【AI大模型应用开发】1.0 Prompt Engineering（提示词工程）- 典型构成、原则与技巧，代码中加入Prompt-编程知识

【AI大模型应用开发】1.0 Prompt Engineering（提示词工程）- 典型构成、原则与技巧，代码中加入Prompt

从这篇文章开始，我们就正式开始学习AI大模型应用开发的相关知识了。首先是提示词工程（Prompt Engineering）。

文章目录

- 0. 什么是提示词（Prompt）
- 1. 为什么Prompt会起作用 - 大模型工作原理
- 2. Prompt的典型构成、原则与技巧
- 3. 开始使用Prompt
- 4. 代码中加入Prompt
- - 4.1 OpenAI API解释

0. 什么是提示词（Prompt）

AI大模型火了也已经有一年多了，相信大家或多或少都听过或见过一个词叫“Prompt”，这就是提示词。
用户给大模型输入一个Prompt，大模型会根据你的Prompt给出一个回复，这是目前为止，最常用的使用大模型的方法。网络上很多号称“不用编程，轻松实现自己的应用、助理”等，都是基于Prompt来做的。即使是需要通过编程的方式来使用大模型达到自己需求的，过程中也会大量使用Prompt，将Prompt固化到程序中，作为“代码”的一部分。
所以，在现在的AI时代，Prompt也可以看作是一门【编程语言】，最近新兴了一个职业叫做【提示词工程师】，也就类似是AI时代的程序员。

现在Prompt工程并没有形成一套完整的标准化体系，网络上关于如何使用Prompt的文章也是铺天盖地，非常杂乱，让人眼花缭乱。因为本人想以实战为主，因此本文只是总结一下Prompt的最基本构成和原则。

重要提醒：

Promt是一个需要不断优化的过程，没有哪一篇文章或哪一个Prompt是适用于所有场景，或者拿来直接可用的。
即使同一个场景，相同的Prompt，不同的大模型之间也会效果不同。如果换了大模型，提示词大概率需要重新优化。
所以不要光看网上的什么【最佳实践】，还是要下场实操，在不断迭代中学会优化Prompt的方法，才是最重要的。

1. 为什么Prompt会起作用 - 大模型工作原理

简要概括：它只是根据上文，猜下一个词的概率，在前几个概率大的词中选择一个输出。
在这里插入图片描述

2. Prompt的典型构成、原则与技巧

在这里插入图片描述

3. 开始使用Prompt

如果不会编程，或不想写代码，可以直接在AI软件中使用Prompt，例如：

ChatGPT
文心一言

4. 代码中加入Prompt

4.1 OpenAI API解释

下面是上篇文章【AI大模型应用开发】0. 开篇，用OpenAI API写个Hello World ！我们的“Hello World”程序，里面包含了一个函数chat.completions.create。

from openai import OpenAI
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())client = OpenAI()response = client.chat.completions.create(model="gpt-3.5-turbo-1106",messages=[{"role": "user","content": "你是谁？"}],
)print(response.choices[0].message.content)

该函数有几个重要参数解释下：

model：用来指定使用哪个模型，例如：gpt-3.5-turbo-1106
messages：传入大模型的prompt，prompt有三种角色：
- system：系统指令，最重要，用于初始化GPT行为，以及规定GPT的角色、背景和后续行为模式。system是主提示，可以进行更加详细的设置。
- user: 用户输入的信息。
- assistant: 机器回复，由 API 根据 system 和 user 消息自动生成的。
temperature：参数值越小，模型就会返回越确定的一个结果。如果调高该参数值，大语言模型可能会返回更随机、创意的结果，如诗歌、写作等，可以适当提高。
max_token：控制了输入和输出的总的token上限，要求我们的prompt不能太长，或者控制上下文轮次！（给你估算成本和节省成本用的）
Top_p：与 temperature 一起称为核采样的技术，可以用来控制模型返回结果的真实性。如果你需要准确和事实的答案，就把参数值调低。如果你想要更多样化的答案，就把参数值调高一些。