【導(dǎo)讀】如何才能讓大規(guī)模語(yǔ)言模型輸出自己想要的結(jié)果？現(xiàn)在，一本超全超詳提示工程指南來(lái)了，GitHub已標(biāo)星4.7k。

提示工程，可以說(shuō)是玩轉(zhuǎn)ChatGPT、DALL·E 2等等這類(lèi)AI模型的「必修課」。

但這個(gè)「提示」（prompt）具體要怎么寫(xiě)，多少都有些玄學(xué)在里面……

也難怪由此誕生的新職業(yè)——提示工程師，年薪已經(jīng)達(dá)到了25萬(wàn)-33萬(wàn)美元。

就在前不久，一位來(lái)自斯坦福大學(xué)的華人本科生Kevin Liu，就通過(guò)prompt injection的方法，讓微軟ChatGPT搜索的全部prompt泄露。此后，更是掀起了一股調(diào)戲ChatGPT的熱潮。

而今天新發(fā)布在GitHub上的一個(gè)項(xiàng)目，整理了提示工程的指南、論文、講座和資源，堪稱(chēng)史上最全prompt資料包。

項(xiàng)目地址：https://github.com/dair-ai/Prompt-Engineering-Guide

憑借著一天近1k星的增長(zhǎng)，這篇「提示工程指南」同時(shí)登上了GitHub Trending，和Hacker News熱榜。

指南內(nèi)容

語(yǔ)言模型的輸出需要通過(guò)輸入的提示實(shí)現(xiàn)，但結(jié)果的質(zhì)量取決于你為它提供多少信息。

隨著我們介紹越來(lái)越多的例子和提示工程的應(yīng)用，你會(huì)注意到，一個(gè)提示通常會(huì)由幾種不同的元素構(gòu)成：

指令：希望模型執(zhí)行的具體任務(wù)或指示

背景：補(bǔ)充的外部或上下文信息，可以引導(dǎo)模型做出更好的反應(yīng)

輸入數(shù)據(jù)：想要解決的輸入或問(wèn)題

輸出指示：輸出的類(lèi)型或格式

究竟該怎樣玩轉(zhuǎn)提示工程呢？GitHub上的這份指南，會(huì)提供很大的幫助。

這份指南包括演講、提示介紹、論文、工具和庫(kù)、數(shù)據(jù)集、博客和教程等讀物，總共6個(gè)部分。

50頁(yè)P(yáng)PT，一小時(shí)超詳細(xì)講座

在「講座」這部分，包含了長(zhǎng)達(dá)一小時(shí)的視頻，代碼示例，以及一份配合講座的50頁(yè)P(yáng)PT。

其中，視頻包含4個(gè)部分，分別是提示工程簡(jiǎn)介、提供工程的技術(shù)、工具和應(yīng)用程序、未來(lái)方向。

視頻和PPT都對(duì)prompt的定義做了詳細(xì)介紹：prompts是指為了實(shí)現(xiàn)特定任務(wù)，傳遞給語(yǔ)言模型的指令和上下文。

而提示工程是創(chuàng)建一組提示或問(wèn)題的過(guò)程，用于引導(dǎo)用戶獲得自己期望的結(jié)果。

為什么提示工程如此重要？

因?yàn)樗鼘?duì)研究、發(fā)現(xiàn)很重要，能夠用來(lái)幫助測(cè)試大語(yǔ)言模型的各種極限，還能在大語(yǔ)言模型上的基礎(chǔ)上開(kāi)發(fā)各種創(chuàng)新型的應(yīng)用。

為什么提示工程如此重要？

因?yàn)樗鼘?duì)研究、發(fā)現(xiàn)很重要，能夠用來(lái)幫助測(cè)試大語(yǔ)言模型的各種極限，還能在大語(yǔ)言模型上的基礎(chǔ)上開(kāi)發(fā)各種創(chuàng)新型的應(yīng)用。

提示指南

團(tuán)隊(duì)開(kāi)發(fā)的提示工程指南，主要由5部分構(gòu)成：

簡(jiǎn)介

基礎(chǔ)提示

文本歸納

問(wèn)題回答

對(duì)話

代碼生成

推理

進(jìn)階提示

few-shot提示

思想鏈（CoT）提示

zero-shot CoT

自洽性

生成知識(shí)提示

自動(dòng)提示工程師（APE）

對(duì)抗性提示

忽略以前的指令

提示泄漏

越獄

其他

程序輔助的語(yǔ)言模型

ReAct

多模態(tài)CoT提示

圖提示

論文合集

團(tuán)隊(duì)每天都會(huì)更新有關(guān)提示工程的最新論文，并且每周都會(huì)將這些論文的摘要納入上述指南中。

比如，LeCun今年2月的新作「Augmented Language Models： a Survey 」就被收錄了進(jìn)來(lái)。

具體來(lái)說(shuō)，作者把論文分成了4個(gè)大類(lèi)：

調(diào)查/概述

方法/技巧

應(yīng)用

補(bǔ)充

工具資料包

數(shù)據(jù)集

博客、指南、教程和其他

這部分主要是來(lái)自大佬們的經(jīng)驗(yàn)總結(jié)。

作者介紹

主導(dǎo)這個(gè)項(xiàng)目的Elvis Saravia，是DAIR.AI的聯(lián)合創(chuàng)始人。

他在臺(tái)灣清華大學(xué)取得了信息系統(tǒng)與應(yīng)用的碩士和博士學(xué)位。

在此之前，他在Meta AI擔(dān)任了2年技術(shù)產(chǎn)品營(yíng)銷(xiāo)經(jīng)理，并曾是NeurIPS研討會(huì)和NAACL 2019的程序委員會(huì)的成員。

從Linkedin上的經(jīng)歷來(lái)看，這位朋友似乎也曾負(fù)責(zé)過(guò)LeCun一直心心念的Galactica。

審核編輯 ：李倩