Prompt Engineer是智商税吗？

ChatGPT

但Prompt Engineering并非如此。为什么这样说，请听我细细道来。自2022年底ChatGPT问世以来，我也持续关注生成式人工智能（Gen AI）的发展。最初接触时，我通过设计提示词（prompt）与ChatGPT互动，但有时却发现它无法准确提供我需要的答案。作为技术背景出身的人，遇到这类问题时，我的第一反应是如何优化大语言模型（LLM）。于是，在之后的时间里，我尝试了多种方法，例如利用自己的数据进行嵌入（embedding），构建专属知识库，还对模型进行了微调（fine-tune），以提升其能力，使其从一个通才转型为某个领域的专才。具体实践过程和成果，可参考我在视频号分享的内容。说实话，无论是采用嵌入式方法还是微调模型，都存在一定门槛。在数据准备、训练时间以及算力消耗等方面都需要付出一定成本。此外，如果数据量不足、质量不高，或者缺乏相关技巧，最终的效果可能并不理想。除了embedding和fine-tune之外，还有一种提升大语言模型能力的方式，即提示工程（PE）。这种方法门槛较低，时间和成本投入较少，非常适合非技术背景的普通用户使用。通过精心设计提示语，可以有效引导模型生成更符合需求的内容，是一种简单实用的优化手段。首先需要澄清几个概念：大家与大模型互动时，发送给模型的所有内容都叫提示词。大模型能否准确理解意图、妥善回答问题，很大程度上取决于提示词的质量。而撰写优质提示词则需要借助提示工程的技术。PE技术其实并不复杂深奥，它并非像编程语言那样晦涩难懂，而更像是一种与LLM交流的艺术。这就好比人与人之间的沟通，要想实现彼此理解、获得准确反馈并高效达成目标，就需要一定的技巧和方法。掌握PE技术，大多数人并不会感到吃力，但尽管如此，它仍然有一套系统化的理论体系。因此，若想熟练运用，还是需要投入一定时间去学习和研究的。查阅国内外资料后，我整理了PE相关的框架与技巧，现分享给大家。关于如何撰写Prompt，我的心得可以概括为：框架、技巧与迭代。首先，必须依据特定框架撰写Prompt，这个框架就像一套标准化的沟通流程。在此基础上，叠加一些优化技巧，这些技巧如同语言艺术，能提升表达效果。如果大型语言模型返回的结果不尽如人意，就需要通过调整策略反复尝试，逐步找到最理想的回应，这就是迭代的过程。其实，这和人际交流类似，当我们发现沟通效果不佳时，通常也会换个角度或方式重新表达，以期获得更好的理解与反馈。如今已总结出许多框架与方法论，例如不难发现，这些框架其实差异不大。如果依照它们的方法与大语言模型交流，通常会比随意对话获得更理想的结果。然而，在某些应用场景中，即便遵循这些框架，也可能无法得到满意答案。这时，可以在使用框架的基础上，结合更多技巧，进一步引导大语言模型生成更加精准的结果。

然而，在复杂推理或计算场景下，即使提供了示例，大模型的回答也可能不尽如人意。此时，可采用一种名为 Few-Shot COT（链式思维）的技巧，即在示例中加入思考与推理的过程，引导大模型按照类似的逻辑路径作答，展示的例子那样。这种方法有助于提升回答的质量和准确性。

即使在某些应用场景中，如果我们一时难以找到合适的例子，可以尝试使用零样本链式思维（Zero-Shot ChAIn-of-Thought, Zero-Shot COT）方法。这种方法无需提供具体示例，而是在提示语（prompt）的末尾添加一句引导性话语，例如：请详细说明你的思考过程。 这种方式能够有效激发模型生成更具逻辑性和推理性的答案。以一个简单的数学问题为例：假设有一只青蛙从井底往上跳，每天能跳5米，但晚上会滑下3米。如果这口井深20米，问青蛙需要多少天才能跳出井口？在设计提示语时，我们可以这样表述：请解决以下问题，并逐步阐述你的解题思路：一只青蛙每天向上跳跃5米，但每晚下滑3米。已知井深20米，请计算它需要几天才能完全跳出井口。通过这种方式，即使没有提供类似问题的样例，模型仍然可以通过逐步推理得出正确答案。首先，它会分析青蛙每天净上升的高度为2米（5米减去3米）。接着，它会注意到，在最后一天，当青蛙距离井口不足5米时，它可以直接跳出而不再下滑。因此，前15米需要7天完成（每天净增2米），第8天则可以直接跃出剩余的5米。这种零样本链式思维方法适用于多种复杂问题，尤其是在需要清晰展示逻辑推导步骤的情况下。例如，在解答逻辑谜题或处理开放性任务时，这种方法尤为有效。当然，实际效果还取决于提示语的设计是否足够清晰和具体。最后提醒大家，在进行Prompt工程时，还需同步关注几个影响最终结果的关键因素。这些因素同样重要，不容忽视。首先，要留意所用语言模型的版本，不同版本能力有差异。有时低版本无法提供理想结果，而高版本却可以。因此，遇到不满意的结果时，不妨优先尝试更高版本，或许能获得更佳答案。其次是LLM的几个关键设置，例如Temperature和Top p：使用时，只需更改这两个设置中的一个，而非同时改变两者。看完上述prompt的框架与技巧后，您是否觉得运用LLM生成高质量结果并非难事？掌握方法，一切皆有可能。实际上，并非每次都需要借助SFT、RLHF等方法重新训练模型，这往往耗时费力且成本高昂。随着大语言模型能力的不断提升，例如Agent在复杂任务处理上的强大表现，结合我们对提示工程技巧的掌握，普通人也能通过设计高效Prompt实现编程、开发应用、激发创意及提高工作效率的目标。这种方式让模型的应用更加便捷与经济。未来，Prompt Engineer 这一职业或许不会单独存在。因为每个人都需要成为 Prompt Engineer，掌握相关技术，随时与大语言模型互动。这种人机协作的方式，将成为我们生活和工作的常态。欢迎关注微信公众号，一起交流AI知识，探索科技奥秘。