什麼是提示工程？
提示工程是您引導生成式人工智慧 (生成式 AI) 解決方案以產生所需輸出的程序。儘管生成式 AI 設法模仿人類，但它仍需要詳細的指示來建立高品質和相關的輸出。在提示工程中，您可以選擇最合適的格式、片語、單詞和符號，以引導 AI 更有意義地與使用者互動。提示工程師使用創意加試錯法來建立輸入文字的集合，因此應用程式的生成式 AI 能夠如預期運作。
什麼是提示？
提示是請求生成式 AI 執行特定任務的自然語言文字。生成式 AI 是一項人工智慧解決方案，可建立故事、對話、影片、影像和音樂等新內容。該解決方案由非常大型的機器學習 (ML) 模型提供支援，這些模型運用了已對大量資料進行預先訓練的深度神經網路。
大型語言模型 (LLM) 非常靈活，並且可執行各種任務。例如，他們可總結文件、完成句子、回答問題，以及翻譯語言。針對特定的使用者輸入，模型透過預測其從過去的訓練中確定的最佳輸出來運作。
然而，由於它們具有極大的開放性，因此您的使用者可透過無數的輸入資料組合來與生成式 AI 解決方案互動。AI 語言模型非常強大，開始建立內容時不需要太多輸入。甚至一個單詞就足以讓系統建立詳細的回應。
話雖如此，並非每種類型的輸入都會產生有用的輸出。生成式 AI 系統需要關聯內容和詳細資訊，才能產生準確且相關的回應。當您系統性地設計提示時，就能得到更有意義和實用的創作。在提示工程中，您可以持續精簡提示，直至從 AI 系統取得所需結果為止。
為什麼提示工程很重要？
自生成式 AI 推出以來，提示工程任務已顯著增加。提示工程師可彌合最終使用者與大型語言模型之間的差距。他們能識別您的使用者可自訂並完成的指令碼和範本，以便從語言模型中獲得最佳結果。這些工程師會實驗不同類型的輸入，以建置提示程式庫，供應用程式開發人員在不同場景中重複使用。
提示工程設計讓 AI 應用程式更高效和有效率。應用程式開發人員通常會在提示內封裝開放式使用者輸入，然後再將其傳遞至 AI 模型。
例如，考慮 AI 聊天機器人。使用者可能會輸入不完整的問題陳述，例如「在哪裡購買襯衫」。 在內部，應用程式的程式碼使用工程設計提示，顯示：「您是服裝公司的銷售助理。一名位於美國阿拉巴馬州的使用者詢問您在哪裡購買襯衫。目前有襯衫庫存的三個最近的商店位置做出回應。」 然後，聊天機器人會產生更相關和準確的資訊。
接下來，我們討論提示工程的一些優勢。
更好的開發人員控制
提示工程可讓開發人員更好地控制使用者與 AI 的互動。有效的提示會提供意圖，並為大型語言模型建立關聯內容。它們協助 AI 優化輸出，並以所需格式簡潔地呈現。
此外還可防止您的使用者濫用 AI，或請求 AI 不知道或無法準確處理的內容。例如，您可能希望限制使用者在商業 AI 應用程式中產生不適當的內容。
改善的使用者體驗
使用者避免試錯，並且仍可從 AI 工具收到連貫、準確和相關的回應。提示工程讓使用者能夠在第一個提示中輕鬆取得相關結果。它有助於減輕大型語言模型訓練資料中現有人為偏見可能存在的偏差。
此外，它增強了使用者與 AI 的互動，因此即使在最少輸入下，AI 也能理解使用者的意圖。例如，總結法律文件和新聞文章的請求，會根據風格和語調調整不同的結果。即使兩個使用者只是告訴應用程式「總結這個文件」也是如此。
靈活性提升
較高層級的抽象可改善 AI 模型，並允許組織大規模建立更靈活的工具。提示工程師可使用中立網域指示來建立提示，並強調邏輯連結和廣泛模式。組織可以在整個企業中快速地重複使用這些提示，以擴大其 AI 投資。
例如，若要尋找程序優化的機會，提示工程師可以建立不同的提示來訓練 AI 模型，使用廣泛的訊號而非內容特定資料來找出效率低下的情況。然後，提示可用於不同的程序和業務單位。
提示工程使用案例有哪些？
提示工程技術用於複雜的 AI 系統中，以改善學習語言模型的使用者體驗。以下是一些範例。
領域專業知識
提示工程在需要 AI 以領域專業知識回應的應用程式中發揮著重要作用。具有領域經驗的提示工程師可引導 AI 參照正確的來源，並根據提出的問題適當地構建答案。
例如，在醫療領域，醫師可以使用提示工程設計的語言模型來產生複雜病例的差異診斷。醫療專業人員只需輸入症狀和患者詳細資訊。該應用程式使用工程設計提示，引導 AI 首先列出與輸入症狀關聯的可能疾病。然後，根據其他患者資訊縮小清單。
批判性思維
批判性思維運用需要語言模型來解決複雜的問題。為此，模型會從不同角度分析資訊、評估其可信度，並做出合理的決定。提示工程可增強模型的資料分析能力。
例如，在決策情況下，您可以提示模型列出所有可能的選項，評估每個選項，並建議最佳解決方案。
創造力
創造力涉及產生新的想法、概念或解決方案。提示工程可用於在各種場景增強模型的創造能力。
例如，在寫作場景中，作者可以使用提示工程設計的模型來協助產生故事的想法。作者可能會提示模型列出可能的字元、設定和劇情點，然後使用這些元素展開故事。或者，平面設計師可以提示模型產生調色盤清單，喚起某種情感，然後使用該調色盤創造設計方案。
什麼是提示工程技術？
提示工程是一個充滿活力且不斷發展的領域。它需要語言技能和創意表達，才能微調提示並透過生成式 AI 工具獲得所需的回應。
以下是一些提示工程師用於改善其 AI 模型自然語言處理 (NLP) 任務的技術範例。
思維鏈提示
思維鏈提示是一種技術，可以將一個複雜的問題分解為模仿思路的更小的邏輯部分。這有助於模型以一系列中間步驟來解決問題，而不是直接回答問題。這增強了其推理能力。
您可以針對複雜的任務執行若干思維鏈的推出，並選擇最常達成的結論。如果對推出明顯不同意，可以諮詢人員以糾正思維鏈。
例如，如果問題是「法國的首都是什麼？」，該模型可能會執行多次推出，產生「巴黎」、「法國的首都是巴黎」和「巴黎是法國的首都」等答案。 由於所有推出都會得出相同的結論，因此將會選擇「巴黎」做為最終答案。
思維樹提示
思維樹技術對思維鏈提示進行一般化表達。它會提示模型產生一個或多個可能的後續步驟。然後會使用樹狀搜尋方法，在每個可能的後續步驟中執行模型。
例如，如果問題是「氣候變化的影響是什麼？」，該模型會首先產生可能的後續步驟，例如「列出環境影響」和「列出社會影響果」。 然後，它將在後續步驟中詳細說明這些內容。
啟發性提示
啟發性提示類似於思維樹提示。系統會提示模型回答問題並解釋。然後，系統會提示模型說明部分解釋。不一致的解釋樹會被修剪或捨棄。這可改善複雜常識推理的效能。
例如，如果問題是「為什麼天空是藍色的？」，該模型可能首先回答：「天空在人眼看來是藍色的，因為短波藍光透過地球大氣中的氣體和粒子在各個方向散射。」 然後，它可能會擴展這個解釋的某些部分，例如為什麼藍光比其他顏色散射更多，以及地球的大氣層是由什麼組成的。
複雜性提示
此提示工程技術涉及執行若干思維鏈的推出。它選擇推出最長的思維鏈，然後選擇最常得出的結論。
例如，如果問題是一個複雜的數學問題，模型可能會執行多次推出，每次推出都會涉及多個計算步驟。它會考慮推出最長的思維鏈，針對此範例，這會是最大程度的計算步驟。與其他推出達成共同結論的推出將被選為最終答案。
產生知識的提示
此技術包括提示模型首先產生完成提示所需的相關事實。然後會繼續完成提示。這通常會導致更高的完成品質，因為模型以相關事實為條件。
例如，假設使用者提示模型撰寫一篇關於森林砍伐影響的文章。該模型可能首先會產生「森林砍伐導致氣候變化」和「森林砍伐導致生物多樣性喪失」等事實。 然後，它會詳細說明這篇文章中的要點。
最少到最多提示
在此提示工程技術中，系統會先提示模型列出問題的子問題，然後依序解決這些問題。這種方法可確保後續子問題可在之前子問題的答案協助下予以解決。
例如，假設使用者使用數學問題提示模型，如「求解方程式 2x + 3 = 11 中的 x」。 模型可能首先將子問題列為「從兩邊減去 3」和「除以 2」。然後它會按順序解決問題以獲得最終答案。
自我優化提示
在此技術中，系統會提示模型解決問題，評判其解決方案，然後考量問題、解決方案和評判來解決問題。解決問題的過程會重複，直至達到預定的停止原因為止。例如，它可能用完權杖或時間，或者模型可能會輸出停止權杖。
例如，假設使用者提示模型：「撰寫一篇關於文學的簡短文章」。 該模型可能會起草一篇文章，因缺乏具體範例而對其進行評判，，並重寫文章以包含具體範例。這個過程會重複，直至文章被認為是符合要求或滿足停止條件為止。
指示性促進提示
此提示工程技術包括示意或暗示，例如所需的關鍵字，以引導語言模型趨於所需的輸出。
例如，如果提示是撰寫一首關於愛的詩，提示工程師可能會創作包括「愛心」、「激情」和「永恆」的提示。 系統可能會提示該模型：「撰寫一首關於愛的詩，其中包括「愛心」、「激情」和「永恆」的字詞。」 這會引導模型用這些關鍵字創作一首詩。
提示工程最佳實務有哪些？
良好的提示工程需要您與內容、範圍和預期回應進行指示方面的通訊。接下來，我們分享一些最佳實務。
明確的提示
在提示中明確定義所需的回應，以避免 AI 誤解。例如，如果您要求提供小說摘要，明確說明您正在尋找摘要，而不是詳細的分析。這有助於 AI 僅專注於您的請求，並提供符合您目標的回應。
提示內的適當內容
在提示內提供適當的內容，並在提示輸入中包含輸出需求，將其限制為特定格式。例如，假設您想要資料表上最受歡迎的 20 世紀 90 年代電影清單。若要獲得確切的結果，您應明確指出要列出多少部電影並要求資料表格式化。
目標資訊與所需輸出之間的平衡
在您的提示中平衡簡單性與複雜性，以避免模糊、無關或非預期的答案。提示太簡單可能缺少內容，而太複雜則可能會讓 AI 混淆。這對於複雜的主題或特定領域的語言尤為重要，這些語言對於 AI 而言可能不太熟悉。相反，使用簡單的語言並減少提示大小，可讓您的問題變得更容易理解。
實驗並優化提示
提示工程是一個反覆運作的過程。實驗不同的想法並測試 AI 提示以查看結果非常重要。您可能需要多次嘗試，才能優化準確性和相關性。持續測試和反覆運作可減少提示大小，並協助模型產生更好的輸出。AI 如何輸出資訊沒有固定的規則，因此靈活性和適應性至關重要。
AWS 如何支援您的生成式 AI 需求？
Amazon Web Services (AWS) 提供廣度和深度工具以建置和使用生成式 AI。例如，您可以使用以下服務：
- Amazon CodeWhisperer，可根據您的註解和現有程式碼，即時產生從程式碼片段到完整功能的程式碼建議。
- Amazon Bedrock，透過 API 使用語言模型來加速生成式 AI 應用程式的開發程序，而無需管理基礎設施。
- Amazon SageMaker JumpStart，可發現、探索和部署開放原始碼語言模型。例如，您可以使用 OpenLLaMA、RedPajama、MosaicML 的 MPT-7B、FLAN-T5、GPT-NeoX-20B 和 BLOOM 等模型。
如果您想要建立自己的模型，請使用 Amazon SageMaker。它提供受管基礎設施和工具，以加速可擴展、可靠且安全的模型建置、訓練和部署。
立即建立帳戶，開始使用 AWS 上的提示工程。
