学习总结 | 豆包MarsCode AI刷题

用户77631048455
98 阅读6分钟

在现代人工智能和机器学习领域，**提示工程（Prompt Engineering）**成为了提升语言模型效果的重要手段。特别是在利用OpenAI的GPT等大语言模型时，如何设计有效的提示，能显著提高任务的执行效率和准确度。本文将结合吴恩达老师在公开课中的提示工程原则、OpenAI的最佳实践以及LangChain库的应用，深入分析如何进行高效的提示设计。

提示工程的原则与策略

在进行提示工程时，两个关键原则是至关重要的：

  1. 清晰而具体的指示： 提示的设计需要明确并且具体，指示模型做什么，以及如何处理输入的数据。一个模糊或不明确的指示，往往会导致输出结果的偏差或不准确。例如，当要求模型为某个产品起名时，应该明确指出是根据产品特点、市场定位等进行创意命名，而不是让模型仅仅随机生成。
  2. 给模型思考的时间： 给模型足够的时间去理解任务并形成思路是非常重要的。虽然GPT系列模型拥有较强的推理能力，但它们依然需要一段时间来处理和理解输入。通过设置合适的上下文和清晰的任务结构，可以提高模型的思维深度和输出质量。

这些原则不仅适用于语言模型，也为我们在处理复杂问题时提供了思路。清晰的目标和适当的思考空间，让AI更容易完成任务，而这也与人类在思考和解决问题时的方式非常相似。

LangChain提示模板

LangChain库提供了强大的提示模板功能，可以帮助开发者更加结构化地设计提示。LangChain支持两种主要的提示类型：String模板（StringPromptTemplate） 和 Chat模板（BaseChatPromptTemplate） 。

1. 使用StringPromptTemplate

StringPromptTemplate 是LangChain中最简单的提示类型，适用于处理标准的文本任务。比如，假设我们要为某个鲜花店设计文案，可以使用如下的模板：

python
复制代码
from langchain import PromptTemplate

template = """\
你是一个鲜花店文案写手，请为售价为50元的玫瑰花写一个吸引人的文案。
"""
prompt = PromptTemplate.from_template(template)
print(prompt.format())

通过这个模板，模型会生成一个适合鲜花店的文案，比如“这款50元的玫瑰，送给特别的你，见证爱的美丽瞬间”。这样的设计清晰简洁，模型知道它的任务是编写文案，并且通过明确的提示了解目标。

2. 使用ChatPromptTemplate

ChatPromptTemplate 则是专为多轮对话或更复杂的任务设计的模板。它模拟了ChatGPT中的对话角色，如系统消息、用户消息和助手消息。例如，在给一个公司起名的场景中，可以定义一个包含多个角色的对话模板：

python
复制代码
from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

template = "你是一位专业顾问，负责为专注于{product}的公司起名。"
system_message_prompt = SystemMessagePromptTemplate.from_template(template)

human_template = "公司主打产品是{product_detail}。"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

prompt_template = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

prompt = prompt_template.format_prompt(product="鲜花装饰", product_detail="创新的鲜花设计。").to_messages()

通过此模板，模型根据角色的引导，能够更加精准地理解任务需求并生成符合期望的输出。

3. Few-Shot和Zero-Shot学习

在提示设计中，Few-Shot学习和Zero-Shot学习是两个关键概念。Few-Shot学习指的是在提供少量示例的情况下，帮助模型理解任务；而Zero-Shot学习则是要求模型根据任务描述直接生成输出，完全不依赖示例。

举个例子，当要求模型生成一些鲜花店的名字时，Few-Shot学习可能会提供一些示例名称，如“花漾装饰”、“花之魅力”，帮助模型理解命名的方向。而Zero-Shot学习则是在没有示例的情况下，直接要求模型根据提示内容生成创意名称。

OpenAI的GPT系列在Few-Shot学习上的表现非常强大。通过提供几个相关的示例，模型能够较好地推断出任务的模式，从而生成准确的结果。例如，GPT-3模型能够通过少数几条翻译示例，轻松完成新语言的翻译任务。

LangChain中的提示模板

LangChain中的提示模板使得生成复杂的提示变得更加结构化和模块化。例如，FewShotPromptTemplate可以提供几个示例来引导模型完成任务。这种少样本学习的方式非常适合现实中数据有限的场景。

python
复制代码
from langchain.prompts import FewShotPromptTemplate

# Few-Shot示例
examples = [
    {"input": "给一个销售鲜花的公司起个名字", "output": "花语创意"},
    {"input": "为一家公司命名，专注于创意家居", "output": "家艺创意"},
]

prompt_template = FewShotPromptTemplate(
    examples=examples,
    input_variables=["input"],
    output_variable="output",
    template="给一个销售{input}的公司起个名字。"
)

prompt = prompt_template.format(input="鲜花装饰")
print(prompt)

通过Few-Shot的方式，模型能够更好地理解任务，并生成符合要求的输出。

提示工程的优化

为了提高模型的输出质量，提示工程师可以通过不断迭代、优化和调整提示来实现最佳效果。例如，反复测试不同的提示格式、调整输入变量的顺序和内容，甚至结合外部工具（如API、数据库等）来提供更多上下文，都会使得提示更具针对性。

在实际应用中，通过精心设计的提示模板和适当的示例，能够极大提高大语言模型在各种复杂任务中的表现。例如，在生成产品文案、公司命名、客户服务等场景中，提示工程不仅仅是技术性操作，还是一种与AI协作的艺术。

总结

通过掌握提示工程的基本原理和实践方法，尤其是在LangChain中的应用，能够帮助我们更高效地与大语言模型进行交互。无论是基于String模板、Chat模板，还是通过Few-Shot、Zero-Shot学习的方式，提示工程都为我们提供了清晰、有效的框架，帮助AI理解和解决问题。随着技术的不断发展，提示工程将在未来的人工智能应用中扮演越来越重要的角色，成为提升AI效能和推动创新的关键工具。

avatar
文章
阅读
粉丝