type
status
date
slug
summary
tags
category
icon
password
1.从清晰表达迈向精准定义
在与大模型的互动实践中，我们逐渐认识到提示词的奥妙，并对其理解经历了一个不断演进的过程。最初，我们往往专注于如何清晰地表达意图，以期模型能够准确把握我们的需求。随着经验的累积，我们开始深入探索更精细的技巧，并最终领悟到，提示词的核心在于精准的表达以及对问题本质的深刻理解。
2.清晰表达是一切交互的基础
在初期的探索中，我们发现清晰表达是提示词有效性的基石。无论采用何种语法结构或预设框架，关键都在于能否准确地将我们真正期望的结果传达给模型。那些所谓的进阶技巧和复杂框架，都只是辅助工具，只有清晰的意图才能引导模型产出有价值的回应。
我们观察到，仅仅复制和粘贴他人的提示词是远远不够的。真正的关键在于理解这些提示词背后的“意”，即清晰表达。为了更好地理解这一点，我们可以将“清晰表达”分解为两个核心问题：我们需要表达什么，以及如何清晰地进行表达。
2.1 我们需要表达什么：输入是输出的先导
对于“我们需要表达什么”，我们的经验是遵循“read in, prompt out”的原则。核心经验浓缩为一句关键原则：清晰表达。为了深入理解“清晰表达”，我们可以将其拆解为两个核心问题：表达什么和如何清晰表达。要实现高质量的输出（prompt out），首先必须有充分的输入（read in）和积累。将输入比作“因”，将输出比作“果”，强调“因在前边”。
所以高质量的输出往往源于充分的信息输入和知识积累。这里的“输入”并非仅仅指阅读书本，更涵盖了与世界的广泛互动，例如参与行业交流、体验不同的生活环境等等。重要的是，我们要对这些输入的信息保持敏感，进行思考、内化和抽象，最终构建起我们自身的知识体系和认知框架。
我们注意到，优秀的提示词往往带有独特的印记，这正是源于每个人独特的输入和长期的经验积累。如果我们的头脑空洞，缺乏相关的知识储备，自然难以创造出有价值的提示词。只有当脑海中的想法足够清晰时，文字才会迫不及待地涌现出来。因此，持续地学习、总结和提炼信息，构建我们自己的知识内核，是提升提示词质量的关键一步。
2.2 如何清晰地表达：框架是辅助，理解是核心
在拥有清晰的“内核”之后，如何将其准确地传达给大模型就显得至关重要。我们观察到，结构化提示词在一定程度上能够帮助我们组织思路。各种提示词框架本质上是预设了描述事物的不同角度，使用者只需根据具体的场景进行填充。这些框架在无法直接将脑海中的想法传递给模型时，提供了一种有效的解决方案。
然而，我们逐渐认识到，框架仅仅是工具。更重要的是对我们想要表达的事物本质有着深刻的理解。如果提示词的效果不尽如人意，我们不应该仅仅在表面的词语上进行调整，而更应该反思我们自身的思考过程，审视我们想要表达的内容是否足够清晰，以及我们使用的文字描述是否与我们脑海中的想法真正契合。最终，词语的选择和变化是由我们大脑内部的认知和表达的偏差所决定的。
与大模型进行对话的过程本身也是一个学习和思考的过程。我们发现，当脑海中有一个清晰的画面时，对话能够帮助我们更深层次地理解；而当脑海中是一些模糊的概念时，对话则能够引导我们逐步将其变得清晰。
2.3 Prompt作为咒语的思考
将Prompt类比为咒语，是连接人类思想与AI计算空间的桥梁。我们需突破传统观念，将其从工具认知转变为存在认知，从而开启更多创新应用的可能性。
3.提示词之术：掌握关键技巧
在实践中，我们总结了三个核心技巧，可以将其视为提升提示词效果的“三板斧”：分配角色、提供示例和运用思维链。
3.1分配角色：赋予模型特定的身份
我们发现，在提示词的开头指定模型扮演某种角色，往往能够显著提升其输出的质量。即使只是简单地声明“你是一位[角色]”，模型也会在后续的互动中展现出与该角色相关的知识、语言风格和思考方式。这相当于为模型注入了特定的行为模式。
然而，我们也注意到，对于一些非常专业或独特的角色，模型可能缺乏足够的理解。在这种情况下，我们需要对角色进行更详细的描述，包括其背景、职责和期望等，以便模型能够更好地理解并扮演该角色。
从单向指令到共振交互
以往编写Prompt多为单向下达指令，如今发现将大模型视为存在的主体，通过塑造场景营造氛围，能激发其计算倾向，实现类似共振的效果。如在小说创作中，设定特定场景和角色，让模型在该场景中自由发挥，可获得更出色的创作成果。改变场景中的关键元素，如年龄等，会显著影响输出结果，展示出共振式Prompt的强大和灵活性。
3.2提供示例：通过案例引导模型学习
当我们需要模型遵循某种特定的结构或方法，但难以用语言清晰描述时，“提供示例”便成为一个非常有用的技巧。通过直接展示我们期望的输出结果或行为模式，我们可以引导模型学习并模仿其规律。这是一种有效的方法，能够弥补语言描述的不足。通常情况下，结合清晰的描述和具体的示例，能够获得比单独描述更好的效果。
3.3运用思维链：引导模型逐步推理
我们观察到，在提示词中加入类似“让我们一步步思考”这样的引导语，常常能够对模型的输出产生积极的影响。思维链（Chain-of-Thought，COT）技巧鼓励模型将其思考过程分解为多个中间步骤并展示出来，这不仅增加了推理过程中的信息量，也使得最终的答案更具逻辑性和可解释性。
4.压缩表达：追求精准与效率
在对清晰表达和核心技巧有了一定的理解之后，我们逐渐认识到“压缩表达”的重要性。我们发现，虽然清晰地表达想法是必要的，但有时过于冗长的描述反而会影响模型的理解和效率。通过不断地将想法从段落提炼到句子，再精简到词语，甚至尝试用更少的文字表达更丰富的含义，往往能够获得更好的结果。
“得其意，忘其言”。语言只是表达的工具，有时甚至是障碍。真正想要传递的是脑海中那个“意”，而通过不断地凝练语言，可以更直接地触达那个“意”。这并不是随意地尝试不同的词语，而是有其内在的逻辑和机制。
压缩表达的核心在于追求表达的精准性和凝练性。为了用更少的文字传递相同的信息，我们需要更加精确地思考，找到最核心、最关键的表达方式。同时，更短、更凝练的表达也更符合模型内部的注意力机制，使得模型能够更集中、更全面地理解我们的意图。
当然，实现精准和凝练的前提仍然是我们对所要表达的内容有着清晰的理解，这需要持续的学习和实践。
压缩的同时引入创新
以压缩概念为例，从最初简单定义到通过与 AI 对话深入探讨，不断迭代，最终得出压缩是对差异编码等结论。在编写过程中，可采用让 AI 批判错误答案、引入不同观点等方法，逐步引导出更深刻的理解。
5.重新定义提示词：表达的本质
起初，人们将Prompt视为一种编程方式，试图将编程思想和工具方法融入其中，使自然语言更接近编程语言。但随着实践的深入，发现Prompt更类似于写作。在写作中，措辞的微妙变化可能导致效果截然不同，这与编程中逻辑脉络清晰可见的特点形成鲜明对比。
最终，我们对提示词的本质进行了更深入的思考。我们认为，提示词的本质在于“表达”，而不仅仅是“沟通”。“沟通”往往包含一个来回的过程，而提示词是我们发出的初始指令，是我们个人意图的表达。
表达其实就是让符号产生意义的活动，从“表达”的角度来看，核心问题就从如何运用技巧转变为：什么是有效的表达？什么是更优的表达？以及如何实现更优的表达？
我们借鉴相关理论，将表达分解为三个关键要素：本意（我们想要表达的核心想法）、文意（我们选择的语言符号）和解意（模型对我们表达的理解）。本意和解意之间存在一个“德尔塔” (delta)，也就是差异。这个差异就是误会产生的地方，也是为什么我们写的提示词，模型回答的东西不是我们想要的原因。区别在于模型解读的东西和我们的本意不是一个意思，两者差异过大。
“本意”是如何产生的？任何一个想法的产生都由三个要素构成：
- 经验 (Experience): 必须有亲身的体会，例如被烫过的经验，才能真正理解“烫”的含义。
- 词汇 (Vocabulary): 必须有词语来映照你的经验。不同的语言对同一概念的细分程度不同，会影响我们感知和表达的细微差别.
- 对原理的理解 (Understanding of Principles): 不仅要知道词语这个符号，还需要理解其背后的原理，例如知道 Embedding 和 Attention 的工作机制。
只有具备这三个要素，脑海中才能真正产生一个清晰的想法。有了清晰的想法，再选择合适的符号（本意）将其传递给对方，使对方解读后的意思与自己的本意之间的差异变得很小甚至没有误差，这样表达就完成了。这就是“清晰表达”的深层含义。
解决清晰表达问题应该从这三个意入手，大模型 (Large Model)智能水平体现在对你输入的“本意”进行“解义”的环节。这是影响模型输出效果的第一个也是最重要的要素，另外两个排序先是“本意”，其次才是“文意”。提示词的目标在于尽可能缩小我们的本意与模型最终理解之间的差距，甚至可以使用一些结构化框架，文科生和哲学系的学生在这方面可能具有一定的优势。而本意的形成则依赖于我们的经验、词汇以及对相关原理的理解。
从“表达”的视角审视模型的输出，我们认为其效果受到模型自身能力、我们对任务的理解以及提示词本身质量这三个方面的影响。提示词本身对应着“文意”层面，是我们能够直接控制和优化的部分。
6.提示词的心法：理解模型的能力边界
为了更好地指导提示词的实践，我们借鉴了心理学中的乔哈里视窗模型，并将其应用于提示词的场景中。我们将“对方是否知道”替换为“AI是否知道”，从而将提示词的应用场景划分为四个象限：
- 第一象限：我们知道，AI也知道。 针对常见的概念或知识，直接提问即可，无需过多的背景描述或铺垫。
- 第四象限：我们知道，AI不知道。 对于我们独有的知识或方法，需要将这些信息“喂”给模型，例如通过提供示例、嵌入相关数据或直接定义特定的术语和概念。详细的角色描述和背景介绍在这种情况下非常有效。
- 第二象限：我们不知道，但AI知道。 在这个领域，关键在于如何提出高质量的问题，以便能够从AI那里获取我们可能不知道的知识，并提升我们的思考层次。
- 第三象限：我们不知道，AI也不知道。 这代表着人类和AI都尚未探索的领域。
我们发现，使用乔哈里视窗的视角来分析各种提示词技巧的适用场景非常有效，能够帮助我们理解为什么某些技巧在特定情况下有效，而在另一些情况下效果不佳。
象限x、y轴的变化趋势
编写Prompt时需考虑大模型本身和任务等因素。随着时间推移，x轴（AI知道与否）将快速下移；y轴（人类知识范围）则可能向左扩展，部分人通过与AI交互，实现思维加速，知识范围扩大，部分人则会停滞。
Prompt 写作的演变：从描述走向定义
我们观察到，提示词的写作趋势正在经历一个从详细描述到精准定义的转变。早期的提示词往往冗长而复杂，试图通过叠加各种细节来引导模型。然而，我们逐渐发现，简洁而直接的提示词往往能够取得更好的效果。这促使我们尝试抛弃过多的描述，直接抓住事物的本质，用更精准的语言来定义我们想要的结果。
使用类似LISP结构的原因
李继刚倾向于使用类似LISP的结构来编写提示词。这可能源于一个假设：大模型在对文本进行嵌入（Embedding）后，实际上是在处理向量数组。因此，通过特定的关键词组合，即使缺乏完整的句子结构，模型也可能能够理解我们的意图。LISP结构或许提供了一种更直接的方式来组织这些关键词，从而更有效地引导模型的理解。
关于“写不出来”和“没有想法”
对于经常遇到的“脑海中有想法但不知如何表达”或者“没有明确想法但想尝试提示词”的情况，我们的建议是相同的：“Read IN Prompt Out”。最终呈现给模型的提示词只是一个结果，而决定结果好坏的关键在于之前的准备和思考。如果缺乏想法，最好的方法就是去学习、去阅读、去积累，让新的知识和信息在脑海中碰撞出新的火花。
7.提示词工程师的画像
我们认为，一个优秀的提示词工程师可能需要兼具人文素养和技术理解。他们既需要具备清晰的表达能力和对语言的敏感性，又需要理解模型的工作原理，并能够根据实际情况不断优化提示词。这或许意味着，优秀的提示词工程师是那些能够将人文思考与技术实践相结合的人。
总而言之，我们对提示词的理解是一个不断学习和探索的过程。从最初对清晰表达的强调，到掌握各种实用技巧，再到追求精准的压缩表达和理解提示词的本质，每一步都加深了我们对人与AI交互的认识。保持开放的心态，勇于实践和反思，才能在不断发展的提示词领域取得进步。
8.Prompt的未来展望
8.1发展趋势与潜力
Prompt的编写方式将更趋自然，应用领域也将不断拓展。随着人们对大模型理解的深入，Prompt有望成为一种更加普及且强大的交互手段。在未来，我们可能只需通过简单的语音指令、甚至是一个眼神或手势（结合相关技术）就能向AI传达复杂的需求，获取精准且富有创意的回答。它将不仅仅局限于文字创作、信息查询等领域，更可能在医疗、教育、艺术设计等各个行业发挥变革性的作用。
8.2面临的挑战与应对策略
然而，Prompt的发展也面临诸多挑战。一方面，如何确保不同人群都能熟练运用Prompt与AI 进行有效沟通是一大难题，需要加强教育普及与用户培训。另一方面，随着Prompt应用的广泛化，可能会出现信息误导、滥用等问题，这就要求建立健全的规范和监管机制。同时，技术层面上，如何进一步提升大模型对Prompt的理解准确性和处理效率也是亟待解决的问题，这需要持续的科研投入和技术创新。但我们有理由相信，随着技术的进步和社会的发展，这些挑战都将逐步被克服，Prompt将在人类与AI的协同发展中发挥更加重要的作用。
附录：大神的短篇小说prompt
Relate Posts