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）。
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。
2. Prompt的典型构成、原则与技巧
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。
Temperature和Top_p，一般建议是改变其中一个参数就行，不用两个都调整。调了效果也不一定显著；
本篇文章就先写到这里，下篇文章我们开始在代码中将Prompt用起来，并尝试将一些技巧加进去看下效果。
从今天开始，持续学习，开始搞事情。踩坑不易，欢迎关注我，围观我！
有任何问题，欢迎+vx：jasper_8017，我也是个小白，期待与志同道合的朋友一起讨论，共同进步！
