在刚刚过去的 12 月，OpenAI 发布了一份提示词工程指南。这份文档列出了一些和大语言模型助手沟通的基本原则，包括指令要清晰、复杂任务要拆分、最好给出示例、给出操作流程等等。
这些基本规则，和今年 4 月份吴恩达教授的短课程相似——那门课叫《面向开发者的提示词工程》。不过，在吴恩达教授的课程中，介绍的是用大模型开发应用的基本原则，以及大模型的几类常见应用：总结、判断、转换、扩展。容易看出，其中并没有包括人们常见的使用大模型的方式：问答。
人们希望大语言模型能直接给出答案。这是更为直觉的用法，或者说，人们希望能像使用搜索引擎那样使用大语言模型，或者像靠谱的人类助手相似，能够三言两语就完成沟通，而不是先做一堆准备工作，先写一篇小作文。
不过这可能难以在短期内实现。提示词工程（Prompt Engineering），目前还是有必要存在的。
捎带说明一下，本文主要讨论的是大语言模型中的提示词工程，因此文中没有使用「生成式人工智能」这个范围更大的术语，而全部都使用了「大语言模型」。
什么是提示词工程
没想到答案，就不要寻找题目。
但凡日常生活中接触到、使用过一些大语言模型产品的人，应该对提示词工程都不陌生。提示词工程是指通过设计和优化输入提示，引导大语言模型更有效、更精确地生成所需的内容。
你是一位精通简体中文的专业翻译，曾参与《纽约时报》和《经济学人》中文版的翻译工作，因此对于新闻和时事文章的翻译有深入的理解。我希望你能帮我将以下英文新闻段落翻译成中文，风格与上述杂志的中文版相似。
规则：
- 翻译时要准确传达新闻事实和背景。
- 保留特定的英文术语或名字，并在其前后加上空格，例如：「中 UN 文」。
- 分成两次翻译，并且打印每一次结果：
- 根据新闻内容直译，不要遗漏任何信息
- 根据第一次直译的结果重新意译，遵守原意的前提下让内容更通俗易懂，符合中文表达习惯
本条消息只需要回复 OK，接下来的消息我将会给你发送完整内容，收到后请按照上面的规则打印两次翻译结果。
这段提示词中包含了角色扮演、规则设定，以及让大语言模型自行回顾和改善。显然，这和人类日常对话的方式不同。这也就意味着，提示词工程是一种需要学习才能掌握的技能——虽然门槛不高，但是还是要学习的。
这和人们期盼的「使用 AI 应该像和人聊天」，显然差距不小。
有一种观点认为，随着 AI 大模型的能力越来越强，对真实世界的理解越来越多，人们将会越来越容易使用自然语言与 AI 沟通，提示词工程将不再有用武之地。2022 年 9 月 13 日，OpenAI 的 Sam Altman 和 LinkedIn 的 Reid Hoffman 有一场对谈。Sam Altman 认为提示词工程是个短期需求：
「5 年后我们将不再需要提示词工程，或者只需在这方面做少量工作。将来的 AI 系统不会因为增补了某个特定词就会产生截然不同的输出，而是可以较好地理解自然语言，用户只需以文本和语音形式输入指令，即可让计算机完成图像生成、资料研究、心理咨询等复杂任务。」
「总的来说，用户只须使用自然语言就可以与计算机交互，当然，如果艺术家能想出更有创造性的描述，也自然就可以生成更好的图像。」
AI 大佬杨立昆也支持这种观点。他认为，之所以需要提示词工程，是因为现在的大语言模型的理解能力还比较弱。
而另一种观点则认为，考虑 AI 大模型的基本技术原理，提示词工程将会一直存在，而且将成为重要的技术，相当于大语言模型出现之前的编程技术一样。Sam Altman 似乎改变了自己的观点；2023 年 2 月 21 日，他发了一条 Twitter：「写出好提示词是一项高杠杆技能。」
这个观点和今年上半年的许多人相同。不少企业开始招聘「提示词工程师」，提示词工程课程、网站和插件纷纷涌现。虽然生成式人工智能的能力在不断提升，但它们仍然不能理解人类语言的真正含义。大语言模型的原理是统计和概率，而非真正意义上的理解。因此，即使能更好地处理自然语言，但在特定场景下生成高质量、精确的内容仍需精心设计的提示。
换言之，大语言模型学习了许多东西，也能做一些推理和判断，但是它不知道用户面临的具体情境。我们要使用大语言模型来解决问题，需要自己先整理好问题，把它精确描述出来——将存在于思想中、甚至自己意识不到的需求，转化为明确的文本请求。
这样可以解决两个问题：上下文和歧义。前者是因为问题背景的复杂，后者是因为人类语言的模糊。
真正的问题总是复杂的，而人们在日常沟通中已经习惯了双方共同默认的问题背景和情境——这就是为什么网上陌生人沟通往往会吵起来。而大语言模型并没有这些个人化的背景知识。复杂总需要在某个地方得到满足，或者是用户界面（想想拥有无数菜单和可选项的软件），或者是解决方案。ChatGPT 提供了一个简单的用户界面，于是复杂就转移到了解决方案上。结果就是，我们需要跟大模型明确说明它需要解决的问题。
除了这两个问题之外，还有一个更不容易解决的问题：幻觉。
大模型是场梦
世事一场大梦，人生几度秋凉。
今年剑桥词典选出的年度词是 hallucinate。这是个动词，意思是「产生幻觉」，特指大语言模型一本正经地胡说八道。
12 月初，OpenAI 的计算机科学家 Andrej Karpathy 写了篇短文，讨论了大语言模型的幻觉问题。他认为，本质上来看，大语言模型就是在做梦。幻觉不是大模型的问题，它是大模型的工作方式。或者说，它不是大语言模型的缺陷，而是大语言模型的特征。
It’s not a Bug, it’s a Feature!
如果把大语言模型视为光谱的一端，另一端则是搜索引擎。搜索引擎完全不做梦，它根据用户的输入内容精确查找，它没有幻觉，但也没有生成内容的能力。把大语言模型当成搜索引擎或者相反，都是错误的。
Karpathy 认为，当人们将大语言模型变成工作助手时，幻觉才成了需要解决的问题。人们需要引导大语言模型助手往正确的方向去做梦。也许检索增强生成（RAG, Retrieval-Augmented Generation）是个方向，但是它并非唯一方向。
提示词工程视角的问题视角
问题其实就是你期望的东西和你体验的东西之间的差别。
所以我们可以看出，所谓提示词工程，就是在理解大语言模型基本原理的基础上，尝试设计一个文本序列，让大语言模型产生更好的结果的一系列活动。
其核心是准确描述问题，限制产生的回应。膜拜提示词工程、背下提示词模板，都没什么意义。提示词会随不同的大语言模型而变，但是规则始终如一。
更普适的技能，其实是问题表述——即识别、分析和界定问题。这是人类自古钻研的领域，早就有了很好的教材：《你的灯亮着吗？》《学会提问》《怎样解题》，等等等等。
今年 6 月的《哈佛商业评论》网站上有一篇文章《AI 提示词工程不是未来》，作者是伦敦国王学院的 Oguz A. Acar。他认为，在使用大语言模型时，应该从规划问题的角度来构建提示词。这包括几个步骤：问题识别、问题分解、问题重构、约束设计。
按照 Gerald M. Weinberg 的定义，问题是现状和理想之间的差距。描述理想中的目标，再描述现状，我们就得到了问题。有些问题简单具体，有些问题则宽泛得多。
对于宽泛的问题，就需要分解。澄清问题的本质和范围，将问题拆分成更小的可管理的子问题，尤其是当问题涉及多方面因素时更该如此。无论是「我怎样才能瘦 20 斤」还是「我怎样才能财务自由」，都不会有简单答案。
有时候，看待问题的角度决定了解决方案的数量和质量，《你的灯还亮着吗》第一章就提供了一个好例子。问题重构让我们在收集信息的过程中持续回顾问题，看看是否有其它看待问题的角度，甚至考虑最初问题的定义是否有偏差。
最后，我们要定义解决方案的输入、过程和输出来限制问题的边界，这会让大语言模型返回更合适的答案。提示词工程中的「Few-Shot Prompting」方法就是一种典型的约束设计方式，它通过举例来让大语言模型理解任务的要求。
没有明确定义的问题，即使是最复杂的提示词也无法得到优秀的结果。而若问题是定义清晰的，提示词在语言上的细微差别，可能并不那么重要。
我觉得，和大语言模型讨论并解决问题的过程和在论坛上求助有些相似，适用于技术论坛的提问规则也适用于它。所以，《提问的智慧》这篇已经有二十年历史的文章依然很有价值。这里是英文版，这里是翻译得很好的中文版。
一句话总结：尝试明确描述问题，一次把问题和想要的解决方案说清楚。
更远的未来
今天的企业已经开始部署和使用自己的大语言模型，例如 Amazon Web Services 的 Amazon Q。企业操纵大语言模型的两种主要方法是微调和 RAG；微调改变了大语言模型的行为和响应，RAG 则通过可信的上下文来补充用户的输入。
也许几年后，我们也可以用类似的方式，把自己的私人大语言模型变成随身分身。也许将来算力、算法、真实世界理解和人机交互等等都会有重大突破，我们无需提示词工程也能获得满意的解决方案。
但是基本规则不会变。2023 年 5 月 25 日，李彦宏在中关村论坛做了一场主题演讲：《大模型将改变世界》。他说，「10 年后，全世界有 50% 的工作会是提示词工程。」
时间会证明这句话是否正确。不过我觉得，他的下一句话才更关键：
「提出问题比解决问题更重要。」
作者注：本文图片除截图外，皆由 DALL·E 3 生成。
