Prompt Enrichment

提示词丰富是一个自动化过程，在将用户的初始输入提交给 Artificial Intelligence (AI) 模型之前，用相关的上下文、具体的指令或补充数据对其进行扩充。这一技术充当智能中间件层，优化人机交互，确保 Large Language Models (LLMs) 和计算机视觉系统能够接收到全面的查询。通过注入用户可能省略的细节（例如历史偏好、位置数据或技术约束），提示词丰富显著提升了模型输出的 accuracy 和个性化，而无需用户成为编写详细指令的专家。

增强机制#

提示词丰富的核心功能是弥合模糊的人类意图与模型获得最佳性能所需的精确、数据丰富输入之间的差距。当收到查询时，系统会对其进行分析，并从 knowledge graph 或结构化数据库中检索必要的背景信息。这些检索到的数据会以程序化格式化并附加到原始提示词中。

例如，在 Natural Language Processing (NLP) 工作流中，像“状态是什么？”这样简单的问题在上下文上是不够的。丰富系统会识别活动会话，从 transactional database 中检索最新的订单号，并将提示词重写为：“用户正在询问关于 #998 订单的信息，该订单目前在途。请根据此状态提供发货更新。”此过程通常利用 vector databases 来快速找到语义相关的上下文进行注入。

实际应用#

提示词丰富对于在各个行业部署强大的 generative AI 应用至关重要，它能增强文本和基于视觉的系统：

1. 上下文感知客户支持： 在自动帮助台中，chatbot 使用丰富功能访问客户的购买历史记录和技术环境。系统不会向用户询问设备版本，而是从帐户元数据中检索并将其注入提示词中。这使得 AI agent 能够提供即时的、特定于设备的故障排除步骤，从而显著改善 customer experience。

2. 动态计算机视觉配置： 在安全运营中，用户可能只需切换“夜间模式”设置。在幕后，提示词丰富将这种高级意图转化为像 YOLO-World 这样的开放词汇检测器的特定对象类别。系统丰富提示词以专门扫描“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 object detection 焦点。

示例：动态类别增强#

以下 Python 示例使用 ultralytics 软件包演示了提示词丰富的概念。在此，用户的宏观意图被以编程方式丰富为模型扫描的一组特定描述性类别。

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对比#

为了实现有效的 Machine Learning Operations (MLOps)，区分提示词丰富与相似术语会很有帮助：

• Retrieval-Augmented Generation (RAG)： RAG 是一种特定的丰富方法。它严格指代从外部语料库获取相关文档以使模型响应有据可依的机制。丰富是一个更广义的概念，它包括 RAG，但也涵盖了注入静态会话数据、用户元数据或系统时间，而不一定执行复杂的 semantic search。
• Prompt Engineering： 这是设计有效提示词的手工艺术。丰富是一个在运行时动态应用提示词工程原则的自动化过程。
• Prompt Tuning： 这是一种 parameter-efficient fine-tuning (PEFT) 技术，其中“软提示词”（可学习张量）在训练期间进行优化。提示词丰富完全在 real-time inference 期间发生，并且不会改变 model weights。
• Few-Shot Learning： 这涉及在提示词中提供示例来教给模型某项任务。丰富系统通常根据任务类型动态注入这些少样本示例，从而有效地结合了两个概念。

在现代 AI 系统中的相关性#

随着像 Ultralytics YOLO26 和 GPT-4 这样的模型变得更加强大，瓶颈通常会转移到输入质量上。提示词丰富通过将模型植根于基于事实的提供数据，减轻了 hallucinations in LLMs。在 computer vision (CV) 中，它允许灵活的 zero-shot learning 检测系统无需重新训练即可立即适应新环境，只需修改输入到系统中的文本提示词即可。这种灵活性对于构建能够推理文本和图像的可扩展 multi-modal AI 解决方案至关重要。希望管理用于将这些系统扎根的数据集的管理员通常依赖诸如 Ultralytics Platform 之类的工具来有效地组织和注释其信息。