「我的AIGC咒语库：分享和AI对话交流的秘诀——如何利用Prompt和AI进行高效交流？」

每日一句正能量

既然降生到这世上，我就要好好看看它，找到属于自己的世界第一。

前言

人工智能（AI）是当今科技领域的热门话题，尤其是自然语言处理（NLP）技术，它可以让机器理解和生成自然语言。随着大型语言模型（LLM）的发展，如 GPT-3、DALL-E 等，我们可以利用这些模型来完成各种有趣和有用的任务，如写诗、画画、编程等。但是，要让这些模型按照我们的意愿工作，并不是一件容易的事情。这就需要用到一种叫做 Prompt Engineering 的技术。

当你还在错误使用对话 AI 工具如 GPT，可能会觉得其作用不过是知识平移总结或简单问答。实际上，当了解先进的用法、知悉如何做到 better prompt，你会发现：AI 不是来替代你的，是来帮助你更好工作。如果还用搜索引擎的“关键词匹配”、“关键词命中”思路去思考人工智能的使用，已然有些落后。本篇在详细介绍几个GPT帮助程序员工作（干货满满）的应用场景之后，将为你分享AI的正确打开方式——better prompt。

基础介绍

1. AIGC提示词通常由多个单词、词组或短句构成，以,分割组成；
2. 提示词分为正向提示词（positive prompt）和反向提示词（negative prompt）。正向确定生成方向，反向排除生成方向；
3. 总数量建议不超过75个；
4. AI程序会依照概率来选择性执行，如果提示词之间有冲突，AI会根据权重确定的概率来随机选择执行哪个提示词；
5. 生成图片的尺寸越大，需要的提示词就越多，否则提示词之间会相互污染；
6. 提示词支持使用emoji : call_me_hand:，且表现力较好。

什么是Prompt?

prompt顾名思义就是“提示”的意思。prompt简单来说就是你给AI的指令。prompt可以是一段文字，比如你和ChatGPT等对话的，也可以是按照一定的格式的参数描述，比如AI绘图的软件，使用参数的情况比较多。

提示词（Prompt）是与AI模型交流的语言，用以告诉AI模型想要生成的图像的特征。提示词的准确性、精准度直接决定了生成的图像是否符合我们的预期。

和Prompt对应的一个专业词汇是Prompt Engineering（PE）。PE是人工智能（AI）领域中的一个概念，尤其是自然语言处理（NLP）领域。PE通常通过将问题转换为特定格式的输入，并使用预定义的模板、规则和算法来处理，让AI能够更好地理解任务并给出相应的回答。PE的优点是可以使AI更加灵活和精确地理解任务，并且能够减少因为语言表达不清晰而导致的误解和错误，使其能够准确、可靠地执行特定任务。

通俗来说，就是你要掌握和AI对话的技巧，让AI真正的懂你，特别是现在很多的AI产品的智能化水平都还有待进一步的提升，因此，学一点Prompt Engineering的知识是很有必要的。

什么是 Prompt Engineering？

Prompt Engineering 是一种在人工智能领域，特别是自然语言处理领域的概念。它指的是如何设计输入数据，使其能够清楚地描述任务，并引导模型给出正确和合理的输出。换句话说，它就是给 AI 模型的指令。

Prompt 可以是一个问题、一段文字描述，甚至可以是带有一堆参数的文字描述。AI 模型会基于 prompt 所提供的信息，生成对应的文本或图片。

为什么需要 Prompt Engineering？

你可能用过不少 AI 相关的产品，你或许会觉得好像只需要会说话、会打字，就能让 AI 输出答案。好像不需要什么技术。

但实际上，并不是所有的 prompt 都能得到满意或精确的答案。因为人类的语言从根本上说是不精确的2，目前机器还没法很好地理解人类说的话3。所以才会出现 Prompt Engineering 这个技术。另外，受制于目前大语言模型 AI 的实现原理4，部分逻辑运算问题、格式问题等等都需要额外对 AI 进行提示。

举个例子，在 ChatGPT 里输入这样一个简单数学题：

What is 100*100/400*56?
1

ChatGPT 会返回一个错误答案：

0.4464
1

但如果我们稍微改变一下 prompt 的格式：

Calculate: (100*100)/(400*56)
1

ChatGPT 就会返回正确答案：

0.04464
1

可见 prompt 的设计对于结果有很大影响。

如何进行 Prompt Engineering？

Prompt Engineering 是一门艺术也是一门科学。它需要结合创造力和逻辑思维来设计出最优化的 prompt 。目前还没有统一标准或规则来指导 prompt 的设计 ，但有一些基本原则和建议可以参考：

包含完整且相关的信息：prompt 应该尽可能地提供足够多和具体化的信息来描述任务，并避免无关或冗余信息。

简洁易懂并减少歧义：prompt 应该使用简单明了且无歧义性质词汇表达任务，并避免使用复杂或模棱两可词汇。

明确标签空间：prompt 应该清楚地定义输出结果所属范围，并在示例中按照真实分布采样标签。

统一格式：prompt 应该保持输入和输出数据格式统一，并在示例中展示格式的要求。

下面是一些 prompt 的实例，可以看出不同的 prompt 对于结果有不同的影响：

Less effective prompt：

Write a poem about OpenAI.
1

Output:

OpenAI is a visionOf a future that is brightWhere machines can learn and createAnd help us do what's rightOpenAI is a missionTo make AI accessibleTo everyone who wants to use itAnd make it beneficialOpenAI is a challengeTo push the boundaries of AIAnd explore the possibilitiesThat lie beyond the sky
1

Better prompt：

Write a short inspiring poem about OpenAI, focusing on the recent DALL-E product launch (DALL-E is a text to image ML model) in the style of William Blake.Output:To see the world in a grain of sand,And a heaven in a wild flower,Hold infinity in the palm of your hand,And eternity in an hour.This is the power of DALL-E,The latest wonder from OpenAI,A model that can generate images,From any text that you supply.With DALL-E you can create,A new world of imagination,Where anything you can think of,Becomes a visual sensation.DALL-E is not just a tool,But a source of inspiration,A glimpse of what AI can do,To enrich our human nation.
1

Prompt的基本原则

和AI交互时，Prompt的基本原则是十分重要的。提交Prompt时，应该遵循以下原则，以确保机器能够更好地理解用户的意图并给出相应的回答：

1. 明确任务描述：在提交Prompt时，应该尽可能清晰明确地描述任务的具体信息，包括任务目标、所需操作、相关条件等。
   例如，在与AI聊天机器人交互时，可以通过简单的问题来引导机器理解用户需求。如：“你需要我帮你做什么？” “你需要查询什么信息？” 能够尽量明确任务描述，让机器能够更好地理解用户需求并给出相应建议。

2. 使用常用词汇：在提交Prompt时，应使用常见的词汇和语言表达方式，避免使用生僻单词和复杂的句式，以便机器更容易理解。

3. 考虑语境和上下文：在提交Prompt时，应该考虑到所处的语境和上下文环境，以便机器能够从语言环境中获取更多的信息来理解用户的意图。

4. 提供多样化信息：在提交Prompt时，应该尝试提供多样化的信息，包括文字、图像、语音等，以促进机器更全面地理解用户需求。

5. 确定回答形式：在提交Prompt时，应该确定回答的形式，例如文字、语音等，并确保机器可以合理地解析和输出回答信息。

更进一步的原则包括，向机器提供足够的上下文信息、结构清晰地组织Prompt以使机器更容易进行处理，使用简单明了的问题引导用户去表述建议，从而更好地理解需求。此外，在交互中，用户还应该尽量用简短的句子提出问题，以便AI机器人更快速和准确地回答问题。

Prompt的编写模式

这里介绍4种常用的Prompt模式，平时遇到的可能是这几种的变种或是组合。

1. 特定指令（By specific）
   在这种模式下，我们给模型提供一些特定信息，例如问题或关键词，模型需要生成与这些信息相关的文本。这种模式通常用于生成答案、解释或推荐等。特定信息可以是单个问题或多个关键词，具体取决于任务的要求。

如以 翻译、告诉我，等关键字开头：

翻译一下：Prompt Engineering？

告诉我“Prompt Engineering”的定义？

在这种模式下，AI可以帮我完成：补全句子，文字翻译，文本摘要，问答和对话等任务，这是最常用的Prompt模式。

2. 指令模板（Instruction Template）
   在这种模式下，我们给模型提供一些明确的指令，模型需要根据这些指令生成文本。这种模式通常用于生成类似于技术说明书、操作手册等需要明确指令的文本。指令可以是单个句子或多个段落，具体取决于任务的要求。

这种模式下，可以让AI具体地了解你想要的内容：

例如，让AI推荐三本中文科幻小说，可以这样写

给我推荐三中文的科幻小说，

推荐格式：1、书名：2、作者：3、主要内容：4、推荐理由：

在这种模式下，你还可以将一段话按照你给的模板，让AI帮你总结。也可以是你给AI一些答案的例子，AI通过学习，给出他的答案。

3. 代理模式(By proxy)
   Proxy 模式是指用户可以要求 ChatGPT 以特定的身份、角色或者身份扮演某个特定的人、角色或对象来生成回答。这种模式通常用于模拟某个特定人物的语言风格和语境，生成特定情境下的对话、回答或其他形式的文本。

这个模式也是比较的常用的，前段时间大家让chatGPT写申论就是代理模式。例如，描述秋天，小学生、大学生、老年人的不同身份，内容是有很大的不同，AI的身份和角色的把握还是很准确的。因此，在提问前告诉你的身份很重要。

4. 示例模式（By demonstration）
   在这种模式下，我们给模型提供一些示例文本，模型需要生成与示例文本类似的文本。这种模式通常用于生成类似于给定示例的文本，例如自动生成电子邮件、产品描述、新闻报道等。示例文本可以是单个句子或多个段落，具体取决于任务的要求。

AI 可以帮助程序员做什么？

技术知识总结

刚开始接触学习一门技术的时候，难免需要去查看文档。现在的手册非常丰富。往往对于一个初学者来说，需要接触的信息太多、排版五花八门，学起来云里雾里。

这时候就可以借助 ChatGPT 的总结能力，例如我想学习一下 K8S 的相关知识，我发给它一个文档的地址，让它帮我总结。

prompt: https://kubernetes.io/zh-cn/docs/concepts/overview/ 总结这篇文档。
1

可以看到，它很好地总结了这篇中文的文档，并且对每一个关键点进行了概括。用最少的语言让你能够搞懂你想要的知识点。

因为 ChatGPT 是有上下文的，它知道你需要的内容是中文的总结，所以在这里你继续发一篇英文的文档给它，它也会用中文帮你总结。

prompt: 总结这篇文档https://kubernetes.io/docs/concepts/overview/components/ 。
1

目前 chatgpt 的免费版本数据库的截止时间是 2021 年，也就是说如果问它比较新的内容，它是无法总结的，甚至是会随意编撰。例如这里询问一个关于电影《流浪地球 2》的问题，让它总结一下 wikipedia 里的介绍。

prompt: 总结：https://zh.wikipedia.org/zh/%E6%B5%81%E6%B5%AA%E5%9C%B0%E7%90%832
1

因为这时候电影还没有上映，所以之前的内容还都是错误的，它的总结是不准确的。

当我们将整个网站的内容复制进来，让 chatgpt 进行总结。但是这时候会发现，文章太长了，会收到报错。

这时候，就要运用自己的想象力，使用 prompt 来进行突破了。我们需要把文章进行段落拆分，每一段都符合它的标准。

将内容拆分成 7 段，发送完成之后，它就会自动总结了。

这样，才能得到了一篇文档的正确总结。

拆解任务

上文所描述的内容，可以算是借助 AI 让程序猿日常生活效率提升。那么在工作当中，AI 如何帮助我们提效？

我们从需求端获取一个需求以后，很多情况下我们的任务并不能够非常准确的估计时，原因就是我们并没有将任务拆分清楚，所以并不能够对每一项任务进行估计，导致风险的发生。

这时候可以简要描述一下我们这次的需求点，让 ChatGPT 帮我们进行任务拆解。

可以看到任务整体被拆成了一个个细小的任务。它可以很快的让我们将任务转换为 task，或者是需求跟踪单。这既方便和产品经理进行沟通，也便于我们自身排期。转换成 KANBAN 模式也便于了解当前进度。

如果对方仍有疑问，可以继续询问拆解。比如我们想要询问第三步应该如何进一步实现。可以看到它甚至给了我们具体的 UI 交互。我们可以利用这样的提示对我们的交互以及实现提供一定的参考。

阅读代码/优化代码

开发者经常接手别人的代码。质量参差不齐，还会夹在很多奇怪的命名。当我们阅读整体逻辑或者修改逻辑，可能会因为自身阅读的问题造成理解偏差，进一步引发 bug。

如果将这个方法交给 AI 去阅读呢？可以看看效果。

prompt:

逐行解释下面的代码 + 代码内容, (在这里使用了一段在 github上面的开源代码进行展示, 这段代码是一段定时器相关的内容)。

1
2
3
4

可以看到 ChatGPT 正确的理解了我们的代码，对代码进行了解释和说明。

但是这时候只是生成了一个整体的说明，并没有对每一行分别进行解释。这时候继续和它对话：

prompt:

可以在每一行代码上面加上注释，便于我理解吗？
1
2
3

这时候它会逐行的进行代码标注，便于你对每一行进行理解。如果你接着对它提出一个粗浅的优化需求，它也会照做。

prompt: 这段代码可以进行重构和优化吗？逻辑有些繁琐。
1

你可以对某一个部分提出更细节的要求，为它提出更好的优化方向。在这里我们提出了关于参数顺序耦合的问题，可以看到 GPT 也理解到了我们的需求，并且做出了对应的优化，如下：

prompt: 
children: (isCounting: boolean, durationTime: number, startCount: () => void) => React.ReactNode // 子组件，接收三个参数，返回一个React节点这里面的参数太多了，而且对顺序有强依赖，该怎么优化这里？
1
2

代码生成

开发者在工作中还有一种场景的工作量比较大，需要复杂的逻辑思考。但是实际上最终的代码可能只需要几行就可以搞定。你在思考过程中觉得很痛苦，想和身边的同事去沟通。也许你给他解释完这个逻辑以后，他非但不能帮你思考，反而将一人份痛苦变成两人份。

例如，我们要进行数据转换，是否也可以交给AI来做？我们发送给 GPT 这样的 prompt，将数据结构进行转换。数据源为：

[
    {
        "candidates": null,
        "candidatesX": null,
        "description": "role---用户角色",
        "label": "角色",
        "name": "role",
        "optional": true,
        "schema": null,
        "type": "String"
    },
{
        "candidates": null,
        "candidatesX": null,
        "description": "Topics of the pulsar server to create---需要创建的主题",
        "items": {
            "schema": [
                {
                    "candidates": null,
                    "candidatesX": null,
                    "description": "topic name---主题名称",
                    "label": "主题名称",
                    "name": "name",
                    "schema": null,
                    "type": "String"
                },
                {
                    "candidates": null,
                    "candidatesX": null,
                    "default": 1,
                    "description": "partition number---分区数",
                    "label": "分区数",
                    "name": "partitions",
                    "schema": null,
                    "type": "Integer",
                    "validator": ">0"
                }
            ],
            "type": "Object"
        },
        "label": "主题列表",
        "name": "topics",
        "optional": true,
        "schema": null,
        "type": "List"
    }]
我想要得到的数据是 type 为 List 的数据，并且数据结构为:
[
{type:List, name:"topics", needValidates:[{
    name:"name", type:"String"
},{name:"partitions", type:"Integer"}] }]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

GPT 会为我们得到正确的结果：

我们只需要输入目标数据结构，转换后的数据结构，无需指定语言。因为它会从你的上下文里理解到你是想要问什么实现方式。

还有执行脚本，我们只需要描述清楚我们的需求，它也会帮助我们进行完善。

此外，它还可以进行进行解释说明：

上面可以看到，我们在这里使用了一次“自然语言编程”的操作流程。不论你是否会使用 python、bash 你都可以正常的描述你的需求。进行生成。

我们还可以进行代码转换，例如你写了一段 js 代码，你希望将这段代码转化为python，以前我们会通过 Google 搜索看看有没有对应的转换器，现在就只需要交给 gpt 来执行。提出你的诉求，它会在 10s 内为你生成一段没有 bug，包含异常处理的代码。这里我们不展开举例。

生成单测

我们刚刚那段数据转化的代码，如果我们想要进行测试。以前我们可能会苦思冥想很多场景进行补充。现在只需要告诉 AI 帮我生成单测即可。

prompt:

(代码内容) 为这段代码生成 unit test。
1
2
3

如果你觉得测试条件不够，那就再问它，让它再生成。

prompt: 数据源不够丰富，多测试集中边界条件，比如数据不存在，数据类型无法转换，数据类型不对等。
1

它还会给你解释这里都做了什么操作，这些测试用例覆盖了不同的场景，包括：

当数据源中没有类型为 List 的字段时，应该返回空数组；当数据源中有类型为 List 的字段时，应该返回正确的字段数组，包括需要的验证。

更多 AI 应用/插件

AI 就像是一个基础应用, 在它上面还有着很多的可能。随着你用的越多，解锁的技能也就越丰富。例如现在 GPT 系列甚至推出了自己的应用市场。下面我们来为各位简单介绍几款热门插件：

• AIPRM
  它是 ChatGPT3.5 时代的应用商店。用户通过不同的 prompt，对它进行训练，达到自己的目的。

例如我们在文章最开始介绍的“长文总结”能力：我们普通的和它进行交流，那么字数限制就会成为瓶颈。但是如果我们转化了沟通技巧，那么就可以突破这一限制。AIPRM 就是一个充满了奇思妙想的插件系统，你可以在里面查找/发布各种你想要的 prompt。

• Voice Control for ChatGPT
  依托于这样的系统，我们可以使用它锻炼英文(伪需求)。或者是直接用语音和它进行对话，让它替自己写代码，例如我们刚刚所有的脚本说明都可以让它直接语音转文字发出去。

它也很好的服务了一些视障人士，因为它还会读出每一次 GPT 生成的内容。让每个人都拥有平等接触 AI的机会。

• ChatGPT Sidebar
  随着使用的人越来越多，ChatGPT 的响应速度越来越慢。有时候只不过想问一个简单的问题，却要等上很久。这时候，就可以使用 ChatGPT Sidebar 插件。

它内置了 ChatGPT 的 API，可以直接集成在你的搜索引擎里，你的每一次搜索都会触发(也可以设置为手动)，免注册，使用方便。还可以让它提示你如何搜索相关的关键词。

在它的侧边栏里，我们还可以进行其它的操作。

• 著名应用工具使用体验：Bing Copilot、ChatGPT、Google Bard
  那我们再回头看看几个影响力比较高的AI工具。笔者个人现常用的基础 AI 工具大概有 3 种，分别是 Bing Copilot、ChatGPT、Google Bard。最被广泛使用的 ChatGPT(GPT3-5)，我们先来看看它的自我介绍是什么。

ChatGPT：使用频率最高的 AI。它有强大的上下文，还可以拆分成为不同的 conversation，便于它处理不同的对话。

例如一个控制台的项目，可以单独做一个对话，这样它聊的上下文都是围绕这个主题进行，每次新的问答也无需补充上下文信息。

Bing ：Bing 在很早就使用了 GPT-4，可是因为对话数实在是太少了(从 5 次扩充到了 15 次)，每一次对话的内容长度也很有限(截止目前仍只有 2000 字) 而且不能保存对话上下文，导致使用起来实在很不方便。好处是它是实时联网的，所以作者主要用于搜索最新的资讯以及总结一些文章和文档的摘要，以及辅助 ChatGPT 使用，对比一下两遍生成的逻辑是否一致。优点就是，搜索结果会给出详细的出处以及引用地址。

Google Bard (LaMDA)：Google 近期发布的AI工具目前只支持英文。特点是能够给出多个回答，而且响应速度很快。集成了 Google it，点击之后会帮你生成一个最适合你的问题的 google 搜索关键词。这算是和 Bing Copilot 反其道而行之，一个是将 chat 集成到搜索里，一个是将搜索集成到了 chat 中。

AI可以帮助其他人做什么？

就笔者身边的情况来看，电脑的的初级应用会多一点，比如Excel、Word文档、PPT等的自动化办公应用，帮助人们进行考勤、薪酬等的自动化管理和优化等。

办公自动化（Office Automation，简称OA）是将现代化办公和计算机技术结合起来的一种新型的办公方式。办公自动化没有统一的定义，凡是在传统的办公室中采用各种新技术、新机器、新设备从事办公业务，都属于办公自动化的领域。 通过实现办公自动化，或者说实现数字化办公，可以优化现有的管理组织结构，调整管理体制，在提高效率的基础上，增加协同办公能力，强化决策的一致性 。

从使用场景来说，有文案修改、数据收集、数据协作、数据保存、数据处理、数据可视化、统计分析、图表制作、审批流程、应用制作等；从种类来说也比较多样，比如传统的 Excel、WPS、Word、PPT、Photoshop、Seafile等就是比较基础的办公软件或办公自动化软件，甚至可以再进行细分；比如企业微信、钉钉就是比较主流的企业通讯与办公工具，可以助力企业高效办公和管理，属于生态型办公平台。但无论是哪种软件，目的都是为了有效解决工作中的问题，节约资源，提高工作效率和管理效益。甚至它还可以和一个企业的业务结合的非常紧密，比如定制化软件、个性化应用，只需点击按钮就可以得到想要的结果。话说回来，软件只是一个工具，关键靠人去用，企业应用深度与否取决于企业的重视程度，以及配套的管理制度保证和供应商的服务能力，两者缺一不可。总体上，一般具备以下特点的办公自动化软件更受企业和使用者青睐：

• 灵活的自定义
• 傻瓜式的操作
• 性能要求
• 便于维护
• 性价比高

能在表格中规范便捷地记录多元数据

SeaTable 表格支持多达24种数据类型，不仅能记录文本、数字、日期这类基础数据，还可以记录文件、图片、长文本、单选、多选、勾选、地理位置、评分、邮箱、URL、创建者、创建时间、修改者、修改时间等，还能用按钮、公式、链接其他记录、链接计算实现交互办公、同表计算、跨表关联及计算等。要比 Excel 更简单方便。

数据的收集、填报、协同功能灵活，可满足多种场景

数据的可视化和统计分析简单实用

支持自动化提醒、自动化规则，办公自动化轻松高效

可自定义各种审批流程、任务流转流程，实现对工作流程管理的自动化和整合化

Prompt Engineering 的前景和挑战

Prompt Engineering 是一个新兴且有趣的领域，它为人工智能的应用提供了更多可能性和灵活性。随着大语言模型的不断进步，我们可以期待更多惊喜和创新。

但 Prompt Engineering 也面临着一些挑战和限制，比如：

如何评估 prompt 的质量和效果？

如何自动化或半自动化 prompt 的生成和优化？

如何保证 prompt 的安全性和道德性？

如何适应不同语言、领域、场景、用户等因素？

这些问题需要我们持续地探索和研究，以提高 Prompt Engineering 的水平和价值。

后记

Prompt Engineering 是一种在人工智能领域，特别是自然语言处理领域的技术。它指的是如何设计输入数据，使其能够清楚地描述任务，并引导模型给出正确和合理的输出。Prompt Engineering 需要结合创造力和逻辑思维来设计出最优化的 prompt，这也就是 Prompt Engineer 存在的价值所在。

几乎对于所有入门计算机课程的人来说，题图中的两个单词 “hello world” 就是大家最开始使用计算机语言与机器沟通的第一句话，不过随着 AI 及时的发展和普及，大家都可以直接用最简单最自然的话语让 AI 告诉你怎么让机器来执行和输出 “hello world” 。

转载自：https://blog.csdn.net/u014727709/article/details/133977517
欢迎start，欢迎评论，欢迎指正