现在，我们已经进入了人工智能辅助工作的时代!毫不讳言，如果您还没有用过AI自然语言大模型(LLM)，那么你就落伍了!
能用好大模型的人会越来越多!关键就是提示工程，即Prompt Engineering，已经席卷了生成式AI世界。
提示工程被称为一项关键技能。这项工作需要优化文本输入，以有效地与大型语言模型进行交流，被世界经济论坛誉为“未来工作”的头号工作，而Open AI首席执行官Sam Altman将其描述为“惊人的高杠杆技能”。
对提示的熟练操作正在重塑与生成式人工智能驱动的数字服务如搜索引擎、虚拟助手、客户支持机器人和内容推荐系统)的交互。
1.神奇的提示，需要创造力和对细节的关注
提示工程，也称为提示设计，是一个需要创造力和对细节的关注的新兴领域。它涉及选择正确的单词、短语、符号和格式，以指导模型生成高质量和相关的文本。
如果您已经尝试过ChatGPT，您可以看到模型的行为如何根据您提供的输入发生巨大变化。
例如，以下提示会生成截然不同的输出：
提示：Please give me the history of humans.
提示：Please give me the history of humans in 3 sentences.
第一个提示生成长报告，而第二个提示生成简洁的响应。如果您正在构建空间有限的UI，则第二个提示将更适合您的需求。通过向提示添加更多细节，可以实现进一步优化的行为，但可能会走得太远并产生不相关的输出。
显然为生成式AI技术制作结构良好的提示，可以帮助用户接收精确且相关的信息，减少交互时间并提高任务效率。结构化提示使用户感到被理解，简化了与人工智能的交互，并增加了可访问性，特别是对于那些不太精通技术的人。
提示工程在塑造用户与人工智能之间的交互方面发挥着至关重要的作用，以多种方式为人工智能的技术发展做出了重大贡献。例如，它提高了AI训练的数据质量，因为用户学会了更有效地与AI交互，从而提供更高质量的输入。这种反馈循环增强了人工智能的理解和反应。
每一个人要想成为一名提示工程师，就必须在特异性和相关性之间找到适当的平衡。
小结一下提示工程的一些好处：
第一，更强的开发人员控制力。通过提示工程，开发人员能够更好地控制用户与 AI 的互动。有效的提示可以为大型语言模型提供意图并建立上下文。可以帮助 AI 完善输出，并以所需的格式简洁地呈现出来。
第二，改善用户体验。用户可以避免反复试验，同时仍然可以通过 AI 工具获得连贯、准确和相关的响应。
第三，更高的灵活性。更高的抽象级别可以改进 AI 模型，并允许组织大规模创建更灵活的工具。提示工程师可以通过与域无关的指令创建提示，突出显示逻辑链接和广泛模式。组织可以在整个企业中快速重复使用这些提示，以扩大其 AI 投资。
2.Prompt Engineering，新职业需要新技能
提示工程是一个动态且不断发展的领域，熟练的提示工程师在有效利用 LLM AI 模型的能力方面发挥着至关重要的作用。
提示工程是一个动态且不断演变的领域。需要通过语言技能和创造性表达来微调提示，并从生成式人工智能工具中获得所需的响应。
作为职业，Prompt Engineering 提示工程是一条快速发展的职业道路，为那些对自然语言处理有深刻理解和创造性思维的人提供了令人兴奋的机会。随着人工智能和自然语言处理技术在各行各业日益普及，对能够设计有效提示并完善其输出的熟练提示工程师的需求预计将增加。
该领域要求工程师了解正在处理的任务或应用程序，对正在使用的语言模型有深刻的理解，并能够制作提示，提供必要的上下文以生成准确和多样化的输出。
随着公司越来越多地使用语言模型来寻找用户友好的解决方案，该领域对透明度和责任感的需求将会增加，这使得经验丰富的提示工程师更有价值。随着AI和ML的兴起，提示工程将成为未来的首选职业选择之一。
我们正处于人工智能新时代的边缘，ChatGPT 等最先进的工具正在引领该领域的发展。人工智能进一步发展的可能性是无穷无尽的，围绕它的热情是显而易见的。对于那些渴望成为人工智能创新前沿的人来说，快速工程是加入人工智能世界进步浪潮的关键。
小结：一些提示工程师用来改进 AI 模型自然语言处理(NLP)任务的技术示例。
思维链提示，将复杂的问题分解为模仿思路的较小的、合乎逻辑的部分的技术，有助于模型通过一系列中间步骤解决问题，而不是直接回答问题，增强了其推理能力。
思维树提示。思维树技术是对思维链提示的泛化。思维树提示会提示模型生成一个或多个可能的后续步骤。然后使用树搜索方法对每个可能的下一步运行模型。
如如果问题是“气候变化的影响是什么?”，该模型可能会首先生成可能的后续步骤，如“列出环境影响 ”和“列出社会影响”。然后，在后续步骤中详细说明其中每一项。
启发式提示。启发式提示类似于思想树提示。提示模型回答问题并提供解释，然后提示模式对部分解释内容再进行解释。不一致的解释树会被修剪或丢弃，提高了复杂常识性推理的性能。
例如，如果问题是“为什么天空是蓝色的?”，模型可能会首先回答“人类眼中看到的天空是蓝色的，因为短波蓝光会被地球大气层中的气体和颗粒散射到各个方向。” 然后可能会扩展这种解释的部分内容，如为什么蓝光比其他颜色散射得更多，以及地球大气层是由什么组成的。
基于复杂性的提示。这种提示工程技术涉及执行展开几条思维链。选择展开长度最长的思维链，然后选择最常得出的结论。
例如，如果问题是一个复杂的数学问题，则模型可能会展开多条思维链，每条都涉及多个计算步骤。考虑展开长度最长(在本例中，即计算步骤最多)的思维链。与其他思维链结论相同的思维链将被选为最终答案。
生成式知识提示。此技术需要提示模型首先生成补全提示所需的相关事实。然后继续补全提示。这通常会导致更高的完成质量，因为模型以相关事实为条件。
例如，假设用户提示模型写一篇关于森林砍伐影响的文章。该模型可能首先得出诸如“森林砍伐会导致气候变化”和“森林砍伐会导致生物多样性丧失”之类的事实。然后将在文章中详细阐释每个要点。
由易至难提示。提示模型首先列出问题的子问题，然后按顺序逐一解决，确保可以借助先前子问题的答案解决后面的子问题。
例如，假设用户使用数学问题提示模型，例如“求解方程 2x + 3 = 11 中的 x”。模型可能首先将子问题列为“从两边减去 3”和“除以 2”。然后会按顺序求解以获得最终答案。
自我完善提示。在这种技术中，提示模型解决问题，评论其解决方案，然后综合考虑问题、解决方案和评论以解决问题。问题解决过程会重复，直到达到预先确定的停止理由。例如，可能耗尽代币或时间，或者模型可能会输出停止令牌。
例如，假设用户提示模型“写一篇关于文学的短文”。模型可能会起草一篇文章，评论文章缺乏具体的例子，然后重写文章以包括具体的例子。此过程将重复，直到短文被认为令人满意或满足停止条件。
定向刺激提示。这种提示工程技术包括提示或线索，例如所需的关键字，用于引导语言模型提供所需的输出。
例如，如果提示是写一首关于爱情的诗，那么提示工程师可能会创建包括“心”、“激情”和“永恒”在内的提示。可以提示模型“写一首关于爱情的诗，里面有“心”、“激情”和“永恒”这几个词。这将引导模型用这些关键字创作一首诗。
3.未来，提示工程对每个领域都至关重要的“高杠杆”
提示工程在人工智能的技术发展中起着至关重要的作用。在商业环境中，及时的提示工程为决策、客户服务和战略规划提供了细致入微的见解。教育工作者和学生可以利用提示工程来创建个性化的教育内容，丰富学习体验。
提示工程不仅增强了当前人工智能系统的用户友好性和效率，而且还通过不断改进和更广泛的理解推动了人工智能的发展，使其能够进入和适用于各个领域和更广泛的受众。它还使人工智能民主化，随着越来越多的人精通快速工程，人工智能变得更容易获得， 使更广泛的受众受益，并推动其在各种应用中的采用。
随着人工智能越来越融入日常生活，快速工程有望发生转变，影响消费者行为、业务运营和治理。
生成式人工智能增强的语言理解将简化交互，减少对复杂提示制作的需求，并增强用户友好性。这将导致更多的个性化和量身定制的响应，减少对细致及时构建的需求。
生成式人工智能的可访问性将通过用户友好的工具得到改进，可能会提供图形界面和提示建议，以迎合不精通技术的个人。提示工程也可能成为数字素养和教育的一个组成部分，与增强现实(AR)和物联网(IoT)等新兴技术相结合，以提升人工智能体验。
自动化将发挥重要作用，自动执行常规的提示工程任务，生成式AI建议提示或优化用户输入。然而，当人工智能从用户交互中学习时，可能会出现道德和隐私问题，从而影响个性化体验和数据隐私之间的平衡。
生成式人工智能不断扩展的能力将使消费者能够进行创造性追求和解决复杂问题，从而推动创新。有效的提示工程也将影响企业，通过人工智能自动化降低成本和提高生产力。该行业还可能见证对监管和标准化的推动，以确保跨 AI 平台的快速工程一致性。
不过哈佛商业评论认为，由于多种原因，快速工程的突出地位可能转瞬即逝。首先，未来几代人工智能系统将变得更加直观和善于理解自然语言，从而减少对精心设计的提示的需求。其次，像 GPT4 这样的新 AI 语言模型已经在制作提示方面显示出巨大的前景——AI 本身正处于使提示工程过时的边缘。最后，提示的有效性取决于特定的算法，限制了它们在不同 AI 模型和版本中的实用性。
那么，什么是更持久、适应性更强的技能，能够让我们继续利用生成式人工智能的潜力呢?它是问题表述——识别、分析和描述问题的能力。
问题表述和提示工程在重点、核心任务和潜在能力方面有所不同。提示工程侧重于通过选择适当的单词、短语、句子结构和标点符号来制作最佳文本输入。
相比之下，问题表述强调通过划定问题的重点、范围和边界来定义问题。快速工程需要牢牢掌握特定的人工智能工具和语言能力，而问题表述需要对问题领域有全面的了解和提炼现实世界问题的能力。
事实是，如果没有一个精心设计的问题，即使是最复杂的提示也会达不到要求。然而，一旦明确定义了问题，提示的语言学细微差别就变得与解决方案无关。
不幸的是，对于我们大多数人来说，问题表述是一项被广泛忽视和不发达的技能。原因之一是过分强调解决问题，而牺牲了表述。这种不平衡也许可以用一句流行但被误导的管理格言来最好地说明，“不要给我带来问题，给我带来解决方案。因此，看到最近的一项调查显示，85%的高管认为他们的组织不善于诊断问题也就不足为奇了。
你怎样才能在问题表述方面做得更好?通过综合过去对问题表述和工作设计的研究的见解，以及我自己在众包平台上的经验和研究——在众包平台上，组织挑战经常被阐明并向大量受众开放——我确定了有效问题表述的四个关键组成部分：问题诊断、分解、重构和约束设计。
参考资料：
·https://learn.microsoft.com/en-us/semantic-kernel/prompt-engineering/
·https://aws.amazon.com/cn/what-is/prompt-engineering/
·https://hbr.org/2023/06/ai-prompt-engineering-isnt-the-future
·https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-prompt-engineering
·https://mpost.io/future-of-generative-ai-hinges-on-efficient-prompt-engineering-says-turings-director-of-engineering/
点击添加我！
END
