提示词工程师需要确保生成的提示词质量高，符合语法和语义规则
	负责数据库的架构、备份恢复、安全性等方面的工作	开发和训练模型，处理大规模文本数据，调试和优化生成算法

这样对比大家可能更好理解Prompt Engin