《面向初学者的prompt工程保姆教程》-基础篇

1.1 简介

1.1.1 什么是 Prompt Engineering？

解释这个词之前，首先需要解释 prompt 这个词。简单的理解它是给 AI 模型的指令。它可以是一个问题、一段文字描述，甚至可以是带有一堆参数的文字描述。AI 模型会基于 prompt 所提供的信息，生成对应的文本，亦或者图片。

比如我在文心一言里输入 <天上有几个太阳？> ，这个问题就是Prompt。

而 Prompt Engineering （中文意思为提示工程，后缩写为 PE）则是：

Prompt Engineering 是一种人工智能（AI）技术，它通过设计和改进 AI 的 prompt 来提高 AI 的表现。Prompt Engineering 的目标是创建高度有效和可控的 AI 系统，使其能够准确、可靠地执行特定任务。 因为人类的语言从根本上说是不精确的，目前机器还没法很好地理解人类说的话，所以才会出现 PE 这个技术。另外，受制于目前大语言模型 AI 的实现原理，部分逻辑运算问题，需要额外对 AI 进行提示。

另外，目前的 AI 产品还比较早期，因为各种原因，产品设置了很多限制，如果你想要绕过一些限制，或者更好地发挥 AI 的能力，也需要用到 Prompt Engineering 技术。这个我们在后续的章节会讲到。

所以，总的来说，Prompt Engineering 是一种重要的 AI 技术：

• 如果你是 AI 产品用户，可以通过这个技术，充分发挥 AI 产品的能力，获得更好的体验，从而提高工作效率。
• 如果你是产品设计师，或者研发人员，你可以通过它来设计和改进 AI 系统的提示，从而提高 AI 系统的性能和准确性，为用户带来更好的 AI 体验。

1.1.2 需要学习 PE 吗？

坦率说来，大家对 PE 有一些争议，

前面一节我们解释了 prompt 的各种好处。但也有人认为这个就像当年搜索工具刚出来的时候，出现了不少所谓的「搜索专家」，熟练使用各种搜索相关的奇技淫巧。但现在这些专家都不存在了。因为产品会不断迭代，变得更加易用，无需再使用这些技巧。

但综合我们对产品和用户的理解，以及各位大佬的看法，我们的理解是：

现在 AI 的发展还比较早期，了解和学习 PE 价值相对比较大，但长远来看可能会被淘汰。这个「长远」可能是 3 年，亦或者 1 年。

从用户的角度看，学习 prompt 可以让你更好地使用 ChatGPT 等产品。

从产品的角度看，对于用户来说，prompt 会是个短期过度形态，未来肯定会有更友好的交互形式，或者理解能力更强的 AI 产品。

1.2 基础用法

本章节会简单介绍下 prompt。我们说一下它的基础用法：

• 你只需要登录 文心一言 官网后，在输入框内输入问题，或者指令即可。AI 会根据你的指令，返回相应的内容，在后续的章节中，我们会介绍更详细的用法与技巧
• 另外，还有一个特别留意的，文心一言还支持多轮对话，比如当你问<中国的首都是什么？>，它回答<北京>，你可以接着问<那里居住了多少人>，你不需要在问题里重复北京这个词。文心一言知道那里指的就是北京。

1.3 基本原则 & 建议

在和文心一言对话时，亦或者在使用和设计 prompt 时，有以下几个原则与建议。记住这几个原则，能让你写出更好的 prompt。

1.3.1 建议使用最新的模型

如果是直接官网使用 文心一言，那无需在意这个原则。如果是通过 API 的方式使用，则建议先使用最新的模型测试。

1.3.2 Prompt 里最好包含完整的信息

这个是对结果影响最大的因素。比如如果你想让 AI 写一首关于 西施 的诗。当我们明确使用七言绝句时，就可以得到我们想要的七言绝句。

1.3.3 Prompt 最好简洁易懂，并减少歧义

比如我们应该尽量减少不要太多等这种无法定量的词汇，可以使用3至5句话，或不少于500字等这种定量的描述。

1.4 基本使用场景&使用技巧

1.4.1 问答问题

这个场景应该是使用 AI 产品最常见的方法。以 文心一言 为例，一般就是你提一个问题，文心一言 会给你答案，比如像这样：

在这个场景下，prompt 只要满足前面提到的基本原则，基本上就没有什么问题。但需要注意，不同的 AI 模型擅长的东西都不太一样，prompt 可能需要针对该模型进行微调。另外，目前的 AI 产品，也不是无所不能，有些问题你再怎么优化 prompt 它也没法回答你。

这种直接提问的 prompt ，我们称之为 Zero-shot prompt。模型基于一些通用的先验知识或模型在先前的训练中学习到的模式，对新的任务或领域进行推理和预测。你会在高级篇看到相关的介绍，以及更多有意思的使用方法。

1.4.2 基于示例回答

在某些场景下，我们能比较简单地向 AI 描述出什么能做，什么不能做。但有些场景，有些需求很难通过文字指令传递给 AI，即使描述出来了，AI 也不能很好地理解。

比如算一道数学题，先算乘法后算加法，需要给出过程。此时你就可以在 prompt里增加一些例子，我们看看这个例子。

这个是没有任何示例的 Prompt：

这个是给了样例之后的 Prompt，可以看到，符合我们预期的结果：

1.4.3 推理

在问答这个大场景下，还有一个子场景是推理，这个场景非常有意思，而且是个非常值得深挖的场景，prompt 在此场景里发挥的作用非常大。

举个比较简单的例子，将一个古典的鸡兔同笼问题输入到 文心一言 中，会得到这样的解答结果：

1.4.4 无中生有——写代码

除了回答问题外，另一个重要的场景是让 AI 根据你的要求完成一些内容生成任务，根据输出的结果差异，我将其概括为以下几个主要场景：

1.无中生有

2.锦上添花

3.化繁为简

本章，我们先来聊聊「无中生有」场景。顾名思义，就是让 AI 给你生成一些内容。你只需要向 AI 描述你想写的内容，AI 就会按你的要求写出该内容。比如：

1.撰写招聘信息

2.撰写电商平台的货物描述

3.撰写短视频脚本

4.甚至让它写代码都可以

像撰写招聘信息等，你只需要明确目标，将目标定得比较明确即可生成能让你较为满意的答案。本章我想聊下写代码。下面是一个让 文心一言 写代码的案例。

如下是让 文心一言 用python写一段将图片转为灰度图的代码，并在jupyter notebook中展示。

In [1]

from PIL import Image # 读取图片 img = Image.open(‘image.jpg’) # 将图片转换为灰度图像 gray_img = img.convert(‘L’) # 显示灰度图像 gray_img.show() # 保存灰度图像 gray_img.save(‘gray_image.jpg’)

<PIL.Image.Image image mode=L size=512×512 at 0x7F87D99DC250>

1.4.5 锦上添花——改写内容

除了从 0 生成内容外，你也可以先给 AI 一段已经写好的内容，然后让 AI 对其进行修改，让 AI 帮你将内容改得更好。实际的场景有如：

• 翻译：将中文文档翻译成英文，亦或者将英文翻译成中文。关于翻译，我还想强调，像 文心一言 除了能翻译人类的语言外，还能翻译编程语言，比如将 Python 代码翻译成 Haskell 代码。
• 修改：修改内容的语法，甄别内容里的错别字。
• 润色：润色文章，将内容改成另一种风格。

本章重点介绍下润色场景，下面这是个润色的例子。

技巧：增加角色或人物

我再介绍一个更有效的技巧，就是在 prompt 里增加一些 role（角色）相关的内容，让 AI 生成的内容更符合你的需求。

比如还是上面那个 rewrite 的例子，我在例子前加入这样的一段话，我让 AI 假设自己是一个小学老师，并且很擅长将复杂的内容转变成 7、8岁小朋友也能听懂的话，然后再改写这段话。就会得到下面这样的结果，话语变得更加活泼可爱了。

1.4.6 锦上添花——信息解释

锦上添花下的第二大的场景是信息解释。它跟改写内容有点像，但又不太一样，信息解释有可能提供超过原文内容的信息。

举几个信息解释的例子，大家应该就能理解了：

• 解释代码：比如你看到一段 Python 的代码，但你看不懂，你可以让 AI 解释下代码的含义。
• 解释论文：看某篇论文看不懂，或者论文里的某一段看不懂，你也可以让 AI 解释。

以解释代码为例，它阐述了这段代码是拿来干什么的，同时还阐述了各个参数的含义。

1.4.7 化繁为简——信息总结

内容生成大场景下的第二个场景是化繁为简，这个场景其实很好理解，就是将复杂的内容，转为简单的内容，一般常遇到的场景有：

• 信息总结：顾名思义，就是对一堆信息进行总结。
• 信息解释：这个跟改写内容有点像，但这个更偏向于解释与总结。下一章会给大家介绍更多的例子。
• 信息提取：提取信息里的某一段内容，比如从一大段文字中，找到关键内容，并分类。

本章会讲一下信息总结。信息总结还是比较简单的，基本上在 prompt 里加入总结 summarize 就可以了。但如果你想要一些特别的效果，不妨组合使用之前介绍的技巧，比如：

• 增加总结示例，让 AI 总结符合你需求的内容
• 增加 role，让 AI 总结的内容具有一定的风格

不过在这个场景，还有个技巧需要各位注意——使用 ”“” 符号将指令和需要处理的文本分开。不管是信息总结，还是信息提取，你一定会输入大段文字，甚至多段文字，此时有个小技巧。可以用 “”“ 将指令和文本分开。根据我的测试，如果你的文本有多段，增加 ”“” 会提升 AI 反馈的准确性。像我们之前写的 prompt 就属于 Less effective prompt。为什么呢？据我的测试，主要还是 AI 不知道什么是指令，什么是待处理的内容，用符号分隔开来会更利于 AI 区分。

1.4.8 化繁为简——信息提取

介绍完信息总结，再聊聊信息提取，我认为这个场景是继场景3推理以外，第二个值得深挖的场景。这个场景有非常多的有意思的场景，比如：

• 将一大段文字，甚至网页里的内容，按要求转为一个表格。按照这个思路你可以尝试做一个更智能的，更易懂的爬虫插件。
• 按照特定格式对文章内容进行信息归类。

第二个可能比较难理解，举个 文心一言 里的例子，它的 prompt 是这样的