提示工程

提示工程是对输入文本（即提示）进行结构化和优化的战略过程，以有效地 引导 人工智能 (AI)模型 生成特定的高质量输出。虽然最初是由 大型语言模型（LLM），如 GPT-4 等大型语言模型（LLM）的兴起而得到普及，但这一学科已发展成为与各种生成系统交互的关键技能。 与各种生成系统交互的关键技能。它包括理解模型如何解释语言的细微差别、 语境和指令，从而弥合人类意图与机器执行之间的差距。通过精心选词 格式限制并提供上下文，用户就能显著提高人工智能生成式响应的准确性和相关性，而无需修改其内容。 生成式人工智能响应的准确性和相关性。 模型的基本参数。

有效提示的机制

提示工程的核心原理是，人工智能模型对输入的措辞和结构非常敏感。 输入。精心设计的提示语通常包含旨在减少歧义的特定组件。其中包括 明确的指令、相关背景信息（上下文）和输出规范，如格式--例如，以 JS 格式请求响应。 例如，要求以JSON或列表形式作出回应。 高级技术包括少量学习、 用户在提示中提供所需的输入输出对的示例，以指导模型的推理。 另一种强大的方法是 思维链提示 这种方法鼓励模型将复杂问题分解成中间推理步骤，从而提高逻辑繁重任务的性能。 谷歌研究 Google 研究 出版物中详细介绍的。

在计算机视觉中的相关性

提示工程通常与文本生成相关联，但在计算机视觉（CV）领域却越来越重要。 计算机视觉（CV）。现代 多模式模型和开放词汇检测器、 例如YOLO，允许用户使用自然语言而不是预先定义的类 ID 目标，而不是使用预定义的类别 ID。在这种情况下，"提示 "是对物体的文本 例如，"红色头盔 "与 "头盔"）。这种功能通常被称为 零镜头学习，使模型能够detect 只需处理文本提示和视觉特征之间的语义关系。 和视觉特征之间的语义关系。

下面的示例演示了如何使用 ultralytics 包，为 物体检测:

from ultralytics import YOLO

# Load a YOLO-World model capable of interpreting text prompts
model = YOLO("yolo-world.pt")

# Use prompt engineering to define custom classes without retraining
# The model aligns these text descriptions with visual features
model.set_classes(["person in safety vest", "forklift", "cardboard box"])

# Run inference on an image to detect the prompted objects
results = model.predict("warehouse.jpg")

实际应用

及时工程的实用性横跨各行各业，提高了自动化和创造力：

• 自动生成内容：在营销和媒体领域，专业人员使用详细的提示来指导 文字图片生成器，如 Midjourney或 稳定扩散。描述照明、艺术风格和构图的具体提示 照明、艺术风格和构图的具体提示，可让设计师快速创建视觉资产原型，从而节省时间。 节省时间。
• 智能客户支持：公司部署 由 LLM 支持的聊天机器人来处理客户咨询。 工程师会精心设计 "系统提示"，确定机器人的角色（例如，"您是一位乐于助人的技术支持助理"），设定界限以防产生幻觉，并指示人工智能从对话框中检索答案。 例如，"您是一位乐于助人的技术支持助理"），设置界限以防止幻觉，并指示人工智能从特定的知识库中检索答案。 特定知识库中获取答案。

区分相关概念

必须将提示工程与机器学习领域的类似术语区分开来：

• 提示工程与提示调整： 提示工程涉及人工制作自然语言查询。相比之下，提示调整是一种 在训练阶段学习软嵌入（数字向量 嵌入（数字向量），以优化模型输入。 以优化模型输入，这通常是人类用户看不到的。
• 及时工程与微调： 微调 模型权重。 提示工程不会改变模型本身；它只是在实时推理过程中优化输入。 实时推理。
• 及时工程与 RAG RAG： 检索-增强生成（RAG）是一种系统架构，它通过获取外部数据来确定模型的 响应。提示工程是 RAG中使用的一种技术，用于正确格式化检索到的数据，并将其 将其提交给 LLM 进行处理。