如果你在 2023 年听说过生成式人工智能（Generative AI），你一定也听说过提示工程（Prompt Engineering）。

通过快速的互联网搜索或质疑 GenAI 本身，人们可以轻松找到相关的定义、提示技术，例如 零样本、少样本、思维链、后退等。最简单的提示工程也可以是对 GenAI 进行深思熟虑的相关语言输入，以获得更好的结果。 然而，当我们谈论为企业注入 GenAI 并考虑收入、效率、生产力和声誉因素的生产应用场景时，它很快就会变得复杂。

在这里，我将分享它在现实中的样子（在弄脏我的手之后）以及我们为什么这样做。让咱们进入正题吧。

NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包

1、单输入场景

我决定将提示工程应用于 Web 分类测试目的，其中流程使用大型语言模型 (LLM) 来总结 Web URL 的内容，并将 URL 分类为相关类别，例如应用程序、学术、游戏、无、频道。 请注意，所有这一切都发生在实际应用程序部署之前 - 这是该案例中提示工程的全部要点。

图1

图 1 显示了在给定上下文中实现预期结果所需的所有流程。 让我详细解释一下。

提供的输入字符串是一个网址。 我使用 IBM Consulting Public Web URL，如下所示：

Python 文件 Fetch_text_content_from_url.py 包含从给定 Web URL 获取内容的代码。

然后我在流程中选择了LLM（已知的模式之一）。 在这里， summary_text_content（通过其 jinja 文件）做了两件事。 它带来了与所选LLM的联系。 在这里，我还提供了系统提示 “summarize the following text in one paragraph. Within 100 words. Do not add any information that is not in the text”。

它的输出如下所示：

Python 代码的进一步步骤 ( prepare_examples.py) 提供了一些 Web URL、内容、类别和证据的示例，用于建立 LLM 理解的关系。

然后，对于流程的下一步，我选择了相同的 LLM 进行分类步骤。  Classify_with_llm 步骤（通过其 jinja 文件）是生成 Web URL、持续时间和用于生成分类输出的标记的分类。 其输出如下所示：

此流程的最后一步是仅以文字形式生成分类输出。 这里的 Python 代码 ( convert_to_dict.py) 完成了所需的工作。 其输出如下所示：

结论：它准确地总结了 URL 内容，准确地提供了其分类为“无”（来自定义的类别）。 它提供的执行持续时间（性能）为 0.40682 秒，生成的令牌总数为 692。

2、多输入场景）

好的，如果手动执行，这就是事情变得复杂的地方。 如果我必须部署一个应用程序来汇总和分类（并预先测试）数百、数千或数万个 Web URL（甚至更多），该怎么办？ 我们可能需要几个月的时间，对吗？ 不对 ！

这就是批量运行发挥作用的地方。

在此示例中，我构建了一个包含 84 个 Web URL 的数据集。 我配置了相同的提示流程，但使用“使用我的数据批量运行”。

好奇看看，流运转是什么样子的？ 我知道那是什么感觉。 它看起来如下：

图2

很酷，耶！

好吧，但是我们为什么这么做呢？ 还记得原理吗？ 我们说过——准确性、性能（持续时间）和令牌数量。

这样，批量运行就成功完成了。 它生成了我需要的所有指标。 我可以在执行过程中实时监控它。 成功完成后，它创建了所需的输出、日志、指标、跟踪和代码快照（用于下载）。

输出：

它产生的输出如下所示。 它显示每个 URL 分析的状态（几页并且可以导出）。

日志：

它还生成如下所示的日志。 可以仔细检查上面输出中检测到的任何故障，以进行故障排除。 它可以很容易地下载。

痕迹：

它为每个被分析的 URL 生成每个步骤的跟踪（输出几个页面，可以轻松下载）。

评估指标：

它产生了我热切等待的指标，即准确性、性能（持续时间）和令牌计数，如下所示。

-> 准确度 = 0.58（越接近 1，越好）。

-> 性能（持续时间）= 12 分钟 6.39 秒（84 个网址）

-> 代币数量= 95010（与LLM平台成本有关）

作为下一步，我可以通过重新运行来优化数据集以实现更高的准确性（因为我分析了日志中的几个步骤失败），或者我可以尝试与选择的另一个 LLM 进行相同的操作，或者我可以克隆此提示，或者我可以 将此提示（或批处理作业）部署为端点，或者我可以通过重新运行相同的提示来进一步执行定制的评估。

---

原文链接：提示工程实战案例 - BimAnt