解锁LLM的金钥匙（Prompt Engneering）

前言：

最近在学习AIGC时，总是会碰到一个关键词就是prompt，起初我还不以为意，这不就是我要向chatGPT问的话吗，让它帮我写点文章啥的，没什么好看的，是个人都会用。不知道小伙伴你，是不是也这么想呢？或许我们都还没有真正利用到大模型的开发效率，没有真正得到Prompt Engneering给我们带来的巨大好处，所以就让我们一起来学习、了解一下吧。

---

什么是prompt 和 Prompt Engineering

说了这么久，还没有解释一下什么是prompt呢，所以就浅浅的解释一下：

Prompt（提示）在人工智能和自然语言处理领域中，通常指的是用来引导或激发AI模型生成特定响应的一段文本或指令。它作为与AI模型交互的桥梁，帮助模型理解用户需求、上下文或期望的输出类型。例如，在使用一个文本生成模型时，用户可能会输入一个prompt：“请描述一下未来城市的交通系统”，模型则会基于这个提示生成相关的描述性文本。

Prompt Engineering（提示工程）则是指一种技术实践，专注于设计、优化和调整这些prompts，以提高AI模型的输出质量和效率。通过调整细微差别以及用户需求，进而创造性地构造prompt，引导AI模型产生更加准确、有创意或符合特定场景的回应。Prompt Engineering 的目标就是通过精心构造输入，最大化模型的表现，同时解决模型的局限性，如偏差、误解、或不切题的回复。简而言之，Prompt Engineering是提升AI应用效果的关键技能之一，尤其是在自然语言生成、问答系统和对话系统等场景下。

效率高的智能体，往往需要质量高的prompt

所以在编辑prompt的时候，遵循这么一些模式可以让我们收到的回复更加准确：

总结的prompt设计模式

• 把时间花在设计prompt上 (好的问题比答案也许更重要)
• 提供清晰、明确的提示，长提示效果好
• 给它一些例子，few shot 展示LLM的学习能力

Prompt设计精髓在于精心构思问题，因为优质提问直接引领卓越答案。 关键技巧涉及构造清晰、详尽的指令，长Prompt往往能更精确地框定范围，引导AI理解复杂需求。融入“少样本学习”(Few-shot)，即提供典型示例，不仅展示过往成功案例，还诱发AI模型展现其强大的学习与生成潜力。

下面是一段：

//node 里面的模块化里的关键字，引入模块
// 从本地node_modules 引入openai模块，OpenAI
require('dotenv').config();
const OpenAI = require('openai')
//环境变量
// console.log(process.env,'-----')
const client = new OpenAI({
          apiKey: process.env.OPENAI_API_KEY,
          baseURL: 'https://api.chatanywhere.tech/v1'
})
const getChatResponse = async function(model,prompt){
          const response = await client.chat.completions.create({
                    model: model,
                    messages: [
                        {
                            role: 'user',  
                            content: prompt
                        }
                    ]
          })
          return response.choices[0].message.content
}
async function mian(){
          let text= `
          请描述一下未来城市的交通系统
          `
          //llm 的 npl 总结能力
          // 转译符号 \`\
          let prompt1 = `
          ${text}，20字以内    
          `
          let prompt2 = `
          任务：将给定的英文句子转换为Pig Latin（一种英语游戏用语）。
          
          示例1：
          输入："Hello World"
          Pig Latin 输出："Ellohay Orldway"

          示例2：
          输入："Good Morning"
          Pig Latin 输出："Oodgay Orningmay"

          现在，请执行：
          输入："The quick brown fox"
          `
          const  content1 = await getChatResponse('gpt-3.5-turbo',prompt1)
          const  content2 = await getChatResponse('gpt-3.5-turbo',prompt2)
          console.log(content1);
          console.log('--------------------分割线-----------------------');
          console.log(content2);
}
mian();

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

从代码可以看到这里的两个不同的prompt不同的风格： 如果我们给出prompt1一些限制和要求，它就会给你总结内容，拿到更加准确无误的答案。

但是当我们取消限制后它就会得到一大堆内容。

就好比prompt2，给出了具体的例子让LLM去学习，然后给出了它的简短答案。可见你的prompt给出的细节越多，就越能让大模型了解我们的需求，并帮我们完成它。

如果有小伙伴运行不了，请查看是否下载了openai包，以及dotenv包，不会的可以看我上一章的内容。

总结

总结来说，Prompt是与AI模型沟通的“问题”或“指引”，而Prompt Engineering则是研究如何提出更好的问题，以促使AI给出更理想答案的过程和技术。

大家可以试试别的好玩的prompt，就像上面代码内的prompt2内容一样，通过你的引导，让大模型去生成更加有趣的内容吧！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】