Prompt Enrichment
了解提示增强如何自动完成输入扩充，从而提高 AI 精度。探索如何将此技术与 Ultralytics YOLO26 结合，用于更智能的视觉任务。
提示词增强是指在将用户的初始输入提交给人工智能（AI）模型之前，自动为其补充相关上下文、具体指令或辅助数据的过程。这项技术充当智能中间件层，用于优化人与机器之间的交互，确保大型语言模型（LLMs）和计算机视觉系统能够接收到完整的查询。通过注入用户可能省略的详细信息（例如历史偏好、位置数据或技术限制），提示词增强可以显著提升模型输出的准确性和个性化程度，同时无需用户具备编写详细指令的专业能力。
增强机制#
提示词增强的核心功能，是弥合模糊的人类意图与模型实现最佳性能所需的精确、数据丰富的输入之间的差距。系统接收到查询后，会对其进行分析，并从知识图谱或结构化数据库中检索必要的背景信息。检索到的数据会以编程方式格式化，并追加到原始提示词中。
例如，在自然语言处理（NLP）工作流中，像“当前状态是什么？”这样简单的问题在上下文方面是不充分的。增强系统会识别当前会话，从事务数据库中检索最新的订单号，并将提示词重写为：“用户正在询问订单 #998，该订单目前正在运输途中。请根据此状态提供物流更新。”这一过程通常会利用向量数据库快速查找语义相关的上下文并将其注入。
实际应用#
提示词增强对于在各个行业部署可靠的生成式人工智能应用至关重要，可以同时增强文本系统和视觉系统：
-
具备上下文感知能力的客户支持： 在自动化服务台中，聊天机器人会利用增强功能访问客户的购买历史和技术环境。系统不会要求用户提供设备版本，而是从账户元数据中检索该信息并将其注入提示词。这使AI 代理能够立即提供针对特定设备的故障排除步骤，从而显著改善客户体验。
-
动态计算机视觉配置： 在安防运营中，用户可能只需切换“夜间模式”设置。在后台，提示词增强会将这一高层次意图转换为适用于YOLO-World等开放词汇检测器的具体目标类别。系统会增强提示词，专门扫描“手电筒”“可疑移动”或“未经授权的人员”，使模型能够动态调整其目标检测重点。
示例：动态类别增强#
以下Python示例使用 ultralytics 软件包演示提示词增强的概念。在此示例中，用户的高层次意图会以编程方式增强为一组具体的描述性类别，供模型进行扫描。
from ultralytics import YOLO
def run_enriched_inference(user_mode):
"""Enriches a simple user mode into specific detection prompts."""
# Load a YOLO-World model capable of open-vocabulary detection
model = YOLO("yolov8s-world.pt")
# Enrichment Logic: Map simple user intent to detailed class prompts
context_map = {
"site_safety": ["hard hat", "safety vest", "gloves"],
"traffic": ["car", "bus", "traffic light", "pedestrian"],
}
# Inject the enriched context into the model
enriched_classes = context_map.get(user_mode, ["object"])
model.set_classes(enriched_classes)
# The model now looks for the specific enriched terms
print(f"Mode: {user_mode} -> Enriched Prompt: {enriched_classes}")
run_enriched_inference("site_safety")提示词增强与相关概念的比较#
要实现有效的机器学习运维（MLOps），了解提示词增强与相似术语之间的区别会很有帮助：
- 检索增强生成（RAG）： RAG 是一种特定的增强方法。它严格指从外部语料库获取相关文档，以事实依据约束模型响应的机制。增强是一个更广泛的概念，其中包括 RAG，同时也涵盖注入静态会话数据、用户元数据或系统时间，而不一定要执行复杂的语义搜索。
- 提示词工程： 这是手动设计有效提示词的技巧。增强则是一个自动化过程，会在运行时动态应用提示词工程原则。
- 提示词调优： 这是一种参数高效微调（PEFT）技术，在训练期间会优化“软提示词”（可学习张量）。提示词增强完全发生在实时推理期间，并不会改变模型权重。
- 少样本学习： 这种方法会在提示词中提供示例，以教会模型执行某项任务。增强系统通常会根据任务类型动态注入这些少样本示例，从而有效结合这两个概念。
在现代 AI 系统中的重要性#
随着Ultralytics YOLO26和 GPT-4 等模型能力不断增强，瓶颈往往会转移到输入质量上。提示词增强通过让模型基于所提供的事实数据，减少LLMs 中的幻觉。在计算机视觉（CV）中，它支持灵活的零样本学习检测系统，使系统只需修改输入的文本提示词，就能即时适应新环境，而无需重新训练。这种灵活性对于构建可扩展的多模态人工智能解决方案至关重要，因为这些方案能够同时对文本和图像进行推理。希望管理用于为这些系统提供依据的数据集的用户，通常会依靠Ultralytics Platform等工具来有效组织和标注信息。
