在这个知识爆炸的时代，优质的问题成为了通向智慧宝库的钥匙。正如那句哲言所言：“好的问题也许比答案更重要。”在深入学习吴恩达教授的Prompt Engineering课程后，我对这一理念有了更为深刻的理解与体验。

何为Prompt？

通过大学英语四级的朋友应该都知道，prompt作为名词有提示，提醒的意思，在计算机程序中用于引导用户输入的信息。而我们今天讲的Prompt Engineering就是常讲的提示词工程。在AI快速发展的时代，LLM (Large Language Model 大模型) 已经深入千家万户，此时的LLM就好比是一座巨大的宝库，里面蕴藏着巨大的潜力和价值。而Prompt就像是把打开这巨大宝库的钥匙，通过精心的设计提示词，我们可以更快捷，更准确的获得与之相匹配的财富。简单点，Prompt就是让你的指令使AI能够更好的识别出来得到你想要的结果。

Prompt的简单示例

可能对于一些小白来说，知道了Prompt的概念之后，并不知道该怎么去使用它。下面以一个简单的代码实例带我们从AI底层实现

require('dotenv').config(); 
const OpenAI = require ('openai');
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, // 适合聊天的模型 很多种
        messages: [
            {
                role: 'user',
                content: prompt
            }
        ]
    })

    return response.choices[0].message.content

}
async function main() {
     let text = `
    您应该提供尽可能清晰、具体的指示，以表达您希望模型执行的任务\
    这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。\
    不要将写清晰的提示词与写简短的提示词混淆。\
    在许多情况下，更长的提示词可以为模型提供更多的清晰度和上下文信息，
    从而导致更详细和相关的输出
    `
    let prompt =`
    把用三个反引号括起来的文本总结成一句话
     \`\`\`${text}\`\`\`  //用反斜杠起转义作用
    `
    const chatCompletion = await getChatResponse('gpt-3.5-turbo', prompt)
    console.log(chatCompletion);

main();

这段代码首先前提是我们需要将这个js文件初始化，并安装openai以及dotenv。然后引入相应的模块，require即是node中的引入模块的关键字。再配置相关的openai，初始化OpenAI客户端。调用OpenAI API来创建一个聊天完成（chat completion）请求。指定适合聊天的的模型版本'gpt-3.5-turbo'。

在这里text是我们需要处理的文字，Prompt就是我们的提示词，提示AI我们需要的到的结果。此时AI就可以返回我们需要的结果了，具体结果如下图所示

这个结果已经可以达到我们想要的结果了，但是我们还可以获得一个更好的结果。这就需要我们在设计模式上下功夫了

Prompt的设计模式

Prompt设计模式是指在与人工智能，特别是大型语言模型（LLMs）交互时，为了获得更准确、更有针对性和创造性的响应，而采用的一系列策略和技巧来构建和优化提问（prompt）的过程。这不仅仅是简单地提出一个问题，而是涉及到如何有效地组织语言、提供上下文、利用示例引导等多种方法来引导模型的思考方向。

一个好的设计模式应该具有以下几点组成

1.清晰明确性： 确保prompt表达清晰，避免模糊或双重含义，使模型能够准确理解问题的核心。

2.上下文丰富：提供足够的背景信息和上下文，帮助模型理解问题所处的环境和条件，从而给出更贴切的答案。

3. 具体化指令：具体说明你想要模型完成的任务类型，比如摘要、创作、解释、对比分析等，而不是仅仅提出一个开放性问题。

4. 示例引导（Few-Shot Prompting） ：通过提供几个简短的示例（few-shot examples），展示期望的输出样式或解答方式，这种方法特别适用于指导模型学习特定的格式、风格或回答结构。

let prompt2 = `
    您的任务是以一致的风格回答问题。

    <孩子>: 教我耐心。

    <祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；最宏伟的交响乐从单一的音符开始；最复杂的挂毯以一根孤独的线开始编织。

    <孩子>: 教我韧性。
    `
    const response = await getChatResponse('gpt-3.5-turbo', prompt2);
    console.log(response);

}

通过这段代码可以看出，当我们丢给大模型一个具体的例子，大模型就可以根据我们给的例子生成我们需要的东西

在这里需要特别注意！！！

clear ≠ short，清晰明确并不代表简短，长提示效果会更好！
使用分隔符清楚的指示输入的不同部分。 比如使用分隔符（ \\, "", < >, <tag> </tag>, :）区分指令和待处理的文本。可避免提示词与待处理文本冲突。
给模型足够的时间思考， 简而言之就是通过指令调整多训练一会模型，让模型输出能够让你满意。

好的问题也许比答案更重要：吴恩达系列之Prompt Engineering

何为Prompt？

Prompt的简单示例

Prompt的设计模式