及时工程

及时工程的工作原理

有效的提示工程通常是一个反复的过程。首先要分析任务需求，了解目标人工智能模型的能力和局限性。然后，工程师设计初始提示，进行测试，评估输出结果，并根据结果完善提示。这种改进可能包括添加更具体的指令、提供示例（少量学习）、定义所需的输出格式（如JSON）、设置限制或调整语气。关键技术通常借鉴自然语言处理 (NLP)的原理，需要仔细考虑措辞如何影响模型的行为，并受其训练数据和架构的影响，例如著名的《注意力就是你所需要的一切》论文中描述的Transformer模型。

关键提示技巧

提示工程通常采用几种策略：

• 零点提示：直接要求模型执行某项任务，而不在提示本身中提供先前的示例。这依赖于模型在训练过程中获得的已有知识。请参阅 "零点学习"。
• 少量提示：在提示中直接包含少量示例（输入-输出对），引导模型完成所需的任务和格式。
• 思维链 (CoT) 提示：鼓励模型 "逐步思考"，在给出最终答案之前，提示其分解推理过程，通常能提高复杂任务的成绩。
• 角色提示：指示模型采用特定的角色（如 "充当 Python 开发专家"），以调整其响应风格和内容。
• 指定输出结构：明确定义所需的输出格式，例如要求使用编号列表、表格或特定语言格式的代码。OpenAI 提示工程指南》等资源提供了最佳实践。

实际应用

及时的工程设计是成功部署许多人工智能应用的基础：

1. 客户服务自动化：为聊天机器人和虚拟助理设计提示，以准确处理客户咨询，保持特定的品牌声音，并适当升级复杂问题。公司利用这些技术改善客户体验，如Zendesk AI 等平台。
2. 内容创建和总结：为生成式人工智能工具（如Cohere或Anthropic 开发的工具）制作提示，以生成营销文案、撰写电子邮件、总结长篇文档（文本总结），甚至使用GitHub Copilot 等工具生成代码片段。

其他应用包括为语义搜索引擎提供动力、驱动交互式教育工具以及通过自然语言界面实现复杂的数据分析。

快速工程与相关概念

将及时工程与相关术语区分开来是很有用的：

• 丰富提示：重点是在用户的初始提示到达 LLM 之前，自动增加额外的上下文（例如，使用RAG 从知识库中获取）。提示工程是人工制作核心指令。
• 提示调整：一种参数高效微调（PEFT）技术，将可学习嵌入（软提示）添加到模型输入中并进行优化，而不是精心制作文本提示。
• 微调：包括通过在特定数据集上进一步训练来更新实际模型权重，调整模型本身而不仅仅是输入提示。

这些技术虽然各不相同，但可以相互补充。例如，在使用微调模型进行处理之前，精心设计的基础提示可能会自动使用检索到的数据进行丰富。像LangChain这样的框架通常会整合这些不同的方法。

计算机视觉的相关性

与 NLP 相比，提示工程在计算机视觉（CV）领域的地位一直不太突出，但随着多模态模型和可提示视觉系统的兴起，提示工程正变得越来越重要。CLIP、YOLO-World 或YOLOE等模型可以根据文本描述执行物体检测或图像分割等任务。制作有效的文本提示（例如，"检测所有'红色汽车'，但忽略'卡车'"）是一种提示工程，对于指导这些视觉语言模型至关重要。Ultralytics HUB等平台可促进与各种模型（包括YOLOv8和YOLO11 等Ultralytics YOLO模型）的交互，通过接口定义任务可受益于提示工程原则，尤其是当模型获得更多交互能力时。