家人们！当AI开始帮我写周报、改代码，甚至还能吐槽老板的“画饼文学”时，我终于悟了——人类和AI的关系，就像在玩一场大型“你画我猜”！而决定AI是青铜还是王者的关键，不是它背后多硬核的算法，而是我们这些玩家投喂的“通关密语”——没错，这就是最近火出圈的Prompt Engineering（提示工程）！掌握这门“人类驯服AI的神秘语言”，你就能让AI秒变懂你小心思的“数字田螺姑娘”，把天马行空的脑洞变成现实。今天咱们就来扒一扒，如何用正确的“咒语”，解锁AI的隐藏技能！
一、什么是提示工程（Prompt Engineering）
Prompt 就是你发给大模型的指令，比如(讲个笑话)、（用Python编个贪吃蛇游戏）、（给男/女朋友写封情书）等。对于在AGI时代来说，学会提示工程就像学用鼠标、键盘一样，是AGI时代的基本技能。提示工程也是{门槛低，天花板高}，所以有人戏称prompt为（咒语）。
1.1 提示工程上的优势
1.我们懂原理，所以知道为什么有的指令有效，有的指令无效，怎么提升指令有效的概率。
2.我们懂编程：能知道哪些问题用提示工程解决更高效，哪些用传统编程更高效，能完成和业务系统对接，把效能发挥到极致。
1.2 使用Prompt的两种目的
1.获得具体问题的具体结果，比如（我该学Vue还是React？）
2.固化一套Prompt到程序中，成为系统功能的一部分，比如（每天生成本公司的简报）
1.后者更难，掌握后能轻松搞定前者
2.后者是我们独特的优势
1.3 Prompt调优
找到好的prompt是个持续迭代的过程，需要不断调优。参考训练数据来构造prompt是最好的。不知道训练数据怎么办？
1.看Ta是否主动告诉你。例如已知：OpenAI GPT对Markdown格式友好，Claude 对XML友好。
2.只能不断试了。多一个字少一个字，对生成概率的影响都可能是很大的。尝试是常用方法，确实有运气因素，所以门槛低、天花板高。
高质量prompt核心要点：具体、丰富、少歧义，修炼prompt能力，工夫在平时。
二、Prompt的典型构成
- 角色：给AI定义一个最匹配任务的角色，比如：[你是一位软件工程师]、[你是一位小学老师]
- 指示：对任务进行描述
- 上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
- 例子：必要时给出举例，实践证明其对输出正确性有很大帮助
- 输入：任务的输入信息；在提示词中明确的标识出输入
- 输出：输出的格式描述，以便后续模块自动解析模型的输出结果，比如（JSON、XML）
2.1 [定义角色]为什么有效？
模型训练者没有想到过会这样，完全是大家把[AI当人看]，因为传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了。大模型对prompt开头和结尾的内容更敏感。 先定义角色，其实就是在开头把问题域收窄，减少二叉性。
2.2 推荐流量包的智能客服
2.3 对话系统的基本模块和思路
核心思路： 1.把输入的自然语言对话，转成结构化的表示
2.从结构化的表示，生成策略
3.把策略转成自然语言输出
2.4 完善，调优提示词
给例子很常用，效果特别好，改变习惯，优先用Prompt解决问题
用好prompt可以减轻预处理和后处理的工作量和复杂度。一切问题先尝试用prompt解决，往往有四两拨千斤的效果。
2.4.1支持多轮对话DST
在Prompt中加入上下文
加入指定情况下的回答模板，这样话术更专业
2.4.2纯用OpenAI API实现完整功能
把模型生成的回复加入消息历史。很重要，否则下次调用模型时，模型不知道上下文。
3 总结思考
纯OpenAI方案是否会更好？我觉得对于一个预设的产品来说，我们可以预先通过OpenAI给出来的方案，或者OpenAI给出的提示词来对我们所需的产品进行修饰。通过不断地通过页面的产品提示词来对产生的代码和需求进行修改。要做到以下两点，让代码生成更准确
- 让更多的环节可控
- 减少prompt长度
