文章目录
- 前言
- 什么是提示工程师？
- Prompt
- 提示工程
- Chain-of-Thought Prompting
- 总结
前言
自人工智能（AI）诞生之初，人们就担心它会抢走人类的工作。
不过，AI也不断在创造新的职业，比如最近大火的“提示工程师”（prompt engineer），随着ChatGPT等语言类大模型（large language model）和Midjourney等图像生成程序（image generator）的爆红而需求剧增。
什么是提示工程师？
Prompt Engineer、prompt engineering
而言之就是为生成式AI（generative AI）撰写文本提示（text prompt）的人，以保证AI正确生成人们所需要的输出成果（output），这一工作流程被称为“prompt engineering（提示工程）”。就像之前我们依靠程序员（programmer）撰写代码（code）来调用程序一样，如今需要提示工程师来培训AI。
Prompt
什么是提示词？
如何向大语言模型提问，或者更好的提问，就是指提示词（Prompt）；提示词是给LLM（大语言模型）的指令，它可以是一个问题、一段文字描述，甚至可以是带有一堆参数的文字描述。LLM会基于 prompt 所提供的信息，生成对应的内容从而获得符合预期的结果。
提示工程
什么是提示工程？
- 随着大语言模型的广泛应用，提示词转变为一种工程，就是所谓的提示工程（Prompt Engineering）；他是一种LLM使用技术，通过设计和改进 LLM的 prompt 来提高 LLM的表现，其目标是创建有效和可控的LLM系统，使其能够准确、可靠地执行特定任务。
- 不同情况下，Prompt Engineering也称为 In-Context Prompting，也就是上下文的提示词；通俗而言，是指如何在不更新模型权重的情况下与 LLM 进行沟通，以引导LLM的输出得到更有意义结果的方法。
- 在过去一年中，提示工程有着不同程度的进步，可以分成3种分类；第一类为 Zero-shot learning（零样本学习），零样本学习是指该模型可通过从未见过的类别进行分类，使机器具有推理能力，实现真正的智能。
Chain-of-Thought Prompting
什么是思维链？
有些场景下，单凭和大语言模型进行沟通，无法通过推理获得准确的结果；而推理是人类智力的基本方面，涉及得出结论和做出决策的证据和逻辑。
大型语言模型（LLM）开始表现出了类似人类的推理能力，借助我们人类对复杂问题“分步思考”的分析逻辑，LLM也可以发展出“分步思考”的复杂思维能力。 为LLM提供 “思维链”，即推理示例，有时还需要我们人类提供一些 “分步思考” 的简单提示，使这些LLM能够从这些例子中学习，最终形成LLM它们自己的思维链。
总结
本篇文章主要是介绍一下提示工程师，然后涉及到的一些名词，更深入的需要大家自己动手查资料。
另外，提示工程师还能通过对程序的微调（fine-tune），帮助发现AI的错误、偏见和隐藏能力（hidden capabilities）。这也是为什么在全球范围内，多家科技公司正大力招募可帮其优化AI生成内容的提示工程师。一家AI合同评审公司为提示工程师开出的年薪是23万美元；即便在兼职平台Upwork上，这一工种的时薪也达到40美元。
或许，未来最流行的编程语言不再是Python、Java或者C++，而是人们的自然语言，这其实是很酷的一件事。