6张图掌握提示词工程师工作范围与工作技巧(提示词原理篇)

在人工智能的疆域中，提示词工程师扮演着至关重要的角色。他们精心设计的话语，是引导AI模型理解人类需求、激发创造力的关键。如同指挥官的号令，提示词工程师的每一个提问，都让AI的潜力得到释放，让技术与智慧的对话更加精准、高效。

1、什么是提示工程

提示工程（Prompt Engineering）是人工智能领域中一个重要的实践，特别是在自然语言处理（NLP）和大型语言模型（LLMs）的应用中。它涉及到设计和优化输入提示（prompts），以引导AI模型生成预期的输出或行为。这些提示是用户与AI系统交互时提供的指令或问题，目的是激发AI模型提供有用、准确和相关的回答。

提示工程也叫「指令工程」

  • Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等。
    • 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」
  • 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。
  • 现在提示工程也是「门槛低，落地难」，所以有人戏称 prompt 为「咒语」。
  • 但专门的「提示工程师」不会长久，因为每个人都要会「提示工程」，A1 的进化也会让提示工程越来越简单
1.2、提示工程的关键要素包括：
  1. 明确的目标：在设计提示之前，需要明确你希望AI模型完成的任务或目标。
  2. 清晰的指令：提示应该清晰、具体，避免模糊或多义性，以减少模型产生不相关回答的风险。
  3. 适当的上下文：提供足够的背景信息或上下文，帮助模型理解问题的具体情况和需求。
  4. 引导性问题：有时候，通过提出引导性问题，可以激发模型提供更深入或更详细的回答。
  5. 避免偏见：设计提示时要避免可能引入偏见的语言，确保AI模型的输出公正无偏。
  6. 测试和迭代：不断测试不同的提示，观察模型的响应，并根据结果进行调整和优化。
  7. 创造性：在艺术创作、写作或其他创意任务中，创造性地设计提示可以激发模型产生新颖和有趣的输出。
  8. 安全性和合规性：确保提示不会导致AI模型生成有害、不当或违法的内容。
1.3、提示工程的应用场景：
  • 自动内容生成：在写作、广告、社交媒体等领域自动生成文本内容。
  • 客户服务：在聊天机器人和虚拟助手中提供更自然和准确的对话体验。
  • 教育和培训：设计问题和场景，帮助学生或员工学习和练习特定技能。
  • 数据分析：引导模型提供对复杂数据集的洞察和解释。
  • 艺术创作：在音乐、绘画、写作等领域探索AI的创造性潜力。

2、提示词工作流程

在这里插入图片描述

流程解释：

  • 用户/开发者定义目标和需求：确定AIGC的目的和预期结果。
  • 设计提示词：根据目标和需求，设计包含明确目标、清晰指令和适当上下文的提示词。
  • 模型理解提示词：AI模型接收提示词，通过自然语言处理技术理解语言和意图。
  • 生成内容：模型根据理解的提示词生成内容，这可能包括文本、图像、音频等。
  • 迭代和调整：AI模型可能需要多次迭代和调整，以优化生成的内容。
  • 输出最终内容：经过迭代和调整后，AI模型输出最终的AIGC。
  • 用户/开发者评估和使用：用户或开发者评估生成的内容，并将其用于实际应用。
  • 输出AIGC：最终的AIGC产品，如文章、图像、音乐等，被输出并提供给用户。

3、大模型提示词工作原理

在这里插入图片描述

流程解释：

  1. 提示词输入：用户或开发者提供给AI模型的输入，用于引导模型生成特定的输出。
  2. 模型接收提示词：AI模型接收到提示词，并开始处理。
  3. 模型处理：模型对提示词进行一系列的内部处理步骤。
    • 自然语言处理：解析语言结构，识别语法和词汇。
    • 确定用户意图：理解用户想要模型执行的具体任务。
    • 分析上下文信息：考虑提示词中的上下文信息，以更好地理解用户的需求。
  4. 生成中间表示：模型将处理后的信息转换为内部表示，用于后续的搜索和推理。
  5. 知识库搜索：模型在内部知识库中搜索相关信息，以生成响应。
  6. 生成响应：基于搜索结果和中间表示，模型开始构建响应。
  7. 优化和调整：模型可能对生成的响应进行优化和调整，以确保质量和准确性。
  8. 输出最终结果：模型完成所有处理后，输出最终的响应或内容。
  9. 用户反馈：用户接收到输出结果，并可能提供反馈，这可以用于未来的模型训练和优化。

4、模型优化与调整环节

在这里插入图片描述

流程解释：

  1. 接收生成的响应：模型生成的初步响应被送入优化和调整阶段。
  2. 评估质量：对生成的响应进行质量评估，判断其是否满足预设标准。
  3. 输出最终结果：如果响应质量高，直接输出为最终结果。
  4. 识别问题所在：如果响应质量低，需要识别问题的原因。
  5. 调整模型参数：根据问题，调整模型的内部参数或算法设置。
  6. 改进提示词设计：优化提示词，使其更加清晰、具体，以引导模型生成更好的响应。
  7. 增加/优化训练数据：扩充或改进模型的训练数据，以提高其理解和生成能力。
  8. 重新生成响应：在调整后，模型再次尝试生成响应。
  9. 用户反馈：用户对输出结果提供反馈。
  10. 记录成功案例：如果用户反馈正面，记录此次成功的案例以供未来参考。
  11. 收集反馈信息：如果用户反馈负面，收集具体反馈信息。
  12. 分析反馈以优化模型：分析用户反馈，确定进一步的优化方向。

5、 调整模型参数方式

在这里插入图片描述

流程解释：

  1. 开始调整：识别需要调整模型的信号，例如性能下降或需要优化。
  2. 识别性能问题：分析模型的表现，确定性能不佳的具体方面。
  3. 选择参数：根据问题选择需要调整的参数，可能包括学习率、网络结构、正则化系数等。
  4. 调整学习率/网络结构/正则化系数/其他参数：对选定的参数进行具体的调整。
  5. 重新训练模型：使用新的参数设置重新训练模型。
  6. 评估模型性能：在验证集上测试调整后的模型，评估性能是否有所提升。
  7. 性能满意吗? ：判断模型的性能是否达到了预期目标。
  8. 部署模型：如果性能满意，将模型部署到生产环境。
  9. 监控模型表现：在模型部署后，持续监控其表现。
  10. 需要进一步优化? ：根据监控结果判断是否需要进一步优化。
  11. 结束调整：如果模型表现稳定且满意，结束调整流程。
5.1 如何在AI模型中调整参数
5.1.1. 确定需要调整的参数
  • 分析问题：首先，分析模型性能不佳的原因，确定是哪个参数或哪组参数可能导致了问题。
  • 参数选择：选择需要调整的参数，这些参数可能包括学习率、正则化系数、网络层数、神经元数量等。
5.1.2. 设定调整策略
  • 调整方向：决定是增加还是减少参数值，或者是否需要完全重新设置参数。
  • 调整幅度：确定调整的幅度，这通常需要基于经验和实验来进行。
5.1.3. 进行实验
  • 实验设计：设计一组实验，系统地变化参数值，以观察不同参数设置下模型的性能。
  • A/B 测试：在模型的两个版本之间进行比较，一个版本使用旧参数，另一个版本使用新参数。
5.1.4. 监控性能变化
  • 性能评估：使用验证集或交叉验证方法来评估模型在不同参数设置下的性能。
  • 记录结果：记录每次参数调整后的性能变化，以便于分析和比较。
5.1.5. 应用机器学习技术
  • 超参数优化：使用网格搜索、随机搜索或贝叶斯优化等技术来自动寻找最优参数组合。
  • 自动化调整：可以使用自动化机器学习（AutoML）工具来帮助寻找最佳参数。
5.1.6. 迭代调整
  • 迭代过程：根据实验结果，不断迭代调整参数，直到达到满意的性能为止。
  • 验证和测试：在每次调整后，使用测试集验证模型性能，确保模型没有过拟合。
5.1.7. 考虑模型的泛化能力
  • 泛化测试：确保模型在新的、未见过的数据上也能表现良好。
  • 避免过拟合：通过正则化技术或增加数据集的多样性来提高模型的泛化能力。
5.1.8. 文档记录
  • 记录调整：记录所有参数调整的细节，包括调整的参数、调整的值和调整后的性能变化。
  • 版本控制：保持模型的不同版本，以便可以回溯和比较。
5.1.9. 部署更新
  • 部署模型：一旦找到最优参数，将模型部署到生产环境中。
  • 监控：在模型部署后，继续监控其性能，确保稳定性。

6、优化模型数据方式

在这里插入图片描述

流程解释：

  1. 开始优化数据：启动数据优化流程，以提高模型性能。
  2. 评估当前数据集：分析现有训练数据集的质量和覆盖范围。
  3. 是否满足需求? ：判断当前数据集是否满足模型训练的需求。
  4. 识别数据缺口：如果数据不满足需求，识别缺少的数据类型或领域。
  5. 收集新数据：根据识别的缺口，收集新的数据，这可能包括文本、图像、音频等。
  6. 清洗和预处理数据：对新收集的数据进行清洗，去除噪声和不相关的信息，进行必要的预处理。
  7. 标注和增强数据：对数据进行标注，如分类、标记等，并可能进行数据增强，以提高模型的泛化能力。
  8. 整合到训练集：将处理后的数据整合到现有的训练集中。
  9. 重新训练模型：使用更新后的训练集重新训练模型。
  10. 评估模型性能：评估重新训练后的模型性能，确定是否有所提升。
  11. 性能满意吗? ：判断模型性能是否达到预期。
  12. 监控模型表现：在模型部署后，持续监控其表现。
  13. 持续优化? ：根据模型表现和业务需求，决定是否需要继续优化数据。
  14. 结束优化：如果模型表现稳定且满意，结束数据优化流程。

7、大模型构建应用的4个阶段

在这里插入图片描述

8、Prompt典型构成

提示词的构成的格式，以确保与AI模型的交互既清晰又高效。以下是一个表格，展示了提示词的典型构成要素及其描述：

构成要素描述
任务说明描述AI模型需要完成的任务或目标。
指令提供具体的操作步骤或行为要求。
输入数据提供给模型处理或分析的数据和信息。
示例提供与任务相关的示例，帮助模型理解预期输出。
格式说明指定输出的格式要求，如列表、段落、表格、摘要等。
约束条件列出完成任务时需要遵守的限制，如字数、风格、内容限制等。
上下文信息提供背景信息，帮助模型更好地理解任务的上下文。
澄清请求如果需要模型在输出中包含澄清或解释，应在提示中明确指出。
风格和语调指定输出的风格和语调，如正式、幽默、友好、技术性等。
结束指示指示模型在何时结束其输出，例如使用特定的结束词或标记。

使用这个构成要素表格可以帮助你系统地设计提示词，从而提高与AI模型交互的效果。例如，如果你需要AI模型为你写一封正式的商务邮件，你的提示词可以是：

任务说明：写一封商务邮件
指令：介绍新产品并邀请客户参加产品发布会
输入数据：产品名称、发布会日期和地点
格式说明：正式邮件格式
约束条件：不超过300字
上下文信息：目标客户群体是中小企业业主
风格和语调：专业、礼貌
结束指示：邮件结束时提供一个联系方式

这样的提示词可以帮助AI模型理解你的具体需求，并生成符合要求的输出。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/879921.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

群晖NAS使用Docker本地部署网页版Ubuntu系统并实现无公网IP远程访问

群晖NAS使用Docker本地部署网页版Ubuntu系统并实现无公网IP远程访问

文章目录 前言1. 下载Docker-Webtop镜像2. 运行Docker-Webtop镜像3. 本地访问网页版Linux系统4. 群晖NAS安装Cpolar工具5. 配置异地访问Linux系统6. 异地远程访问Linux系统7. 固定异地访问的公网地址 前言 本文旨在详细介绍如何在群晖NAS部署docker-webtop，并结合c…
阅读更多...
电力电塔电线缺陷检测数据集 voc yolo

电力电塔电线缺陷检测数据集 voc yolo

电力 电塔电线缺陷检测数据集 10000张 带标注 voc yolo 电力电塔电线缺陷检测数据集 数据集描述 该数据集旨在用于电力电塔和电线的缺陷检测任务，涵盖多种常见的缺陷类型。数据集包含了大量的图像及其对应的标注信息，可用于训练计算机视觉模型&#x…
阅读更多...
Linux：进程（一）

Linux：进程（一）

目录 一、概念的理解 二、指令操作 一、概念的理解 在许多地方对进程的定义都是这样的一句话：加载到内存中的程序、正在运行的程序、进程可以排队 而要真正理解进程是什么，这一句话的解释远远不够。 在定义进程之前，先来理解程序&#xff0…
阅读更多...
21、Tomato

21、Tomato

难度 低(个人认为中) 目标 root权限 一个flag 使用VMware启动 kali 192.168.152.56 靶机 192.168.152.66 信息收集 端口信息收集 可以看到有个ftp服务，2211实际是ssh协议端口，80、8888是一个web服务 web测试 80端口显示一个tomato 查看源码给了一些…
阅读更多...
MATLAB系列06：复数数据、字符数据和附加画图类

MATLAB系列06：复数数据、字符数据和附加画图类

MATLAB系列06：复数数据、字符数据和附加画图类 6. 复数数据、字符数据和附加画图类6.1 复数数据6.1.1 复变量（ complex variables）6.1.2 带有关系运算符的复数的应用6.1.3 复函数（ complex function）6.1.4 复数数据的作…
阅读更多...
【FPGA】编程方式

【FPGA】编程方式

FPGA编程方式 1 什么是PLD？2 什么是颗粒度？3 可编程逻辑器件的编程方式有哪些？3.1 SRAM 编程技术3.2 Flash/EEPROM 编程技术3.3 反熔丝编程技术3.4 编程技术比较 参考资料 1 什么是PLD？ 可编程逻辑器件 英文全称为：pr…
阅读更多...
SpringBoot 数据库表结构文档生成

SpringBoot 数据库表结构文档生成

官方地址&#xff1a;https://github.com/pingfangushi/screw screw 螺丝钉&#xff0c;支持以下数据库 MySQL MariaDB TIDB Oracle SqlServer PostgreSQL Cache DB&#xff08;2016&#xff09; 生产文档支持 html word markdown 开始 添加依赖 <!-- 螺丝钉 --><…
阅读更多...
c语言面试字符串复制

c语言面试字符串复制

1&#xff0c;下面这个函数的打印是什么&#xff1a; #include<stdio.h> #include<string.h>int main() {char str0[5], str1[] "welcome";strcpy(str0, str1);printf("str0:%s\r\n",str0);printf("str1:%s\r\n",str1); } larkla…
阅读更多...
nginx实现https安全访问的详细配置过程

nginx实现https安全访问的详细配置过程

文章目录 前言什么是 HTTP&#xff1f;什么是 HTTPS&#xff1f;HTTP 和 HTTPS 的区别为什么 HTTPS 被称为安全的&#xff1f;配置过程配置自签名证书 前言 首先我们来简单了解一下什么是http和https以及他们的区别所在. 什么是 HTTP&#xff1f; HTTP&#xff0c;全称为“超…
阅读更多...
notepad++的json查看

notepad++的json查看

json文件查看 因为接触到3dtile模型&#xff0c;所以经常需要和json打交道&#xff0c;但是很多模型是下面这种情况&#xff0c;不好阅读&#xff0c;所以可以使用notepad的插件查看 正常打开是这样的 加载notepad插件 搜索json下载安装就可以了 如果网络抽象&#xff0c;下载…
阅读更多...
Hive企业级调优[3]—— Explain 查看执行计划

Hive企业级调优[3]—— Explain 查看执行计划

Explain 查看执行计划 Explain 执行计划概述 EXPLAIN 命令呈现的执行计划由一系列 Stage 组成。这些 Stage 之间存在依赖关系&#xff0c;每一个 Stage 可能对应一个 MapReduce Job 或者一个文件系统的操作等。如果某 Stage 对应了一个 MapReduce Job&#xff0c;则该 Job 在 …
阅读更多...
Apache James配置连接达梦数据库

Apache James配置连接达梦数据库

项目场景&#xff1a; Apache James配置连接达梦数据库&#xff0c;其他配置中不存在的数据库也可参考此方案。 配置步骤 1、把需要的jar包导入到James 把DmJdbcDriver18.jar复制到下面lib目录下 james-2.3.2\lib 2、 修改连接配置 james-2.3.2\apps\james\SAR-INF\confi…
阅读更多...
C# 技巧在 foreach 循环中巧妙获取索引

C# 技巧在 foreach 循环中巧妙获取索引

目录 前言 使用 LINQ 和扩展方法 直接在 LINQ 查询中使用 使用 LINQ 的 Select() 与 Enumerable.Range() 总结 最后 前言 在C#中foreach 循环是处理集合的常见方式&#xff0c;因其简洁性和易读性而广受青睐。 但是在某些情况下&#xff0c;我们需要同时获取集合中元素的…
阅读更多...
[深度学习]神经网络

[深度学习]神经网络

1 人工神经网络 全连接神经网络 2 激活函数 隐藏层激活函数由人决定输出层激活函数由解决的任务决定： 二分类：sigmoid多分类：softmax回归：不加激活（恒等激活identify）2.1 sigmoid激活函数 x为加权和小于-6或者大于6，梯度接近于0，会出现梯度消失的问题即使取值 [-6,6] ，…
阅读更多...
头戴式蓝牙耳机性价比高的有哪些？四款高能性价比机型对比推荐

头戴式蓝牙耳机性价比高的有哪些？四款高能性价比机型对比推荐

在当今科技日新月异的时代&#xff0c;头戴式蓝牙耳机已经成为了我们日常生活中不可或缺的一部分&#xff0c;无论是通勤路上、健身房内还是家中休闲时&#xff0c;一副优质的头戴式蓝牙耳机都能为我们带来沉浸式的听觉体验&#xff0c;那么头戴式蓝牙耳机性价比高的有哪些&…
阅读更多...
模版结构体没有可用成员（C3203）

模版结构体没有可用成员（C3203）

没有typedef模版结构体而导致。 并且_tables[index]无法访问HashData内部的成员。
阅读更多...
Windows系统使用PHPStudy搭建Cloudreve私有云盘公网环境远程访问

Windows系统使用PHPStudy搭建Cloudreve私有云盘公网环境远程访问

文章目录 1、前言2、本地网站搭建2.1 环境使用2.2 支持组件选择2.3 网页安装2.4 测试和使用2.5 问题解决 3、本地网页发布3.1 cpolar云端设置3.2 cpolar本地设置 4、公网访问测试5、结语 1、前言 自云存储概念兴起已经有段时间了&#xff0c;各互联网大厂也纷纷加入战局&#…
阅读更多...
Vue(13)——router-link

Vue(13)——router-link

router-link vue-router提供了一个全局组件router-link(取代a标签) 能跳转&#xff0c;配置to属性指定路径&#xff08;必须&#xff09;。本质还是a标签。默认会提供高亮类名&#xff0c;可以直接设置高亮样式 右键检查&#xff0c;发现多了两个类&#xff1a; 可以直接写样式…
阅读更多...
【Python】探索 Errbot：多功能聊天机器人框架

【Python】探索 Errbot：多功能聊天机器人框架

不是旅行治愈了你&#xff0c;是你在路上放过了自己。 在当今的数字化时代&#xff0c;聊天机器人已成为企业与客户互动、提升工作效率和增加乐趣的重要工具。Errbot是一个高度可扩展的聊天机器人框架&#xff0c;它允许开发者使用Python轻松创建和定制机器人。本文将介绍Errb…
阅读更多...
大型语言模型 (LLM) 劫持攻击不断升级，导致每天损失超过 100,000 美元

大型语言模型 (LLM) 劫持攻击不断升级，导致每天损失超过 100,000 美元

Sysdig 威胁研究团队 (TRT) 报告称&#xff0c;LLMjacking&#xff08;大型语言模型劫持&#xff09;事件急剧增加&#xff0c;攻击者通过窃取的云凭证非法访问大型语言模型 (LLM)。 这一趋势反映了 LLM 访问黑市的不断增长&#xff0c;攻击者的动机包括个人使用和规避禁令和制…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023