引导工程简介

介绍

自然语言处理是一门应用基础技术和技巧的领域。近年来,尤其是自2022年开始,自然语言处理(NLP)和生成式人工智能取得了很大的进展。这使得及时工程成为一项特殊的技能,任何人都需要掌握语言模型(LMs)。

学习目标

  • 了解Prompt、Prompt Engineering和示例
  • 优化提示的技巧
  • 提示的要素和提示的模式
  • 提示的技术

Prompt工程知识有助于更好地理解基于大型语言模型(LLMs)的能力和限制。

本文是Data Science Blogathon的一部分。

什么是Prompt工程?

Prompt工程是人工智能自然语言处理领域的一种实践,其中文本描述了AI需要执行的任务。在这个输入的指导下,AI生成一个输出。这可以采用不同的形式,目的是使用人可理解的文本进行对话交流以与模型进行通信。由于任务描述嵌入在输入中,模型可以更灵活地进行操作。

了解更多:Prompt工程:打造强大提示的艺术

什么是提示?

提示是对模型期望的输出的详细描述。它是用户和AI模型之间的互动。这应该让我们更加了解工程的本质。

提示的示例

在ChatGPT和GPT-3等大型语言模型中使用的提示可以是简单的文本查询。在所有这些情况下,质量的衡量标准是您能提供多少详细信息。这些可以用于文本摘要、问答、代码生成、信息提取等。

由于LLMs可以用于解决包含许多指令的复杂问题,因此详细性非常重要。让我们看一些基本提示的示例:

提示

抗生素是一种用于治疗细菌感染的药物。它们通过杀死细菌或阻止细菌繁殖,使机体免疫系统能够抵抗感染。抗生素通常以口服的形式服用,如药片、胶囊或液体溶液,或者有时通过静脉注射给药。它们对病毒感染无效,不正确使用抗生素可能导致抗生素耐药性。
将上述内容总结为2句话:

这个输出以问答的形式给出了摘要。

抗生素通过杀死或阻止细菌的繁殖来治疗细菌感染,使免疫系统能够抵抗感染。它们通过口服或静脉注射给药,对病毒感染无效,使用不当可能导致抗生素耐药性。

我们刚刚看到了使用LLMs的一个例子,可能性是无限的。

优化提示的技巧

提示的质量至关重要。有一些方法可以改进提示并使模型的输出更好。让我们看一些以下的技巧:

  1. 角色扮演:这个想法是让模型扮演特定的系统。从而创建一个定制的交互并针对特定的结果。这既节省时间又减少复杂性,同时取得了巨大的成果。可以扮演教师、代码编辑器或面试官等角色。
  2. 清晰度:这意味着消除歧义。有时,在试图提供详细信息的过程中,我们最终会包含不必要的内容。一个很好的方法是简洁明了。
  3. 明确定义:这与角色扮演有关,但是思路是具体而专注于一个流线型的方向。这样可以避免输出的散乱。
  4. 一致性:一致性意味着保持对话的连贯性。保持统一的语气,以确保对话的可读性。

提示的要素

这些是构成提示骨架的属性。它们可以是:

  1. 指令:这是一种命令模型执行某个任务的陈述。
  2. 上下文:上下文是将模型引导到问题的关键要素。如果没有上下文,模型可能完全脱离上下文而给出不准确的回答。
  3. 输入数据:作为一个完整的单一实体的输入。
  4. 输出指示器:在角色扮演中,它指示输出的类型,可能是代码。这个要素帮助模型适当地输出。

标准提示模式

让我们尝试看一下格式是什么样子的概览。下面是一个用户和模型之间带有直接指令的示例。

用户:<指令>
模型:<回答>

少样本(Few-Shot):这是一种使用上下文学习的提示模式。在这里,可以提前给模型提供一些例子来进行上下文教育。我们将在下面的下一节中详细了解这个。少样本可以按以下格式格式化:

<指令>
<回答>

<指令>
<回答>

<指令>
<回答>

<指令>

在问题和答案模式中,我们有:

问:<问题>?
答:<答案>

问:<问题>?
答:<答案>

问:<问题>?
答:<答案>

问:<问题>?
答:

提示技术

在编写提示时有不同的技术。它们是支撑的基础。

1. 零样本提示

零样本提供了一种未经训练但仍能按预期工作的提示。简而言之,语言模型可以进行泛化。

例子:

提示:

将文本分类为中性、负面或正面。
文本:我认为演讲很棒。
情感:

输出:

正面

对“情感”的含义的了解使得模型可以零样本地对问题进行分类,即使它没有得到一堆文本分类的训练。由于文本中没有提供描述性数据,可能会有一些问题。然后我们可以使用少样本提示。

2. 少样本提示/上下文学习

在初步理解中,少样本使用了一些需要完成的示例(样本)。这需要从演示中获取一些见解来执行。它不仅仅依赖于它的训练,还会利用可用的样本。

3. 思维链(CoT)

思维链允许模型通过中间推理步骤来实现复杂的推理。它涉及创建和改进中间步骤,称为“推理链”,以促进更好的语言理解和输出。它可以像混合体一样,将少样本应用于更复杂的任务。

创建提示时要避免什么?

在结束之前,我们在创建提示时应该避免以下事项

  1. 信息过载(不明确):尽可能提供简洁的信息,因为过多的信息可能会变成垃圾,降低结果的准确性。
  2. 开放性问题:建议我们避免提出不明确或开放性的问题。一个模糊的问题可能是:你能帮我找到回家的路吗?它们不具体,太泛泛而言,会导致不准确和不富有资源的回答。
  3. 约束条件的不当使用:约束条件是对情况变得多样化的限制和界限。这需要提供具体的要求。这可以是让模型扮演某种角色。

结论

我们已经看到了一个详细的提示工程指南,深入了解了基本原理以及它们在AI模型中的功能。AI在用例方面经历了完全的革命,拥有无尽的可能性和未来应用。提示可以像人类指导一样引导AI模型,从而改变未来。例如ChatGPT。理解原则和支柱对于有效使用AI至关重要。

要点

  • NLP和生成式AI自2022年以来取得了改进,提示工程对于掌握语言模型至关重要。
  • AI中的提示工程使用文本输入来描述、模型灵活性和理解可读的人类文本。
  • 优化提示对于提高质量和输出至关重要,通过角色扮演节省时间并在对话中保持一致性以实现更流畅和易读的交流。

常见问题(FAQ)

本文中展示的媒体内容不归Analytics Vidhya所有,由作者自行决定使用。