AI知識補全(二):提示工程(Prompting)是什么?

名人說:人生如逆旅,我亦是行人。 ——蘇軾《臨江仙·送錢穆父》
創作者:Code_流蘇(CSDN)(一個喜歡古詩詞和編程的Coder😊)


上一篇:AI知識補全(一):tokens是什么?

目錄

    • 一、什么是提示工程?
    • 二、為什么提示工程如此重要?
    • 三、核心提示工程技術
      • 1. 少樣本學習(Few-Shot Learning)
      • 2. 思維鏈提示(Chain of Thought Prompting)
      • 3. 角色提示(Role Prompting)
      • 4.提示工程小技巧(補充)
    • 四、實際應用案例
      • 1.內容創作
      • 2.代碼生成
      • 3.教育輔助
    • 五、進階提示工程技術
      • 1.自我一致性提示(Self-Consistency Prompting)
      • 2.思維樹提示(Tree of Thought Prompting)
    • 小結:優化提示,解鎖AI潛力

很高興你打開了這篇博客,更多AI知識,請關注我、訂閱專欄《AI大白話》,內容持續更新中…

提示工程是與AI對話的一門藝術,就像教會AI聽懂你的語言。掌握這項技能,能讓你的AI助手變得更聰明、更有用。今天,我們用簡單易懂的方式來聊聊這個話題。

一、什么是提示工程?

提示工程,用官方話來說是設計和優化輸入提示(prompts)的過程,目的是引導AI系統生成特定、高質量的輸出。就像我們與人交流需要清晰表達一樣,與AI交流也需要掌握特定的"語言"和方法。

翻譯一下,提示詞簡單來說是 “如何更好地向AI提問” 。就像和朋友溝通一樣,如果你表達得更清楚,對方就能更好地理解你的意思。

在這里插入圖片描述

提示工程不僅僅是簡單地提問,而是一種結合了心理學、語言學和計算機科學的跨學科技能。掌握這項技能可以幫助我們充分發揮AI的潛力,獲得更準確、更有用的回答。

二、為什么提示工程如此重要?

隨著大語言模型的普及,提示工程的重要性日益凸顯。

想象你在餐廳點菜。如果只說"我要吃飯",服務員會一頭霧水。但如果你說"我想要一份不辣、少油的青椒炒肉絲",你就能得到自己想要的菜。

在這里插入圖片描述

因此提示工程的重要性可以簡單概括為以下四點:

  1. 提高輸出質量:精心設計的提示能顯著提升AI生成內容的質量和相關性
  2. 降低幻覺:合理的提示可以減少AI生成虛假或不準確信息的可能性
  3. 提高效率:好的提示能幫助AI更快理解需求,節省往返溝通的時間
  4. 擴展能力:通過提示工程,可以引導AI完成原本難以實現的復雜任務

與之對應的,我們可以得到這樣的一個提示工程優化流程

1??初始提示 —> 2??評估響應 —> 3??提示優化 —> 4??最終提示

在這里插入圖片描述

接下來,我們來了解一些提示工程技術的概念。

三、核心提示工程技術

1. 少樣本學習(Few-Shot Learning)

少樣本學習是一種提供少量示例來引導AI完成特定任務的方法。這種技術特別適用于需要特定格式或風格的場景。

簡單來說就是:有時,直接給AI看一個例子比解釋更有效。就像教小朋友做手工,與其講一堆理論,不如先做一個給他看。

示例:

請用下面的格式介紹水果:
水果名:蘋果
顏色:紅色/綠色
口感:脆甜多汁
常見吃法:生吃、做派現在請介紹香蕉:

在這里插入圖片描述

通過提供一個完整的示例,AI能更好地理解我們期望的輸出格式和內容深度。

2. 思維鏈提示(Chain of Thought Prompting)

思維鏈提示是一種鼓勵AI展示其推理過程的技術,特別適用于解決復雜問題或需要多步推理的場景。

對于復雜問題,讓AI像我們平時解題一樣,一步步思考更容易得到正確答案。

示例:

解決以下數學問題,請一步一步思考:
小明有12個蘋果,他給了小紅3個,又從小華那里得到了5個。現在小明有多少個蘋果?

在這里插入圖片描述

這種提示方式能夠讓AI展示其推理過程,不僅提供最終答案,還包括達到答案的每一步思考

3. 角色提示(Role Prompting)

通過為AI分配特定角色,可以引導它從特定視角或專業領域出發提供回答,會讓它回答問題的方式更專業或有特色。

示例:

你是一位經驗豐富的數據科學家。請評估以下機器學習模型的優缺點...

在這里插入圖片描述

角色提示可以激活AI與特定角色相關的知識,提供更專業、更有深度的回答

在了解完上面的提示工程核心技術后,我們簡要地匯總對比一下:

在這里插入圖片描述

4.提示工程小技巧(補充)

  1. 具體勝過模糊:詳細說明你的需求,包括目的、格式和風格
  2. 分步驟提問:復雜問題拆分成簡單步驟
  3. 提供背景:告訴AI你是誰,你的知識水平,以及為什么需要這個信息
  4. 設定限制:明確告知字數限制、使用場景等約束條件
  5. 反饋調整:如果回答不滿意,告訴AI哪里需要改進

四、實際應用案例

在這里插入圖片描述

提示工程的應用場景有很多,以下面三個常用的為例:

1.內容創作

你是一位專業的科技博主。請撰寫一篇800字左右的博客文章,主題是"5G技術對未來智能家居的影響"。文章應包含:
1. 引人入勝的開頭
2. 3-4個核心影響點,每點配有簡短解釋
3. 實際應用案例
4. 對未來發展的展望
5. 簡短結論
使用通俗易懂的語言,適合科技愛好者閱讀。

在這里插入圖片描述

2.代碼生成

請幫我編寫一個Python函數,實現以下功能:
1. 讀取CSV文件中的數據
2. 篩選出滿足特定條件的行
3. 對篩選結果進行統計分析
4. 將分析結果保存為新的CSV文件請提供完整代碼,并附上詳細注釋。使用pandas庫實現。

在這里插入圖片描述

3.教育輔助

請扮演一位物理學教授,解釋量子糾纏的概念。假設我是一位高中學生,需要:
1. 簡單易懂的解釋
2. 日常生活中的類比
3. 為什么這一概念重要
4. 它如何改變我們對世界的理解

在這里插入圖片描述

五、進階提示工程技術

1.自我一致性提示(Self-Consistency Prompting)

這種技術鼓勵AI從多個角度思考問題,然后選擇最一致的答案

在這里插入圖片描述

請從三個不同角度思考以下問題,然后給出最合理的答案:
氣候變化對全球農業生產的影響是什么?

2.思維樹提示(Tree of Thought Prompting)

引導AI創建一個決策樹,探索不同的思考路徑

在這里插入圖片描述

分析以下商業策略的可能結果。對于每個可能的結果,探索兩個可能的后續發展,并評估最終影響。

小結:優化提示,解鎖AI潛力


提示工程不需要高深的技術知識,而是一種思維方式和溝通技巧。通過清晰表達、提供足夠上下文、引導AI思考的方式,你可以大大提升AI助手的實用價值。

最重要的是:多嘗試、多實踐、多總結。每個人都可以成為提示工程師,讓AI更好地為你服務!


你覺得這篇文章有幫助嗎?歡迎在評論區分享你的提示工程小技巧或使用心得!

創作者:Code_流蘇(CSDN)(一個喜歡古詩詞和編程的Coder😊)

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/news/898910.shtml
繁體地址,請注明出處:http://hk.pswp.cn/news/898910.shtml
英文地址,請注明出處:http://en.pswp.cn/news/898910.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

C++友元:跨墻訪問的三種姿勢

目錄 友元 友元之普通函數形式 友元之成員函數形式 友元類 友元的特點 友元 什么叫友元? 一般來說,類的私有成員只能在類的內部訪問,類之外是不能訪問它們的。但如果將其他類/函數設置為類的友元,那么友元類/函數就可以在前…

位運算[找出唯一成對的數]

題目來源:藍橋云課 不用輔助儲存空間 import java.util.Random;public class T_01 {public class Util {public static void swap(int[] arr, int i, int j) {int temp arr[i];arr[i] arr[j];arr[j] temp;}public static void print(int[] arr) {for (int i 0; …

簡記_FPGA 硬件最小系統設計

一、FPGA板級設計的五要素 1.1、電源電路 核心電壓:一般為固定值 IO電壓:FPGA的IO分為多個bank,同一個bank的不同IO引腳電壓相同,不同bank的電壓可以不同 輔助電壓:除了核心電壓和IO電壓,FPGA工作所需的…

7.2 控件和組件

版權聲明:本文為博主原創文章,轉載請在顯著位置標明本文出處以及作者網名,未經作者允許不得用于商業目的 C#工具箱位于編輯窗口的左側,它默認內置了大量的控件和組件。控件一般派生于System.Windows.Forms.Control類,顯…

Spring Boot中接口數據字段為?Long?類型時,前端number精度丟失問題解決方案

Spring Boot中接口數據字段為 Long 類型時,前端number精度丟失問題解決方案 在Spring Boot中,當接口數據字段為 Long 類型時,返回頁面的JSON中該字段通常會被序列化為數字類型。 例如,一個Java對象中有一個 Long 類型的屬性 id …

OpenCV第2課 OpenCV的組成結構與圖片/視頻的加載及展示

1.OpenCV 的組成結構 2.OpenCV 的具體模塊 3. 圖像的讀取 4. 視頻的讀取 1.OpenCV 的組成結構 OpenCV 是由很多模塊組成的,這些模塊可以分成很多層: 最底層是基于硬件加速層(HAL)的各種硬件優化。再上一層是opencv_contrib 模塊所包含的OpenCV 由其他開發人員所貢獻的代…

安裝配置Tesseract-OCR

1,下載對應的可執行文件 在Tesseract OCR下載地址Index of /tesseract下載合適的版本安裝包,如下: 點擊安裝包進行安裝: 語言選擇英文: 如果需要識別中文,則可以在安裝過程中勾選下載中文語言包和腳本(也可以按需選擇繁體):

關于墻面涂鴉的視覺檢測與噴涂修復裝置研究(大綱)

公共場所墻面涂鴉視覺檢測與精準噴涂修復裝置研究 融合視覺識別與自動化噴涂的墻面維護解決方案 第一章 緒論 1.1 研究背景與意義 城市形象與秩序維護: 涂鴉對公共環境的影響(破壞美觀、傳遞不良信息)清除涂鴉的重要性(恢復原貌…

圖論 | 98. 所有可達路徑

98. 所有可達路徑 題目鏈接: 98. 所有可達路徑 思路 先創建鄰接矩陣,再深搜寫代碼是需要注意的是acm格式,輸入的格式要轉化為int,輸出要轉化為str,用map()實現。 dfs def dfs(grid,node,n,…

MCP+Hologres+LLM 搭建數據分析 Agent

LLM大模型在數據分析領域的挑戰 在數據分析領域,大模型(LLM)具備強大語言理解能力,NL2SQL等各類智能化工具也極大提升了數據分析人員的分析效率,但仍舊面臨不少挑戰: 傳統 LLM 缺乏實時數據接入能力&…

Categorical分布(分類分布):深度學習中的離散建模利器

Categorical分布:深度學習中的離散建模利器 引言 對于深度學習研究者來說,概率分布是模型設計和優化的基石。在許多生成模型中,如變分自編碼器(VAE)及其變種VQ-VAE(Vector Quantized Variational Autoenc…

Langchain 提示詞(Prompt)

基本用法 1. 基本概念 提示詞模板 是一個字符串模板,其中包含一些占位符(通常是 {variable} 形式的),這些占位符可以在運行時被實際值替換。LangChain 提供了多種類型的提示詞模板,以適應不同的使用場景。 2. 主要類…

centos7.9鏡像源及Python引入ssl問題處理

一、鏡像源修改 1. 備份原有的鏡像源配置文件 在修改之前,先備份現有的 CentOS-Base.repo 文件: sudo cp /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup 2. 編輯鏡像源配置文件 使用文本編輯器(如 nano 或 vi)打開 /etc/yum.repos.d/Ce…

Java高頻面試之集合-17

hello啊,各位觀眾姥爺們!!!本baby今天來報道了!哈哈哈哈哈嗝🐶 面試官:JDK 8 對 HashMap 主要做了哪些優化呢?為什么要這么做? JDK 8 對 HashMap 的主要優化及原因 JDK…

計算機二級:函數基礎題

函數基礎題 第一題 rinput("請輸入半徑:") c3.1415926*r*2 print("{:.0f}".format(c))輸出: Type Error第二題 a7 b2 print(a%2)輸出 1第三題 ab4 def my_ab(ab,xy):abpow(ab,xy)print(ab,end"\n") my_ab(ab,2)prin…

C# 屬性(Property)?詳解

在 C# 中,?屬性(Property)? 是類或結構體中的成員,用于封裝對私有字段(稱為 ?backing field?)的訪問,提供更靈活和安全的數據操作方式。屬性通過 get 和 set 訪問器控制對數據的讀寫&#x…

iPhone 16如何翻譯文檔?文檔翻譯技巧、軟件推薦

在全球化的今天,跨語言交流變得越來越頻繁,而文檔翻譯更是成為許多人日常工作和學習中的重要需求。作為蘋果公司最新推出的旗艦機型,iPhone 16憑借其強大的硬件性能和豐富的軟件生態,為我們提供了多種便捷的文檔翻譯方式&#xff…

HRP方法全文總結與模型流程解析

背景與問題 傳統二次優化方法(如Markowitz的CLA)存在三大問題: 不穩定性:協方差矩陣的高條件數導致逆矩陣計算誤差放大,權重劇烈波動。 集中性:優化結果過度集中于少數資產,易受個體風險沖擊。…

解決項目一直在構建中的問題:以 IntelliJ IDEA 為例提高共享堆內存

在使用 IntelliJ IDEA 時,開發者可能會遇到項目長期處于構建狀態的問題。這種情況將嚴重影響開發效率。通常,這種問題的一個常見原因是構建進程所分配的堆內存不足。本文將以 IntelliJ IDEA 為背景,介紹如何通過提高共享堆內存來解決此問題&a…

金橙子刪除打標對象

注意在使用金橙子根據對象名稱刪除對象時要注意,每刪除一個對象,所有對象的索引都將改變。 如果你是用for去遍歷,再根據索引獲取打標對象名稱的話就會出現漏的掉的問題。 改進方法 1,將要刪除的對象找到后,統一存放在一個集合中。再根據這個要刪除的對象集合再一個個去遍…