Prompt 丰富

Prompt 丰富是自动化的过程，用于以编程方式将相关的上下文或信息添加到用户的初始 prompt 中，然后再将其发送到AI 模型，尤其是大型语言模型 (LLM)。目标是将简单或模糊的用户查询转换为详细、具体和上下文感知的指令。此预处理步骤有助于 AI 模型更好地理解用户的意图，从而在不改变模型本身的情况下，生成更准确、个性化和有用的响应。

Prompt 增强的工作原理

Prompt 丰富充当智能中间件层。当用户提交查询时，自动化系统会拦截它。然后，该系统从各种来源收集上下文数据，例如用户个人资料、对话历史记录、会话数据（如设备类型或位置）或外部数据库。然后，它将此信息动态注入到原始 prompt 中。生成的“丰富”prompt 现在包含用户的查询和添加的上下文，最后传递给 LLM 进行处理。这提高了模型执行复杂自然语言理解 (NLU)任务的能力。

实际应用

1. 个性化客户支持： 用户与电子商务 聊天机器人 互动并输入“我的包裹在哪里？”。提示丰富系统可以自动从 CRM 数据库中获取用户的帐户详细信息及其最近的订单号。发送到模型的提示变为：“客户 ID 98765 正在询问其最近订单 #ABC-12345 的状态。用户的原始查询：‘我的包裹在哪里？’” 这使得人工智能驱动的客户服务代理能够提供即时、具体的更新，而无需询问澄清信息。
2. 更智能的内容推荐： 流媒体服务的用户说：“推荐一部电影。” 这对于好的推荐来说太模糊了。丰富过程可以使用诸如用户的观看历史记录、他们声明的类型偏好以及一天中的时间之类的数据来扩充此提示。最终提示可能如下所示：“该用户最近喜欢科幻惊悚片和历史剧。现在是星期六晚上。推荐一部符合这些标准的电影。” 这会带来来自推荐系统的更相关的建议，并通过个性化改善用户体验。

Prompt 丰富与相关概念

区分 Prompt Enrichment 与类似术语非常重要：

• Prompt 工程: 这是设计有效 prompt 的广泛学科。Prompt enrichment 是 prompt 工程中一种特定的自动化技术，侧重于向用户的输入添加动态上下文。
• 检索增强生成 (RAG)：RAG 是一种强大而特殊的提示丰富类型。它专门从外部知识库检索事实信息，以支持模型的输出并防止幻觉。虽然 RAG 是一种丰富形式，但丰富也可以使用其他上下文来源，例如用户会话数据，这些数据不是静态知识库的一部分。
• Prompt 链: 这种技术将任务分解为一系列相互连接的 prompt，其中一个 prompt 的输出作为下一个 prompt 的输入。相比之下，Enrichment 会在处理单个 prompt之前对其进行修改。Prompt enrichment 步骤可以是一个更大的链的一部分，通常作为初始步骤。诸如 Chain-of-Thought (CoT) Prompting 之类的其他技术侧重于提高单个交互中的推理能力。
• Prompt 调优: 这是一种模型训练方法。作为一种 参数高效微调 (PEFT) 技术，它通过训练一小组新参数来调整模型的行为。Prompt enrichment 是一种 推理时 技术，它会操纵输入查询，而不会更改模型的权重。

虽然最常见于自然语言处理 (NLP)，但其核心思想适用于整个机器学习领域。在计算机视觉中，类似的概念可能涉及将元数据（例如，位置、时间）添加到图像，以提高 Ultralytics YOLO11 在目标检测任务上的性能。MLOps 平台（如 Ultralytics HUB）提供了强大的模型部署所需的基础设施，其中可以使用富集和 LangChain 或 LlamaIndex 等框架来实现复杂的输入管道。