人工智能的发展由机器学习（监督/非监督/强化学习）到深度学习（神经网络/Transformer）到生成式人工智能，目前只是一个阶段，并不算真正的人工智能（个人理解）

提示词工程（Prompt）

一.构成

1.指示 2.上下文 3.样例 4.输入 5.输出

通常Prompt = instruction+context+query

以上是提示词的基本逻辑

二.提示词优化

1.样本学习（无样本/少样本/多样本）

有的需求可以对提示词进行样本学习，这样可以让生成结果正确概率增加

案例1（少样本精准提示词）:

任务：判断用户评论情感，只输出【正面】或【负面】，无多余文字。

示例1

输入：奶茶甜度刚好，配送很快

输出：正面

示例2

输入：衣服洗一次就掉色，质量很差

输出：负面

示例3

输入：影院座位舒服，观影体验很棒

输出：正面

待预测输入：这家外卖送餐慢，饭菜还凉了。

案例2（实体信息抽取）:

任务：从句子中抽取【人名、地点、时间】三个实体，固定JSON格式，示例没有的字段值填空字符串，不许编造不存在实体。

示例1

句子：小明2025年在北京上班

{"人名":"小明","地点":"北京","时间":"2025年"}

示例2

句子：小红上周去上海旅游

{"人名":"小红","地点":"上海","时间":"上周"}

待抽取句子：小李昨天前往深圳出差

具体例子还有:公文改写，逻辑推理，代码生成等，少样本学习可以让ai错误率降低

2.角色限定

AI通常会使用许多训练数据，我们对其进行角色的限定可以让AI更加精准的定位使用到我们需要的数据:

角色:你是一个资深程序员

技能:你拥有资深的代码能力，熟练使用springboot和vue进行B/S架构的项目代码开发

任务:你现在要开发一个根据中文句子写出英语句子并且评分的系统

3.需求拆分

在项目比较大需求比较多的时候，进行需求的拆分可以更好的完成任务（上下文限制）:

后端——数据库——前端——测试（功能——性能）——部署——运维

3.局限

有的东西无法通过提示词解决，所以需要其他的方法