本文来自微信公众号：经纬创投 （ID：matrixpartnerschina），作者：经纬创投主页君，原文标题：《如何调教AI给你打工？提示词（Prompt）的秘密 |【经纬科创汇*AI】》，题图来自：《银翼杀手2049》
前段时间张颖在混沌学园的AI大会上，分享了一些对AI趋势的判断和对AI创业的7条建议，他在第一条建议中就提到：
“AI的学习和应用，大家一定注意，用起来、有效迭代大于一切。一个关键点就是要学会写提示词，知道如何提问非常关键，怎么能更好地与AI互动也是一门学问。”
今天我们稍微把“Prompt Engineering”（提示工程）展开聊一聊。年初，各种Midjourney用词宝典火遍互联网，比如：
熠熠生辉的霓虹灯 glittering neon lights
高角度视图 high angle view
未来主义抛光面 futuristic polished surfaces
古典风，18-19世纪 Vintage
浮世绘 traditional Japanese ukiyoe
……
直到最近，大神们又在二维码上玩出了花活，写好风格、元素的提示词，就能出一些别具一格的“AI艺术二维码”。
我们知道，能不能用好大语言模型，很大程度上取决于你提示词的质量。但别把提示词想简单了，它可不仅仅是在提问题时多说几个词或几句话那么简单，之所以叫Prompt Engineering（提示工程），就是因为有很多复杂的工程实践。
今天这篇文章，我们从两个案例入手，第一个是纯文本的例子，第二个是需要代码来实现的例子，来介绍Prompt Engineering（提示工程）的一些重要原则与技巧：
第一个案例，是在一些AI社区里很火的“爆款文案模型”，主要通过纯文本来给AI写好模板和规则提示。
第二个案例，是吴恩达与OpenAI官方合作的ChatGPT提示工程课程中，“订餐机器人”的例子。
最后，我们来总结一些Prompt的基本原则和技巧。
当然，提示词的纯文本和写代码之间，并没有本质区别，用代码实现是为了省token和令输出更稳定、精确，因为中文还是会占用更多token，当你需要大规模调用API的时候，成本会急剧上升。纯文本的提示词也可以构建得很复杂，比如我就见过600多行的文本提示词，并且由多组模块构成。
一个爆款文案模型（纯文本）
我们先简单介绍一下什么是“Prompt Engineering”（提示工程）。通常是指将你想提的问题，转换为特定格式的输入，并使用预定义的模板、规则和算法来处理，让AI能够更好地理解任务并给出相应的回答。最大程度地让AI精确理解任务，减少因为语言表达不清晰而导致的误解和错误，使其能够准确、可靠地执行特定任务。
下面我们进入这个文本例子。在很多需要文案的场景，比如电商页面、小红书种草文案、论坛帖子等等，如果你直接让AI去写作，可能效果并不好，但通过这“五步”Prompt，能令输出质量提升、结果更稳定。
第一步，把你觉得不错的文案“喂”给AI，并且要明确让AI学习这个文案，我们需要明确对AI说：“接下来我会发给你一个文案学习，目的是建立爆款文案模型，你学习完，只需要回复：已学习。文案如下：”。
第二步，在AI回复了“已学习”后，我们要开始让AI来给这个文案的文笔文风建立模型。
第三步，一般来说AI这时候总结得并不好，我们需要让AI更进一步地学习并更改自己的答案，这时候我们可以给AI一个框架。当然这一步也可以直接融合在上一步里面。
第四步，我们让AI来给每个部分分配权重。
第五步，我们给这个模板命名，让AI能快速调取。
下面举几个应用例子：
对于很多相对格式化，不要求较高创造力的文案领域，AI的内容已经达到了基准线之上，剩下的还可以通过人工修改。
你也可以继续对这个模型进行微调，比如要求AI写得更富创造力，或是“喂”给AI更符合你需要的初始文案，可以依据这个训练思路、框架来训练更适合你的文章模型。
基于这种训练思路，网友们还开发出很多有意思的场景，可以一试：
一个订餐机器人模型（通过代码实现）
如何利用ChatGPT构建一个订餐机器人？我们可以通过Prompt Engineering来实现。
这个订餐机器人案例来自DeepLearning.ai的课程。DeepLearning.ai创始人吴恩达与OpenAI开发者Iza Fulford联手，推出了一门面向开发者的Prompt Engineering课程。吴恩达是AI领域的明星教授，是斯坦福大学计算机科学系和电气工程系的客座教授，曾任斯坦福人工智能实验室主任。
ChatGPT是一个聊天对话的界面，我们可以由此构建一个自定义功能的聊天机器人，比如给餐厅的AI客户服务代理，或是AI点餐员等角色。
但由于这是商用场景，我们需要ChatGPT的回复精确而稳定，这时候用计算机语言比纯文本更为合适，所以我们需要先部署OpenAI Python包。
对于这种自定义聊天机器人模型，本质上我们是要训练一个这样的机器人：它能够将一系列消息作为输入，然后把模型生成的消息输出。在这个例子中，用的是GPT-3.5，3.5在现阶段可能更适合商用，因为GPT-4太贵了。
这个订餐机器人的应用场景是一家披萨店，所实现的功能是：首先问候顾客，然后收集订单，并询问是否需要取货或送货。如果是送货，订餐机器人可以询问地址。最后，订餐机器人会收取支付款项。
在实际的对话中，订餐机器人会根据用户的输入和系统的指示来生成回应：
用户说：“嗨，我想要订一份比萨饼。”
订餐机器人会回应：“很好，您想订哪种比萨饼？我们有意大利辣肠、奶酪和茄子比萨饼，它们的价格是多少。”
在整个对话过程中，订餐机器人会根据用户的输入和系统的指示来生成回应，从而使对话更加自然流畅，同时又避免在对话中插入明显的提示词信息。
首先，我们定义“帮助函数”，它会收集用户消息，以避免我们手动输入。这个函数将从用户界面中收集提示，并将它们附加到一个称为上下文（context）的列表中，然后每次都会使用该上下文来调用模型，这里面包括了系统信息，也包括了菜单。
ChatGPT的反馈和用户的反馈都会添加到context中，这个context会变得越来越长。这样一来，ChatGPT就拥有了它所需的所有信息，来决定下一步该怎么做。以下是context所部署的提示词：“你是订餐机器人，一个收集比萨饼店订单的自动服务。你首先问候顾客，然后收集订单，并询问是否要取货或送货。”（详细见下图）
如果实际运行起来，将是：用户说“嗨，我想要订一份比萨饼”。然后订餐机器人说：“很好，您想订哪种比萨饼？我们有意大利辣肠、奶酪和茄子比萨饼，它们的价格是多少”
由于提示词里面已经包含了价格，这里会直接列出。用户也许会回复：我喜欢一份中号的茄子比萨饼。于是用户和订餐机器人可以一直继续这个对话，包括是否要送货、需不需要额外的配料、再次确认是否还需要其他东西（比如水？或是薯条？）……
最后，我们要求订餐机器人创建一个基于对话的、可发送到订单系统的摘要：
在最后这个输出环节，输出的内容包括：产品大类（披萨、配料、饮品、小吃……）、类型、大小、价格、是否需要配送及地址。由于我们希望结果是完全稳定、可预测、不需要任何创意性的，所以我们会把temperature设为0。最终可以直接把这样的结果，提交给订单系统。
一些关键原则与技巧
最后，我们来总结一下两个关键原则，以及大语言模型目前的局限性，你需要知道大语言模型能力目前的下限在哪里，更有助于寻找具体应用场景。
原则一：编写清晰具体的指令
这个原则强调了在使用ChatGPT等语言模型时，需要给出明确具体的指令，清晰不等于简短，过于简短的提示词往往会让模型陷入猜测。这个原则下有4个具体策略：
1）使用定界符清楚地限定输入的不同部分。
定界符可以是反引号、引号等等，核心思想是要清晰地标识输入的不同部分，有助于模型理解和处理输出。定界符就是为了让模型明确知道，这是一个独立的部分，它能够有效避免“提示注入”。所谓提示注入，是指在一些用户新添加输入的情况下，可能误产生一些冲突的指令，导致结果不对。
2）要求结构化输出：为了使解析模型输出更容易，可以请求结构化输出。
在提示词中，你可以明确：生成三个虚构的图书标题，以及它们的作者和流派，使用以下格式提供：书籍ID、标题、作者和流派。
3）要求模型检查是否满足条件。
如果任务有假设条件并且这些条件不一定被满足，那么可以告诉模型首先检查这些假设条件，如果不满足则指示出来，并停止任务直接反馈，以避免意外的错误结果。
比如在以下例子中：我们将复制一段描述如何泡茶的段落，然后再复制提示词，提示词是如果文本包含一系列指示，请将这些指示重写为以下格式，然后写出步骤说明。如果文本不包含一系列指示，则只需写下“未提供步骤”。
4）小批量提示：在要求模型完成实际任务之前提供执行任务的成功示例。
这个策略简单而重要，就是我们在提示词中，可以包含一个正确的示例。比如我们要求模型用风格一致的口吻来回答，输入的任务是“以一致的风格回答问题”，然后提供了一个孩子和祖父之间的对话示例，孩子说：“教我什么是耐心”，祖父用类比的方式回答。
现在我们要求模型用一致的语气来回答，当下一个问题是：“教我什么是韧性”。由于模型已经有了这个少量示例，它会用类似的语气回答下一个任务，它会回答：“韧性就像能被风吹弯，却从不折断的树”。
原则二：给模型充足的思考时间
如果模型因急于得出错误的结论，而出现了推理错误，应该尝试重新构造提示词，核心思想是要求模型在提供最终答案之前，先进行一系列相关推理。这个原则下有2个策略：
1）指定完成任务的步骤：
明确说明完成任务所需的步骤，可以帮助模型更好地理解任务并产生更准确的输出。
2）指导模型（在急于得出结论之前）制定自己的解决方案：
明确指导模型在做出结论之前，自行推理出解决方案，可以帮助模型更准确地完成任务。
附加讨论：如何看待模型的局限性？
目前大语言模型商用最大的问题是“幻觉”。因为在其训练过程中，大模型被暴露于大量知识之中，但它并没有完美地记忆所见到的信息，也并不清楚知识边界在哪里。这意味着大模型可能会尝试回答所有问题，有时会虚构出来一些听起来很有道理，但实际上不正确的东西。
一种减少幻觉的策略是，首先要求大语言模型从文本中，找到所有相关的部分，然后要求它使用那些引文来回答问题，并将答案追溯回源文件，这种策略可以减少幻觉的发生。
总结
今天这篇文章比较实操，我们通过2个案例（一个纯文本、一个通过编程），来解释了Prompt Engineering（提示工程）一些更深入的应用。
像GPT-3.5、GPT-4这样的大语言模型，它什么都懂，但恰恰也是因为太广泛，而导致如果你不给它提示的话，你得到的回答经常是车轱辘话。
这时候Prompt（提示词）的重要性不言而喻，并且不仅仅是一个词，或是一个简单的句子，如果你想实现更复杂的功能，也同样需要更复杂的提示词。
Prompt也需要大家开脑洞，想出更新奇或是更适合自己的玩法，它的“独家性”也很强。比如之前获奖的《太空歌剧院》，作者号称自己花了80多个小时、900多次迭代才出来这幅作品，至今也拒绝共享Midjourney用了什么提示词。
《太空歌剧院》
当然，Prompt本身，可能只是一种阶段性的需求，OpenAI的CEO Sam Altman曾说：五年之后，可能不再需要提示工程师这个职位，因为AI会产生自我学习的能力。但不可否认的是，这个“阶段性需求”，是真正助力AI切入商业各个环节的重要利器。
我们现在也不需要从零开始摸索，国内外有很多不错的Prompt社区，大家都在交流提示词使用心得，甚至列出了有哪些当下热门的提示词。从创业和投资的角度来说，如今大家都在讨论应用层的机会到底在哪里，常去这些提示词热门网站看看，也许能从那些新发布的热门提示词中，找到一些应用场景的创新灵感。看得再多，不如下场一试。
本文来自微信公众号：经纬创投 （ID：matrixpartnerschina），作者：经纬创投主页君