通过提示工程改进生成式 AI 响应
生成式 AI 应用程序返回的响应质量不仅取决于模型本身，还取决于为其指定的提示类型。 提示工程一词描述提示的改进过程。 设计应用程序的开发人员和使用这些应用程序的使用者都可以通过考虑快速工程来提高生成式 AI 响应的质量。
提示是告知应用程序我们希望其执行哪些操作的方式。 工程师可以使用提示为程序添加说明。 例如，开发人员可以为教师构建生成式 AI 应用程序，以创建与学生阅读的文本相关的多选题。 在应用程序开发期间，开发人员可以添加其他规则，了解程序在收到提示时应执行的操作。
系统消息
提示工程技术包括定义系统消息。 该消息通过描述期望和约束来设置模型的上下文，例如，“你是一个得力的助手，能够以欢快、友好的方式做出响应”。 这些系统消息可确定模型响应的约束和风格。
编写有用的提示
通过明确说明你想要的回答类型（例如“创建 8 月份要在爱丁堡做的 10 件事的列表”），你可以获得最有用的答案。 提交清晰明确的提示可以达到更好的效果。
提供示例
LLM 通常支持零样本学习，可以在无先前示例的情况下生成响应。 但你还可以提供一次性学习提示，其中包括一个或多个所需的输出示例，例如“早上在人群到达之前参观城堡”。 然后，模型可以生成与提示中提供的示例相同的风格的进一步响应。
落地数据
提示可以包括提供上下文的落地数据。 可以使用落地数据作为一种提示工程技术，以获得微调的许多好处，而无需训练自定义模型。
要应用此技术，请在提示中包含上下文数据，以便模型可以使用它生成适当的输出。 例如，假设你想要使用 LLM 生成电子邮件摘要。 可以在提示中包含电子邮件文本以及用于汇总的电子邮件文本的说明。