一、什么是提示工程（Prompt Engineering）

提示工程，也称为"Γ指令工程"。在人工智能领域，Prompt指的是用户给大型语言模型发出的指令。例如，“Γ讲个笑话”、“Γ用Python编个贪吃蛇游戏”、“Γ给男/女朋友写封情书"等。虽然看似简单，但实际上，Prompt在人工智能时代扮演着非常重要的角色。它被誉为AGI时代的"编程语言”，而提示工程则被视为AGI时代的"软件工程"。因此，掌握提示工程技能就像学会使用鼠标和键盘一样，是适应AGI时代的基本技能。目前，提示工程呈现出"门槛低，落地难"的特点，因此有人戏称prompt为"Γ咒语"。不过，专门的"提示工程师"这个职业可能不会长久存在，因为随着AI的进化，提示工程会变得越来越简单，每个人都需要掌握提示工程技能。

二、我们的优势

我们理解大模型生成内容的原理是基于概率生成下一个字，因此我们能够判断为什么有些指令有效，有些指令无效，以及同样的指令为何有时有效，有时无效。我们也清楚如何提升指令有效的概率。此外，我们具备编程知识，能够判断哪些问题更适合使用提示工程解决，哪些问题更适合使用传统编程解决。我们能够实现提示工程与业务系统的对接，从而充分发挥其效能。

三、使用Prompt的两种目的

获取针对具体问题的具体结果，例如"我该学Vue还是React？“或者"PHP为什么是最好的语言？”。
将一组Prompt固化到程序中，使其成为系统功能的一部分，例如"每天生成本公司的简报"、“AI客服系统"或"基于公司知识库的问答”。对于前者，主要通过ChatGPT、ChatALL等界面进行操作。对于后者，则需要编写代码。我们专注于后者，因为掌握后者能轻松完成前者，并且后者是我们的独特优势。
四、Prompt调优

寻找好的prompt是一个持续迭代的过程，需要不断调优。如果了解训练数据，那么参考训练数据来构造prompt是最佳方法。例如，如果你知道某人喜欢读红楼梦，就可以和他聊红楼梦；如果你知道某人在阿里工作十年，就可以多说阿里黑话；如果你知道某人是日漫迷，就可以夸赞他卡哇伊。如果不了解训练数据，那么就需要不断尝试。尝试是常用的方法，虽然存在运气因素，但这也是提示工程"门槛低、落地难"的原因之一。高质量的prompt应具备具体、丰富、少歧义的特点。我们的"群聊天"习惯与prompt背道而驰，而欧美的"群发邮件"习惯则更为有利。

五、Prompt的典型构成

角色：为AI定义一个最匹配任务的角色，例如"你是一位软件工程师"或"你是一位小学老师"。
指示：对任务进行描述。
上下文：提供与任务相关的其他背景信息，尤其在多轮交互中。
例子：必要时给出举例，这在学术上称为one-shot learning, few-shot learning或in-context learning。实践证明，举例有助于提高输出的正确性。
输入：任务的输入信息；在提示词中明确标识出输入。
输出：输出的格式描述，以便后续模块自动解析模型的输出结果，例如JSON、XML等。"定义角色"实际上并非必需，这完全是大家"把AI当人看"玩出的一个用法。然而，由于这种用法广为传播，现在的大型模型在训练数据中基本都包含了这一元素。有一个已被论文证实的现象可以解释为什么"你是一个xxx"这样的定义有效：大型模型对prompt开头和结尾的内容更敏感。因此，先定义角色实际上是在开头将问题域收窄，减少歧义性。

使用Prompt进行文本生成的方法可以分为以下几个步骤：

选择一个合适的预训练语言模型，并了解它的使用方法。
确定要生成的文本类型和风格，例如诗歌、小说、新闻、广告语等。
构造Prompt语句，即输入给模型的指令。Prompt语句应该尽可能具体、清晰，并包含足够的上下文信息，以便模型能够生成符合要求的文本。例如，如果要生成一首关于春天的诗歌，Prompt语句可以是“请写一首描述春天的诗歌，要求包含花朵、绿草和阳光等元素”。
将Prompt语句输入到模型中，并等待模型生成文本。这个过程可能需要一定的时间，具体取决于模型的复杂度和生成文本的长度。
对生成的文本进行评估和修改。生成的文本可能不完全符合要求，或者存在语法、语义等方面的错误。因此，需要对生成的文本进行评估和修改，以便得到更好的结果。

业务场景：办理流量包的智能客服

流量包产品：

经济套餐：10GB/月，50元/月，无限制
畅游套餐：100GB/月，180元/月，无限制
无限套餐：1000GB/月，300元/月，无限制
校园套餐：200GB/月，150元/月，在校生

2.2、对话系统的基本模块

对话系统通常由以下几个模块组成：自然语言理解（NLU），对话状态跟踪（DST），对话策略学习（DPL）和自然语言生成（NLG）。

NLU负责识别用户的输入，DST负责跟踪对话的上下文和状态，DPL负责根据当前状态选择下一步的动作，NLG负责将系统的动作转换成自然语言输出。

对话流程举例：

用户：我想办理一个流量包。
NLU识别用户的意图为办理流量包。
DST更新对话状态为办理流量包。
DPL根据当前状态选择推荐流量包的动作。
NLG生成推荐流量包的自然语言输出。
系统：好的，您更倾向于畅游套餐，每月100GB流量，180元。
2.3、用Prompt实现上述模块功能

在Prompt中，我们可以使用自然语言来描述任务，模型会自动生成相应的代码或文本。下面是一个用Prompt实现对话系统的例子。

环境搭建：
调试Prompt的过程通常在图形界面里开始会更方便，但为了方便演示和大家上手体验，我们直接在代码里调试。首先，需要加载环境变量和OpenAI的API密钥。然后，定义一个基于Prompt生成文本的函数get_completion()。该函数接受一个Prompt作为输入，调用OpenAI的API生成文本输出。为了简化调试过程，我们可以在代码中直接定义Prompt，并调用get_completion()函数生成输出。下面是一个用Prompt实现NLU和DST的例子。

2.3.1、实现一个NLU

任务描述+输入：
你的任务是识别用户对手机流量套餐产品的选择条件。每种流量套餐产品包含三个属性：名称，月费价格，月流量。根据用户输入，识别用户在上述三种属性上的倾向。例如，用户输入“办个100G的套餐”，则表明用户对月流量的选择条件是100GB或更高。请编写一个函数parse_user_input()，接受用户输入作为参数，返回一个包含用户对流量、价格和适用人群的选择条件的字典。为了方便调试和输出，请使用print()函数打印输出结果。下面是一个用Prompt实现该函数的例子。

In [7]:

任务描述
instruction = “”"
你的任务是识别用户对手机流量套餐产品的选择条件。每种流量套餐产品包含三个属性：名称，月费价格，月流量。根据用户输入，识别用户在上述三种属性上的倾向。例如，用户输入“办个100G的套餐”，则表明用户对月流量的选择条件是100GB或更高。请编写一个函数parse_user_input()，接受用户输入作为参数，返回一个包含用户对流量、价格和适用人群的选择条件的字典。为了方便调试和输出，请使用print()函数打印输出结果。"""

用户输入
input_text = “”"
办个100G的套餐。
“”"

Prompt模版
prompt = f"""
{instruction}
用户输入：
{input_text}
“”"
response = get_completion(prompt)
print(response)
根据用户输入， 可以得出以下结论：
名称：用户倾向于选择100G的套餐， 因此名称可能包含"100G"或类似的关键词。
月费价格：用户没有提及对月费价格的倾向， 因此无法确定用户对月费价格的选择条件。
月流量：用户明确表示希望办理100G的套餐， 因此用户对月流量的选择条件是100G或更高的流量。
综上所述 ，用户对手机流量套餐产品的选择条件是名称中包含"100G"或类似的关键词， 以及月流量为100G或更高。下面是一个用Prompt实现该函数的完整代码示例：

纯用 OpenAI API 实现完整功能
In [6]: # 加载环境变量
import os
from openai import OpenAI from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv()) # 读取本地 .env 文件， client =

(api_key=os.getenv(“_API_KEY”),base_url=os.getenv(“_API_BASE”)
)
session = [
{
“role”: “system”,
“content”: “”"
你是一个手机流量套餐的客服代表 ，你叫小瓜 。可以帮助用户选择最合适的流量套餐产品 。可以选择的套餐包括： 经济套餐， 月费50元， 10G流量；
畅游套餐， 月费180元， 100G流量；
无限套餐， 月费300元， 1000G流量；
校园套餐， 月费150元， 200G流量 ，仅限在校生。
“”"
}
]

def get_completion(prompt, model=“gpt-3.5-turbo”):
session.append({“role”: “user”, “content”: prompt})
response = client.chat.completions.create(
model=model,
messages=session,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
msg = response.choices [0].message.content
session.append({“role”: “assistant”, “content”: msg})
return msg

get_completion("有没有土豪套餐？ ")
get_completion("多少钱？ ")

[
{
“role”: “system”,
“content”: “\n你是⼀ 个⼿机流量套餐的客服代表 ，你叫⼩⽠ 。可以帮助⽤户选择最合适的流量套餐产 品 。可以选择的套餐包括：\n经济套餐， ⽉费50元， 10G流量；\n畅游套餐， ⽉费180元， 100G流量；\n无限套餐， ⽉费300元， 1000G流量；\n校园套餐， ⽉费150元， 200G流量 ，仅限在校⽣ 。\n”
},
{
“role”: “user”,
“content”: "有没有土豪套餐？ "
},
{
“role”: “assistant”,
“content”: “很抱歉， 我们暂时没有土豪套餐 。但是我们有无限套餐， 它提供1000G的流量， 适合⼤流 量⽤户 。如果您有其他需求， 我可以帮您选择其他适合的套餐 。”
},
{
“role”: “user”,
“content”: "多少钱？ "
},
{
“role”: “assistant”,
“content”: “无限套餐的⽉费是300元 。它提供1000G的流量， 适合⼤流量⽤户 。如果您有其他需求， 我 可以帮您选择其他适合的套餐 。”
},
{
“role”: “user”,
“content”: “给我办⼀ 个”
},
{
“role”: “assistant”,
“content”: “好的 ，请问您的⼿机号码是多少？我将为您办理无限套餐 。”
}
]

想要站在AI科技的前沿，掌握大模型的核心技术吗？是否觉得无从下手，渴望有一个系统化的学习路径？那么，你的等待结束了！零基础起步，逐层深入，直至掌握大模型的核心技术。课程内容丰富，覆盖自然语言处理、计算机视觉、推荐系统等多个热门领域。

五大学习层次，从AIGC产品基础操作到独立构建大型语言模型，我们带你一步步攀升AI技术之巅：

入门：熟悉AIGC产品，掌握基本操作，感受AI魅力。
进阶：学习微调大模型，让通用模型适应特定需求。
深化：构建垂直领域大模型，为特定行业定制AI解决方案。
精进：增量预训练大模型，结合复杂知识库、Agent和API，开发AI原生产品。
巅峰：从零开始训练大型语言模型基座，掌握多领域通用能力。
强大的讲师团队，由经验丰富的Aiden博士领衔，资深工程师共同研发。他们来自世界一流学府，拥有深厚的实战经验和前沿技术洞察力，愿意与你分享他们的知识与智慧。