🔗 原文链接 | 🔗 原视频：AI prompt engineering: A deep dive - YouTube
提示词工程（Prompt Engineering）如今已成为与大型语言模型（LLM）互动的关键方式，目的是充分挖掘模型的潜力，完成各种复杂任务。
Anthropic 的几位专家在讨论中分享了他们的见解，指出提示词工程不仅是一门艺术，更是一项需要不断试错和系统化迭代的技术。
优秀的提示词工程师不仅需要清晰的沟通能力，还要能预见各种边缘情况，并深入分析模型的反馈，以持续优化提示词。
在优化提示词时，专家们特别强调了“自我问答”的方法，通过模拟可能的困惑，提前发现模型可能的理解盲点。此外，将口头描述转化为文字提示，以及通过与模型不断互动和反馈，都是提升提示词质量的有效手段。
尤其是在企业级应用中，提示词可能需要被调用上百万次，因此设计时需要更加细致，确保在各种复杂情况下都能稳定运行。
文章还讨论了赋予模型特定角色的策略。
早期，这种方法在引导模型方面效果显著，但随着模型能力的提升，直接、真实地描述任务目标变得更加高效。不过，在某些复杂任务中，适当的比喻仍然能帮助模型更好地理解需求。
专家们指出，未来提示词工程将更多地转向如何高效表达需求，甚至模型可能会主动提问来澄清用户的需求。
关于提示词的语法与格式，专家们认为，虽然严格遵守语法规则并非绝对必要，但关注细节有助于提升模型的理解能力。不同类型的模型对提示词的敏感度不同，工程师需要根据具体情况灵活调整策略。此外，未来提示词设计工具将变得更加智能，帮助用户更高效地编写和优化提示词。
最后，专家们建议通过不断实践、阅读优秀的提示词、让他人审阅以及挑战模型的极限，工程师们可以不断提升自己的提示词设计能力。这些方法不仅能帮助积累经验，还能更好地理解和掌握模型的行为逻辑，从而在实际应用中发挥提示词工程的最大效能。
Amanda Askell 表示：“通过反复试错和迭代设计提示词，可以显著提升模型在复杂任务中的表现。”