深入理解Prompt工程
深入理解Prompt工程
前言：因为大模型的流行，衍生出了一个小领域“Prompt工程”，不知道大家会不会跟小编一样，不就是写提示吗，这有什么难的，不过大家还是不要小瞧了Prompt工程，现在很多大模型把会“Prompt工程”作为招聘条件，甚至作为一个岗位，小编在这里浅浅的总结一下
- 什么是Prompt工程？
Prompt工程（Prompt Engingering），也被称为上下文提示（In-Context Prompting），指的是通过结构化文本等方式来完善提示词，引导LLM输出我们期望的结果。
简单一点来说，就是 给LLM模型一些提示或者说指令，让LLM模型清晰准确的知道我们要干什么 。
- 那给什么样的提示或者指令能更好更准确输出我们想要的结果呢？？？怎么设计这样的指令呢？？？
这就是Prompt工程要考虑的事情！！！
- Prompt工程由哪些部分组成？
Prompt工程针对不同的任务设计了不同的提示模版，一般包含下述几部分：
- 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
- 如何写好Prompt工程（调优）
（1）学会定义角色
大模型对 prompt 开头和结尾的内容更敏感。
先定义角色，其实就是在开头把问题域收窄，减少二义性。
（2）学会举例
举例子可以让模型快速get到我们的意图，方便好用，并且效果不错
- 案例说明
举一个小编深有体会的栗子~
相信读研的小伙伴都会遇到的场景，假如小编现在在写论文，需要将下述这段中文翻译成一段英文：
Yaowei Li等人设计了一个跨模态表示对齐器，使用一组正交基和双门机制来学习全局跨模态对齐，并通过三重对比损失进行全局对齐。
以chatgpt4为例：
prompt：请将下述内容翻译成英文:
【prompt+上述内容】输入到chatgpt4中，得到如下输出：**
Yaowei Li and colleagues designed a cross-modal representation aligner that employs a set of orthogonal bases and a dual-gating mechanism to learn global cross-modal alignment. This alignment is achieved through a triplet contrastive loss.
prompt：假如你是一名专业的学术论文撰稿者，你现在正在写论文，对下述内容进行翻译，使其符合学术论文表达： 【prompt+上述内容】 输入到chatgpt4中，得到如下输出：**
Yaowei Li et al. have developed a cross-modal representation aligner that leverages a set of orthogonal bases and a dual-gate mechanism to facilitate global cross-modal alignment. The alignment process is optimized using a triplet contrastive loss function to ensure comprehensive alignment across modalities.
- 参考