在計(jì)算機(jī)領(lǐng)域，提示詞 (Prompt) 指的是算法輸出之前的那段前置左向字符串。比如最早 MSDOS 下的 C:\>，Linux 下的～:，IPython 下面的 >>> 這些都算是提示詞。在 2023 年，提示詞已經(jīng)成為和大規(guī)模語(yǔ)言模型 (LLMs) 互動(dòng)最自然直觀的方式。

如果將 ChatGPT 比喻成哈利波特小說(shuō)中的絢麗魔法，那么提示詞就像召喚魔法時(shí)的咒語(yǔ)。 能不能用好這個(gè)魔法，取決于你念咒語(yǔ)時(shí)是清晰明確，還是夾雜著 “口音”。 同樣一個(gè)魔法，念咒的人不同，威力也不盡相同。所謂一千個(gè)讀者就有一千個(gè)哈姆雷特，但一千個(gè)巫師的阿瓦達(dá)索命咒也不及伏地魔一個(gè)人念的有效（當(dāng)然伏地魔念得再好也不如哈利念得有效）。

所以，能不能用好 ChatGPT 和大規(guī)模語(yǔ)言模型，很大程度上取決于你提示詞的質(zhì)量。事實(shí)上，不僅語(yǔ)言模型，包括幾個(gè)月前很火的 DALL·E，Stable Diffusion 等 AI 文本到圖片的生成模型，提示詞對(duì)其生成藝術(shù)的風(fēng)格和質(zhì)量也有非常大的影響。

（同樣是漢堡，同樣是 Stable Diffusion 2.1 模型，左邊漢堡中的提示詞哪怕加了 "Trending on Artstation" 也令人沒(méi)有胃口。那么問(wèn)題來(lái)了，右邊的提示詞你能猜到是什么么？）

但說(shuō)起提示詞，難免讓人愛(ài)恨交加。愛(ài)的人把它視為技術(shù)與藝術(shù)的融合，恨的人把它看做阻礙機(jī)器學(xué)習(xí)和 AI 前進(jìn)的絆腳石。

ChatGPT 創(chuàng)始人 Sam Altman 認(rèn)為提示詞工程（Prompt Engineering）是用自然語(yǔ)言編程的黑科技，絕對(duì)是一個(gè)高回報(bào)的技能。 網(wǎng)絡(luò)和論壇上搜集、整理甚至高價(jià)出售、懸賞提示詞的比比皆是。很多人把提示詞看做 AIGC 這個(gè)時(shí)代的源代碼，對(duì)應(yīng)的網(wǎng)課已經(jīng)開(kāi)始涌現(xiàn)。

與之相對(duì)應(yīng)的， 人盡所知的深度學(xué)習(xí)巨頭 Yann LeCun 卻認(rèn)為，提示詞工程的存在是因?yàn)?LLMs 對(duì)真實(shí)世界理解的不足 。他覺(jué)得 LLMs 需要提示詞只是一個(gè)臨時(shí)態(tài)，這恰恰說(shuō)明了當(dāng)前 LLMs 還有很大的改進(jìn)空間。隨著 LLMs 技術(shù)的不斷革新，LLMs 很快會(huì)具備理解真實(shí)世界的能力，到那時(shí)提示詞工程就失去了存在的價(jià)值。

未來(lái)太遠(yuǎn)，但就目前 LLM 的發(fā)展來(lái)客觀講，提示詞的存在是有一定意義的。正如在現(xiàn)實(shí)世界中人與人的互動(dòng)需要一定的溝通技巧一樣， 你也可以把提示詞看做人與機(jī)器互動(dòng)時(shí)的溝通技巧 。好的提示詞可以幫助你在使用 LLMs 時(shí)取得更好的結(jié)果，這就像在現(xiàn)實(shí)世界中，口才出眾、能說(shuō)會(huì)道的人往往可以更快速地協(xié)調(diào)完成工作。

盡管在 2023 年，自然語(yǔ)言已經(jīng)魚(yú)躍成為了人和人、人和機(jī)器之間溝通的統(tǒng)一方式，然而與 LLM 機(jī)器 進(jìn)行溝通還是比與人交談更具挑戰(zhàn)性。首先，LLM 無(wú)法像人類一樣理解細(xì)微差別、語(yǔ)氣或上下文，這意味著需要仔細(xì)設(shè)計(jì)提示詞，使其明確且易于被模型理解。你可以想象你嘰里咕嚕對(duì) LLM 說(shuō)了一大堆，然后 LLM 冷淡地回復(fù)了一句 “說(shuō)人話”。其次，由于訓(xùn)練語(yǔ)料的限制，LLMs 在語(yǔ)言理解方面可能存在一定的局限性，一些現(xiàn)實(shí)世界中的長(zhǎng)邏輯表達(dá)，鋪陳、反轉(zhuǎn)、甚至是簡(jiǎn)單推理歸納在 LLMs 中不能被完美的理解和執(zhí)行。而 LLMs 中因?yàn)橛?xùn)練語(yǔ)料中而產(chǎn)生的一些暗語(yǔ)（比如 GPT 中最著名的 "Let's think step by step / 讓我們一步一步思考" , "Below is my best shot / 下面是我最好的一次預(yù)測(cè)"）在人與人的日常溝通間反而不常見(jiàn)。這些都使得提示詞工程進(jìn)一步復(fù)雜化，晉升為所謂的 “玄學(xué)”。

對(duì)于母語(yǔ)非英語(yǔ)的中國(guó)用戶來(lái)說(shuō)，提示詞也是阻礙大家對(duì) LLMs 嘗鮮的最大痛點(diǎn)。 回想 2022 年暑期 Midjourney、Stable Diffusion 在英語(yǔ)市場(chǎng)如日中天時(shí)，國(guó)內(nèi)的社區(qū)反應(yīng)并不熱烈。究其原因，還是因?yàn)?Midjourney、Stable Diffusion 的提示詞以英文為主，在構(gòu)建時(shí)需要大量的詞匯和流行文化儲(chǔ)備。這對(duì)于想嘗鮮的中文用戶都極其不友好。ChatGPT 之所以能夠在中文社區(qū)火爆，一部分原因也得力于其在中文上的良好支持，這極大地降低了中文用戶的門(mén)檻。漢語(yǔ)作為世界上使用量數(shù)一數(shù)二的語(yǔ)言，仍然被提示詞絆了一個(gè)小跟頭；自鄶而下，小語(yǔ)種究竟有多難可想而知。

總而言之，提示詞工程的存在具有它的合理性。一個(gè)好的提示詞也確實(shí)能帶來(lái)事半功倍的意義。好的提示詞能夠幫助我們了解大語(yǔ)言模型的能力和邊界，深入挖掘它的潛力，從而在生產(chǎn)實(shí)踐中更好地發(fā)揮其作用。這其中最著名的例子就是 上下文學(xué)習(xí)  (In-context learning)。

用魔法打敗魔法

在現(xiàn)實(shí)中，提示詞的優(yōu)化過(guò)程需要反復(fù)試錯(cuò)迭代，極其繁瑣；并且還需要一定的知識(shí)儲(chǔ)備。這就不禁讓人發(fā)問(wèn)，在 AI 當(dāng)?shù)赖慕裉?，提示詞能不能也自動(dòng)生成？

在 Yann LeCun 抨擊提示詞的推文回復(fù)里，我們注意到了這條回復(fù)：“提示詞工程就如同對(duì)科學(xué)中對(duì)待一個(gè)問(wèn)題的描述和定義；同一個(gè)問(wèn)題，在不同人的描述下，或優(yōu)或劣、或易或難、或可解或不可解。所以，提示詞工程的存在并沒(méi)有錯(cuò)，而且提示詞工程本身也可以被自動(dòng)化?！?這位網(wǎng)友同時(shí)還給出了一個(gè)產(chǎn)品： 「最美提示詞」(PromptPerfect.jina.ai)。 也就是說(shuō)，這種 用算法來(lái)優(yōu)化提示詞 的新范式已經(jīng)被成功實(shí)現(xiàn)了！

體驗(yàn)鏈接：https://promptperfect.jina.ai

這條回復(fù)中提到的 promptperfect.jina.ai 用魔法馴化魔法，讓 AI 指導(dǎo) AI，當(dāng)你輸入提示詞后，它就會(huì)輸出優(yōu)化后的「最美提示詞」，并讓你預(yù)覽優(yōu)化前后的模型輸出。這樣就實(shí)現(xiàn)了從 “garbage-(prompt)-in-garbage-(content)-out” 到 “好輸入 - 好輸出” 的良性循環(huán)。根據(jù)產(chǎn)品的官方文檔介紹，其不僅支持當(dāng)下最火的 ChatGPT 提示詞優(yōu)化，還支持 GPT 3、Stable Diffusion、Dall-E。接下來(lái)就讓我們來(lái)測(cè)評(píng)一下這位 “AI 提示詞工程師” — 最美提示詞（PromptPerfect）究竟有哪些科技與狠活。

如何 10 秒鐘內(nèi)輕松優(yōu)化提示詞？

1、將口語(yǔ)需求變成條理清晰的提示詞

優(yōu)化提示詞需要理解語(yǔ)言的構(gòu)造，知道哪些句子哪些詞能夠 “啟動(dòng)” LLMs 的智能。如果沒(méi)有這些儲(chǔ)備，提示詞含糊不清，如口語(yǔ)一團(tuán)亂麻，那么就容易被 LLM 帶溝里?！白蠲捞崾驹~” 可以從海量數(shù)據(jù)中學(xué)習(xí)并深入理解更深刻的語(yǔ)言知識(shí)，以產(chǎn)生更加準(zhǔn)確、清晰、有效的提示詞，不管想要什么樣的需求和任務(wù)，都能 直接量身定制，提供最精準(zhǔn)的表述。

面對(duì) GPT3 或 ChatGPT 時(shí)，提示詞卡殼可能是因?yàn)闇贤芰τ邢蓿y以表述清晰的問(wèn)題或指令，嚴(yán)重影響到模型的回答質(zhì)量。我們嘗試用「最美提示詞」優(yōu)化一些常見(jiàn)指令，如下圖，「最美提示詞」 把原本簡(jiǎn)略粗糙的提示詞 “請(qǐng)給我發(fā)一些賺錢(qián)思路” 進(jìn)行了上下文的擴(kuò)展，輸出了一條堪稱完美的提示詞：

手動(dòng)輸入靠運(yùn)氣

使用「最美提示詞」靠科技

相比原始提示詞，「最美提示詞」 定義了明確的目標(biāo)、清晰的產(chǎn)出，還給 ChatGPT 補(bǔ)充了情景式鋪墊的邏輯 ，使得 ChatGPT 生成的措施更具實(shí)操性，效果的確肉眼可見(jiàn)地得到了大幅改善。

2、輕松拿捏不同的 LLMs/LMs 的 “話術(shù)”

不同的 LLMs 有不同的脾氣和習(xí)慣，想要與他們進(jìn)行有效溝通，就需要學(xué)會(huì)當(dāng)?shù)氐脑捫g(shù)。否則就很容易形成雞同鴨講。就好比當(dāng)你好不容易掌握了 Stable Diffusion 咒語(yǔ)，結(jié)果發(fā)現(xiàn) ChatGPT 的對(duì)話方式就完全不同，一切積累從頭再來(lái)?！白蠲捞崾驹~” 幫用戶就免去了對(duì)不同模型的學(xué)習(xí)成本，不論是 ChatGPT、GPT 3、Stable Diffusion 還是 Dall·E 等， 只要選擇模型，就可以一鍵就能優(yōu)化最合適的提示詞。

3、中文提示詞一鍵優(yōu)化生成完美英文提示詞

跟單模態(tài)的 ChatGPT 比起來(lái)，在 AI 繪畫(huà)領(lǐng)域，英文說(shuō)不好就是難下筆。就算囤了一堆提示詞，也可能因?yàn)樵~匯量不夠，不知道怎么描述，找不到合適的提示詞而郁悶?！缸蠲捞崾驹~」  可以把你用中文想的提示詞直接變成英文的提示詞 ，讓你用起來(lái)更順手，效果也更棒，不用再費(fèi)勁去學(xué)習(xí)各種英文形容詞，中文用戶也能輕松上手。有時(shí)候我們用 DALL?E 或 Stable Diffusion 生成圖片時(shí)，會(huì)覺(jué)得很難出效果。這可能是因?yàn)槲覀冇⑽牟粔蚝?，也可能想象力不夠豐富，沒(méi)法想出具體的圖像或場(chǎng)景。所以出來(lái)的圖片就很模糊或者很奇怪。

我們嘗試用「最美提示詞」優(yōu)化一些常見(jiàn)指令，比如說(shuō)，下圖，「最美提示詞」把原來(lái)簡(jiǎn)單粗糙，略顯無(wú)聊的 “印象派的北京街景” 改成了一句帶有豐富描述，超級(jí)贊的英文！

優(yōu)化前的提示詞完全顯示不出來(lái)印象派、耳機(jī)、未來(lái)風(fēng)格

AI 繪畫(huà)的提示詞測(cè)試起來(lái)更加一目了然，「最美提示詞」生成了冗長(zhǎng)但無(wú)比精準(zhǔn)的 “咒語(yǔ)”，直接提升了原始提示詞的審美、想象和閱歷，使得畫(huà)面更生動(dòng)，更準(zhǔn)確地表達(dá)了我們?cè)镜钠谕?/span>

4、開(kāi)發(fā)者可直接調(diào)用的 API

想要大批量?jī)?yōu)化提示詞，或是直接在現(xiàn)有系統(tǒng)中集成，那么 可以直接調(diào)用「最美提示詞」的 API ，這樣可以更快地生成批量的優(yōu)質(zhì)提示詞 ，不管你需要多少個(gè)提示詞，「最美提示詞」都能為你快速完成，提供最優(yōu)質(zhì)的服務(wù)。

背后的技術(shù)與團(tuán)隊(duì)

我們注意到「最美提示詞」自 2 月 28 日一經(jīng)推出以來(lái)，就引發(fā)了大量關(guān)注，大家都想要用它來(lái)優(yōu)化各種場(chǎng)景的提示詞。短短 幾天之內(nèi) 就吸引了 數(shù)千用戶 優(yōu)化了近萬(wàn)提示詞，在各類平臺(tái)狂攬好評(píng)。畢竟只要用了它生成的提示詞，就能讓大模型出來(lái)的東西既有創(chuàng)意又有美感。

「最美提示詞」要給各種語(yǔ)言模型找到最好的提示詞，它用了兩招高級(jí)的機(jī)器學(xué)習(xí)技術(shù)： 強(qiáng)化學(xué)習(xí)和上下文學(xué)習(xí) 。強(qiáng)化學(xué)習(xí)就是它的教練，一直在給它灌輸知識(shí)和經(jīng)驗(yàn)，讓它變得越來(lái)越厲害。它先用一些人工篩選的提示詞給一個(gè)預(yù)訓(xùn)練模型打好基礎(chǔ)，再根據(jù)用戶輸入和模型輸出來(lái)調(diào)整提示詞網(wǎng)絡(luò)策略。比如說(shuō)，當(dāng)我們要優(yōu)化 DALL?E 和 Stable Diffusion 的提示詞時(shí)，我們要讓生成的內(nèi)容既有關(guān)聯(lián)又有美感，就像教練要求運(yùn)動(dòng)員在各方面都表現(xiàn)得非常優(yōu)秀。

上下文學(xué)習(xí)就是它的老師，通過(guò)多個(gè)例子來(lái)教它怎么學(xué)。但是它不是把所有的例子都堆在一起，而是把很多的例子分成幾組，然后讓語(yǔ)言模型自己去編碼。這樣「最美提示詞」就可以用更多的例子來(lái)教模型，從而生成更準(zhǔn)確、更有效的提示詞。通過(guò)用這兩招，「最美提示詞」就可以為各種語(yǔ)言模型優(yōu)化提示詞，顯著提升效率和準(zhǔn)確度，就像一個(gè)由教練和老師一起培養(yǎng)出來(lái)的頂尖運(yùn)動(dòng)員。

這種大規(guī)模的生成式模型，無(wú)論是語(yǔ)言生成模型還是多模態(tài)的生成式模型，在目前是以語(yǔ)言為主。 然而，在未來(lái)，我們肯定會(huì)看到更多多模態(tài)的生成式模型的出現(xiàn)。 我們發(fā)現(xiàn)「最美提示詞」的研發(fā)團(tuán)隊(duì)其實(shí)正是專注于多模態(tài) AI 的新興技術(shù)公司 Jina AI ，成立于 2020 年，總部位于德國(guó)柏林，在北京深圳均設(shè)有研發(fā)。Jina AI 專注于多模態(tài) AI 技術(shù)研發(fā)，在搜索和生成領(lǐng)域都有廣泛的應(yīng)用，此前 Jina AI 已經(jīng)發(fā)布了一系列如下的開(kāi)源的項(xiàng)目，在 GitHub 累計(jì)收到來(lái)自全球開(kāi)發(fā)者將近四萬(wàn)星星的關(guān)注，為開(kāi)發(fā)者快速實(shí)現(xiàn)多模態(tài) AI 應(yīng)用提供了方便：

• 多模態(tài) MLOps 框架 Jina: ??https://github.com/jina-ai/jina
• 專為多模態(tài)數(shù)據(jù)而生的數(shù)據(jù)結(jié)構(gòu) DocArray: github.com/docarray/docarray
• CLIP-as-service: github.com/jina-ai/clip-as-service

在這個(gè)生成式 AI 海嘯般地突破了多種模態(tài)壁壘的時(shí)代，「最美提示詞」可直接提高大模型生產(chǎn)力，帶來(lái)效率上地顯著提升，我們同樣注意到 Jina AI 還研發(fā)了 Rationale（rationale.jina.ai），基于 ChatGPT 的 AI 決策工具，只需輸入心中所想的一個(gè)或幾個(gè)決策，Rationale 10 秒內(nèi)就能為你生成一份專屬的決策評(píng)估報(bào)告。它可以用于咨詢、評(píng)測(cè)、調(diào)研、策劃、匯報(bào)等場(chǎng)景，提高決策效率。作為一款具有 “批判性思維” 的人工智能決策工具，Rationale 能通過(guò)幫助大家列出不同決策的優(yōu)缺點(diǎn)、生成 SWOT 報(bào)告、進(jìn)行多標(biāo)準(zhǔn)分析或因果分析等拓寬思路、提煉觀點(diǎn)，做出理性的決策。2023 年或?qū)⒊蔀槌鮿?chuàng)企業(yè)改變游戲規(guī)則的一年。

體驗(yàn)鏈接：https://rationale.jina.ai

隨著 ChatGPT API 的開(kāi)放，2023 年面向 C 端的 AI 應(yīng)用就像 2000 年互聯(lián)網(wǎng)時(shí)代一樣，形成井噴式大爆發(fā)：每天都有數(shù)以百計(jì)的 ChatGPT API 的應(yīng)用面世，它們遍布各個(gè)領(lǐng)域，打破了現(xiàn)有的規(guī)則，并顛覆了多個(gè)領(lǐng)域的生態(tài)。一些傳統(tǒng)巨頭面臨挑戰(zhàn)，一些傳統(tǒng)的壁壘面臨打破，一些傳統(tǒng)行業(yè)面臨革新。而對(duì)于我們來(lái)說(shuō)，想要在 AI 新時(shí)代站穩(wěn)腳跟，就得站在巨人的肩膀上，吟誦出完美的咒語(yǔ)，用魔法來(lái)解決各類生成任務(wù)，畢竟完美的提示詞就是一個(gè) ChatGPT 應(yīng)用的靈魂所在。