提示工程 (Prompt Engineering)，也称为上下文提示，是一种通过不更新模型权重/参数来引导 LLM 行为朝着特定结果发展的方法。从回答问题到算术推理，提示工程可应用于各种领域。

理解提示工程，能够帮助我们了解大模型的限制和能力。本期澳鹏干货，一起走进提示工程 (Prompt Engineering)。

WHAT IS PROMPT  ENGINEERING————

什么是提示工程？

为了理解提示工程，先要理解什么是提示(Prompt)。

提示(Prompt)是指提供给生成式 AI 模型的输入文本或指令。它可以是一个问题、一句话、一段文字或者一个完整的段落，用来引导模型生成相应的回答或输出。提示(Prompt)的质量和准确性对于生成符合预期的模型结果非常重要。

提示工程 (Prompt Engineering)是指通过对提示的开发和优化，与 LLM 进行交互，以引导其产生所期望的结果，而无需对模型进行更新。

举一个简单的例子，当我们让模型“介绍一下中国新年”时，模型会回答：

如果我们想要编写一个针对小朋友的科普段落，那我们就需要进一步将指令内容细化，通过增加上下文信息，对输出的结果做进一步的规范：“在一本针对小学生的科普书中，我们需要一篇对中国新年起源的介绍，约为 200 字，要求文字通俗易懂”。

在上下文信息和输出结果的约束下，大模型返回的内容就变得更加确切：

提示工程让我们通过修改和规范提示来获得想要的结果，可以帮助研究人员提升大模型在处理复杂任务时的能力，比如问答和算术推理。

通过合理设计和使用提示工程，可以赋能大模型得到更加符合人们期待的结果，使其更好地适应各种任务和应用场景。

KEY TECHNIQUES FOR PROMPT ENGINEERING————

提示工程的重要技术？

提示(Prompt)通常包含以下要素：

指令

明确说明希望语言模型执行的特定任务。

上下文

提供额外的外部信息，以引导语言模型更好地理解和响应。

输入数据

包括用户输入的内容或问题，作为模型生成输出的依据。

输出指示

指定所期望的输出类型或格式。

提示工程 (Prompt Engineering)的重要技术包括：

零样本提示

在“中国新年”的例子中，我们一直使用的是零样本提示，即没有进行举例，只是对内容和结果进行描述。

少样本提示

在模型结果差强人意的时候，我们可以提出样本，作为“上下文提示”的一种方法，来规范大模型给出的结果。然而，对于需要多重推理的问题，如算术题和推理题，思维链提示就成为了非常重要的新技术。

思维链提示

思维链提示通过引入中间推理步骤，实现了对复杂推理能力的增强——通过描述一系列中间推理步骤，人工构建推理过程，使得大模型能够通过学习这些推理过程，在算数推理、常识推理、符号推理等任务中取得更理想的结果。

此外，提示工程的重要技术还包括：自我一致性，生成知识提示，思维树，检索增强生成，ReAct 框架等等。

PROMPT ENGINEERING WITH APPEN 

Better Prompt Engineering, 与澳鹏合作

作为拥有 26+年经验的人工智能数据服务商，澳鹏紧跟行业前沿，提供提示工程 (Prompt Engineering)相关的数据定制服务，包括指令标注、指令泛化、CoT 描述等，为高质量的大模型部署提供数据支持。

澳鹏思维链数据标注：针对给定的一段逻辑推理过程，分解出前提条件和结论，并论证逻辑的正确性。我们的标注工具提供针对原始文本的修改和打分机制，能够进一步解析每一段文本的细节属性。标注工具的标记内容适配各种不同的公式表达，可以在各种专业领域提供个性化的支持和扩展。

澳鹏 ReAct 标注：通过检查 ReAct 推理轨迹并做出少量手动编辑和标记，来替换推理轨迹中的错误输出。事实核查、上下文一致性检查，以及调整工具调用过程中的错误使用等，可帮助模型调整其行为，简洁高效地解决任务。我们内嵌的多模态编辑器可以对工具调用返回的 JSON 格式数据做结构化的展示。

澳鹏 ReAct 标注的工具定义悬浮窗口支持 1 万个以上的工具定义，帮助标注员快速查看和掌握工具的用途以及输入输出参数。

随着生成式 AI 的进一步发展，提示工程 (Prompt Engineering)的重要性将进一步增强，它通过精心设计的问题或提示，可以显著提高 AI 模型的性能。

未来，提示工程可能会包含更多人文关怀和道德考量。随着技术的不断进步，我们有理由相信，提示工程将成为未来 AI 和 NLP 领域的重要支柱。