释放人工智能的潜力：引导的艺术
博客深入探讨了提示如何驱动语言、图像和视频生成中的AI模型，突出了它们的关键作用和变革性影响。
简介 (Jiǎnjiè)
强化工程是人工智能和自然语言处理中至关重要的学科。它涉及创建精心设计的提示，以指导人工智能模型生成所需的输出，无论是用于聊天机器人、语言翻译、代码生成还是其他应用。这些提示的质量和清晰度对于像GPT-3这样的人工智能模型来说至关重要，它们需要理解并生成准确的回应。
什么是提示？
提示是特定的输入指令或问题，用于指导AI模型生成回复、执行任务或提供信息。它们作为与大型语言模型（如GPT-3、BERT等）等AI系统进行交流和指导的一种方式。
提示类型： 1. Alphanumeric Prompts: 字母数字提示 2. Numeric Prompts: 数字提示 3. Multiple Choice Prompts: 多选提示 4. True or False Prompts: 真假提示 5. Fill in the Blank Prompts: 填空提示 6. Essay Prompts: 作文提示 7. Short Answer Prompts: 简答提示 8. Matching Prompts: 配对提示 9. Ordering Prompts: 排序提示 10. Image Prompts: 图片提示
文本提示：这些是用于指导模型或提出问题的书面或口头句子或段落。例如，“将这个英文文本翻译成法语”是一个翻译模型的文本提示。
命令提示：这些是结构化的命令或查询，明确指定任务。例如，“计算16的平方根”是计算器人工智能的命令提示。
优秀的提示工程实践
最佳的提示工程实践对于实现预期的结果和优化像GPT-3这样的AI模型的性能至关重要。有效的提示工程确保模型理解用户的意图并生成相关的上下文响应。以下是一些值得考虑的最佳实践：
简明清晰：使用简单明了的语言，避免术语，并在指示中明确表达。
相关性：将您的提示与任务对齐，包含所需的背景信息，并消除不必要的信息。
多样性：尝试不同的提示并探索多样的输出，以避免重复。
简洁：保持提示简洁明了，使用简单的语言，并尽量避免重复。
一致性：保持结构化的格式、风格一致性和有效的沟通。
以LLMs为基础的提示应用
LLM（例如GPT-3.5）是通过大量文本数据进行训练的先进AI系统，能够对提示做出类似人类的回答。这些模型采用深度学习技术，具体来说是一种称为transformer的神经网络，用于处理和理解单词之间的关系，并生成连贯且相关上下文的文本。LLM的一些关键特点和应用包括：
文本摘要和分类
文本摘要中的提示指导AI模型将冗长的内容压缩成简洁的摘要。用户提供提示，指示模型提取关键信息。在文本分类中，提示根据用户定义的标准帮助对文本进行分类，使模型能够对内容进行标记或标签，从而更容易组织和管理大量的文本数据。
例如，当将有关即时工程和人工智能使用的段落输入到Chatgpt进行总结时，获得了以下输出。
使用提示进行对话的聊天机器人
提示对于以大型语言模型（如考拉或GPT）为动力的对话式聊天机器人的构建起着关键作用。这些聊天机器人旨在与用户进行动态、类似人类对话的交流。
例如，当使用一个大型语言模型创建了一个心理健康对话式聊天机器人助手时，开发者可以通过一个提示来开始对话，比如，“我感到悲伤和沮丧”。模型会解释这个提示，并以同情、支持性的信息回应，提供建议或者问一些问题来评估用户的情绪状态。它可以使用提示来提供资源、应对策略，或者简单地在对话中展现一种同情的存在。
提示使聊天机器人创作者能够指导聊天机器人的行为，并针对特定目的进行定制，使它们成为创建对话式人工智能的有价值的工具，可以在各个领域提供帮助、支持和信息，包括心理健康、客户服务等。
代码生成使用提示
提示作为一种有效的生成代码的方法，在利用GPT-3等AI模型时尤其有用。开发人员可以利用这些提示来指导AI生成他们所需的具体代码。
例如，要创建一个用于检索计算机科学系所有学生的MySQL查询，您可以使用以下提示：``生成一个MySQL查询，从‘students’表中选择属于‘计算机科学’系的所有学生。``作为回应，AI模型将生成所需的SQL代码，如``SELECT * FROM students WHERE department = ‘计算机科学’。``
提示是自动化代码生成、帮助开发者并提高生产力的多功能工具。它们能够快速开发针对特定任务的代码，是软件开发、数据分析和各种编程相关任务中一项宝贵的技术。
使用提示生成图像
促使器通过一种称为基于神经网络的图像生成过程来生成图像。该技术利用了深度学习模型，例如生成对抗网络（GANs）或变分自编码器（VAEs），以响应文本或关键词输入创建视觉内容。用户提供描述性提示，而AI模型则解释这些线索以生成相应的图像。模型的结构在大量图像数据集上进行了预训练，使其能够理解并将基于文本的指令转化为视觉表达。提示可以指定图像的各个方面，包括风格、内容、颜色和角度。
为了生成一个呈现出油画风格、温暖色调和俯视视角的面碗插图，仿照梵高的精神，用户可以输入以下提示：「生成一幅油画风格的面碗插图，呈现出温暖而生动的色彩，带有梵高的俯视角度的灵感。」AI模型接着利用其训练来创造一幅符合这些条件的图像，模仿梵高独特的笔触和色彩调色板，创作出一幅具有视觉吸引力的作品。
使用提示生成视频
视频生成依赖于提示作为深度学习技术（如GAN和RNN）中AI模型的指导力量。用户提供提示来指导AI生成内容、风格和语境。例如，像"创建一个夜晚的繁华城市景观视频"这样的提示可以引导AI在想象中呈现一个充满活力的城市夜景。
例如，要使用虚拟化身创建视频，您可以使用提示词，比如，“生成一个展示虚拟化身讨论技术趋势的活泼对话的视频。”人工智能模型会解读提示，并生成一系列的镜头，描绘出与给定场景相关的化身、对话和动作。
各种软件工具，例如基于脚本的视频编辑工具 Descript，利用人工智能工具增强视频的 Wondershare Filmora，以及用于生成式人工智能实验的 Runway，有助于实现创意愿景的呈现。通过提示和人工智能的集成，视频制作在娱乐、市场营销和内容创作领域得到了简化。这些工具不断推动视频生成的边界，为创意表达开辟新的途径，塑造视觉内容的未来。
结论
总之，迅速发展的工程在自然语言处理（NLP）领域已成为一股重要的力量。它正在开拓新的领域，使得NLP应用能够用于内容生成、虚拟助手、语言翻译等。这些进展不断改变我们对语言的理解和使用方式，而且旅程还远未结束。
在我们对提示工程的探索中，我们揭示了其核心原理、机制和最佳实践。这一切都关乎创建精确定制的提示，以发掘大型语言模型的巨大潜力。通过弥合人类意图与机器响应之间的差距，提示工程使我们能够前所未有地获得力量。展望未来，提示工程与持续研究之间的合作承诺了自然语言处理继续改变我们沟通、创造和解决问题的未来。可能性是无限的，而提示工程正处于这个激动人心的自然语言处理革命的前沿。
作者：Siddhi Patil，Mrunmayee Phadke，Rahul Sundkar，Rajkumar Dongre，Atharva Raut。
