Prompt Engneering(提示词工程)

大模型的目标是理解和生成人类语言。给定一些词语，语言模型可以预测下一个词语可能是什么，或者给定的一些词语生层对应内容。

那么如何引导它们产生期望的输出，或者说如何提问，就成为了一个关键的问题。这就引入了一个重要的概念，即"Prompt Engineering"，也就是提示工程。

什么是提示词（Prompt）？

如何向大语言模型提问，或者更好的提问，就是指提示词（Prompt）；提示词是给LLM（大语言模型）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。LLM会基于 prompt 所提供的信息，生成对应的内容从而获得符合预期的结果。

什么是提示工程（Prompt Engineering）：

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。通俗而言，是指如何在不更新模型权重的情况下与 LLM 进行沟通，以引导LLM的输出得到更有意义结果的方法。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。但是我们要知道，我们发给大模型的 prompt，不会改变大模型的参数。和大模型对话，不会让 ta 变聪明，或变笨。但对话历史数据，可能会被用去训练大模型。

学会提示工程，就像学用鼠标、键盘一样，是 AGI 时代的基本技能。

「Prompt」是 AGI 时代的「编程语言」
「Prompt 工程」是 AGI 时代的「软件工程」
「提示工程师」是 AGI时代的「程序员」

想让机器很好地理解人类说的话，还需要一个过程，因为人类的语言从根本上说是不精确的，这个过程可能3年，可能5年，但不会太长。即使过程不会太长，但提示工程依然是需要我们掌握的。

Prompt 的典型构成

角色：给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
指示：对任务进行描述
上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
例子：必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有很大帮助
输入：任务的输入信息；在提示词中明确的标识出输入
输出：输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）

类似下边例子，可以指定角色，给定描述，然后提出问题：
在这里插入图片描述

提示工程种类

随着提示工程的进步，可以分为三类：

Zero-shot：仅使用当前任务的自然语言描述，不进行任何梯度更新；
One-shot：当前任务的自然语言描述，加上一个简单的输入输出样例，不进行任何梯度更新；
Few-shot：当前任务的自然语言描述，加上几个简单的输入输出样例，不进行任何梯度更新；

chatGPT 的发展史，就是从 zero-shot 到 few-shot。

Zero-shot Learning

Zero-shot learning（零样本学习），零样本学习是指该模型可通过从未见过的类别进行分类，使机器具有推理能力，实现真正的智能。

从原理上来说，ZSL 就是让计算机模拟人类的推理方式，来识别从未见过的新事物。之所以独立出来，是因为它解决问题的思路不同于传统的机器学习方法。

首先通过一个例子来引入zero-shot的概念。假设小明和爸爸，到了动物园，看到了马，然后爸爸告诉他，这就是马；之后，又看到了老虎，告诉他：“看，这种身上有条纹的动物就是老虎。”；最后，又带他去看了熊猫，对他说：“你看这熊猫是黑白色的。”然后，爸爸给小明安排了一个任务，让他在动物园里找一种他从没见过的动物，叫斑马，并告诉了小明有关于斑马的信息：“斑马有着马的轮廓，身上有像老虎一样的条纹，而且它像熊猫一样是黑白色的。”最后，小明根据爸爸的提示，在动物园里找到了斑马。

上述例子中包含了一个人类的推理过程，就是利用过去的知识（马，老虎，熊猫和斑马的描述），在脑海中推理出新对象的具体形态，从而能对新对象进行辨认。（如图1所示）ZSL就是希望能够模仿人类的这个推理过程，使得计算机具有识别新事物的能力。
ZSL就是希望我们的模型能够对其从没见过的类别进行分类，让机器具有推理能力，实现真正的智能。其中零次（Zero-shot）是指对于要分类的类别对象，一次也不学习。