Google人工智能提示工程（英）_68页_4mb

Prompt Engineering Summary

1. 什么是Prompt Engineering？

   • Prompt是指导Large Language Model（LLM）生成特定输出的关系和指令。
   • 提示工程师的目标是设计高质量的提示，帮助模型输出准确且符合需求的结果。

2. 关键配置参数

   • 输出长度：控制模型生成的Token数，避免浪费资源或增加成本。
   • 采样控制：
     • 温度（Temperature）：控制随机性，温度值越高输出越多样，温度为0时输出最确定。
     • Top-K和Top-P：限制采样范围，Top-K选择概率最高的K个词，Top-P选择概率累计不超过P值的词。

3. 主要提示技术

   • 通用提示/零样本（Zero-shot）：提供任务描述，无需示例。
   • 示例提示（One-shot/Few-shot）：通过示例引导模型输出格式。
   • 系统提示、角色提示、上下文提示：分别从任务目标、角色设定和背景信息的角度引导输出。
   • 退格提示（Step-back prompting）：先让模型思考通用问题，再应用于具体任务。
   • 思维链（Chain of Thought）：步骤拆解，帮助复杂问题推理。
   • 自一致性（Self-consistency）：生成多个路径取多数结果，提升准确性。
   • 树状思维（Tree of Thoughts）：探索多路径，适用于复杂任务。
   • ReAct（Reason & Act）：结合推理和外部工具，实现多步骤任务。

4. 自动化提示设计（Automatic Prompt Engineering）

   • 通过模型自动生成提示，然后评估与优化。

5. 代码相关提示

   • 支持代码生成、解释、翻译、调试等技术，代码生成托管在GoogleCloudPlatform的仓库中。

6. 最佳实践

   • 提供示例：培养模型输出格式和风格。
   • 设计简洁性：避免复杂提示，确保清晰易懂。
   • 预先指定输出：控制输出格式、长度和风格。
   • 使用指令代替限制：直接说明要做什么，以避免混淆。
   • 使用变量：提高提示的可重用性。
   • 实验与记录：通过不同方法尝试，记录结果以备未来使用。

通过Regex提取相关技术点：

- Prompt engineering
- Zero-shot prompting
- Few-shot prompting
- Top-K and top-P sampling
- Role prompting
- System prompting
- Contextual prompting
- Chain of Thought (CoT)
- Tree of Thoughts (ToT)
- ReAct
- Automatic Prompt Engineering