今天，我們探討一個(gè)切合當(dāng)前的問題：提示詞（prompting）是一種我們需要掌握的技能，還是僅僅是一個(gè)過渡性的需求？隨著大語言模型（LLMs）的發(fā)展（例如，從 GPT-3 到 GPT-4o，再到現(xiàn)在的 o1），我們與這些模型的交互方式也在發(fā)生變化。

提示詞（prompting）雖然依舊存在，但其復(fù)雜性可能并不會(huì)持久。讓我們來探討一下這一行業(yè)格局正在如何演變，以及它對(duì)我們這些日常與人工智能打交道的人來說，意味著什么。

1.提示詞技術(shù)是否會(huì)長(zhǎng)期存在？

提示詞技術(shù)，尤其是那些你可能聽過的“高級(jí)技巧[1]” —— 比如“提示詞鏈（prompt chaining）”，“小樣本學(xué)習(xí)（few-shot learning）”或“思維鏈（chain-of-thought）”技術(shù)，正受到關(guān)注。我們?cè)谝酝奈恼轮衃1]對(duì)此有過明確的表態(tài)，對(duì)過度復(fù)雜的技巧使用提出了批評(píng)。原因何在？因?yàn)榇笳Z言模型（LLMs）正在進(jìn)步，它們正在學(xué)習(xí)如何更好地適應(yīng)并理解我們的需求，而不是依賴于復(fù)雜的提示詞構(gòu)造。

??提示詞鏈技術(shù)是將復(fù)雜任務(wù)拆分為更小、更連續(xù)的提示詞，以獲得更準(zhǔn)確的答案。例如，先要求大模型列出一系列想法，然后逐步對(duì)這些想法進(jìn)行細(xì)化。

隨著模型的不斷優(yōu)化，它們對(duì)復(fù)雜提示詞的依賴程度也會(huì)降低，交流也會(huì)越來越自然。可以預(yù)見，隨著大語言模型能夠從基本輸入中推斷出更多信息，這些高級(jí)技術(shù)將逐漸被淘汰。OpenAI 的 o1 系列模型已經(jīng)展示了這種轉(zhuǎn)變。隨著模型推理能力的提升，復(fù)雜指令的需求也在減少[2]。

回想一下互聯(lián)網(wǎng)的早期 —— 那時(shí)有大量的書籍和課程教人們“如何使用互聯(lián)網(wǎng)”。它復(fù)雜、新奇，人們需要掌握其使用技巧。但如今，沒有人需要通過專門課程來學(xué)習(xí)如何使用谷歌，谷歌的使用變得非常直觀和簡(jiǎn)單。

圖片

提示詞和大語言模型（LLMs）也將經(jīng)歷類似的過程。目前，學(xué)習(xí)高級(jí)提示詞技術(shù)確實(shí)有幫助，但大語言模型將不斷適應(yīng)用戶，就像我們現(xiàn)在上網(wǎng)變得輕車熟路一樣，我們也將自然而然地知道如何使用它們，就跟我們熟練使用谷歌搜索一樣。

但是這并不意味著提示詞會(huì)消失。但其重要性將轉(zhuǎn)變?yōu)椴辉傩枰莆仗囟ǖ募夹g(shù)，而是要清楚表達(dá)你的需求。這就像與同事溝通：你不需要細(xì)致入微地進(jìn)行指導(dǎo)，但你仍需要明確傳達(dá)信息。也就像你的同事一樣，大語言模型（LLMs）目前還不能（還不會(huì)）讀懂你的心思。

2.那么，提示詞真的是一項(xiàng)值得學(xué)習(xí)的技能嗎？

答案是既是也不是。目前，掌握有效的提示詞技巧可以極大地提升我們與大語言模型（LLMs）的交流體驗(yàn)。但這一技能正在不斷發(fā)展變化。

以 ChatGPT 為例，它具備記憶功能（能夠自動(dòng)保存與你相關(guān)的信息），最終將熟悉你的風(fēng)格、偏好的信息來源，甚至是項(xiàng)目進(jìn)度。這就像和一個(gè)比你自己還了解你習(xí)慣的同事合作。雖然現(xiàn)在擅長(zhǎng)提示詞很有用，但這項(xiàng)技能的重要性可能很快就會(huì)降低。

我們應(yīng)該如何看待這個(gè)問題呢？保持對(duì)大語言模型（LLMs）發(fā)展態(tài)勢(shì)的關(guān)注是必要的?；炯寄茉诮裉旌苡杏?，但不必過分追求精通“高級(jí)技巧” —— 隨著模型能夠更好地理解我們的意圖，這些技巧可能會(huì)逐漸變得不那么重要。正如目前被認(rèn)為是最佳提示詞技巧之一的“思維鏈”（chain-of-thought），也隨著 o1 的推出而逐漸消失。

3.那么，還有一個(gè)問題……你是否真的需要一個(gè)提示詞工程師？

“提示詞工程師”這個(gè)角色已經(jīng)引發(fā)過很多討論。雖然他們?cè)谔囟▓?chǎng)合（如開發(fā)AI驅(qū)動(dòng)的應(yīng)用程序時(shí)）能夠提供很大幫助，但并非在所有情況下都是必需的。許多開發(fā)人員和業(yè)余愛好者只需稍作嘗試，就能掌握提示詞的技巧。

??提示詞工程師：專門負(fù)責(zé)為大語言模型（LLMs）制定詳盡且具體的指令，以獲得盡可能優(yōu)質(zhì)的輸出。這類專家通常在處理特定領(lǐng)域、高風(fēng)險(xiǎn)的任務(wù)時(shí)不可或缺。

真正的價(jià)值不在于編寫復(fù)雜提示詞的能力，而在于明確你想要達(dá)成的目標(biāo)。擁有恰當(dāng)?shù)脑u(píng)估標(biāo)準(zhǔn)和理解如何衡量 AI 輸出成功與否的能力更為關(guān)鍵。一位“提示詞工程師”（或者僅僅是一個(gè)經(jīng)驗(yàn)豐富的用戶）可能會(huì)在項(xiàng)目初期提供支持，但一旦系統(tǒng)啟動(dòng)并運(yùn)行，常規(guī)的開發(fā)人員就能接手維護(hù)和調(diào)整系統(tǒng)性能。

這里就引出了真正的變革者：像 OpenAI 的 o1 這樣的模型。o1 利用 test-time computing[3] 來優(yōu)化其響應(yīng)，現(xiàn)在能夠“推理”出你的目標(biāo)需求，而不僅僅是遵循一系列指令。你不再需要指導(dǎo)模型如何達(dá)成目標(biāo)需求，只需設(shè)定目標(biāo)需求[2]，模型便會(huì)自行生成實(shí)現(xiàn)步驟。

舉例來說，你不必逐一指導(dǎo) —— “編寫新品發(fā)布的電子郵件營銷文案，接著起草社交媒體策略，并詳細(xì)規(guī)劃各階段的時(shí)間表”，只需提出“為該產(chǎn)品制定一份詳盡的上市計(jì)劃”即可。o1 模型能夠自行生成完整的行動(dòng)計(jì)劃，包括電子郵件文案、社交媒體內(nèi)容以及詳盡的時(shí)間安排表。這種方式轉(zhuǎn)變了互動(dòng)模式：模型不僅回應(yīng)了你的指令，而且開始為你主動(dòng)規(guī)劃和執(zhí)行任務(wù)。

??Test-Time Compute[3]：這項(xiàng)功能讓模型在生成回答時(shí)能進(jìn)行更深入的推理，通過更長(zhǎng)久的深思熟慮來提升處理復(fù)雜任務(wù)的輸出質(zhì)量。

隨著 o1 這類大語言模型（LLMs）的進(jìn)步，我們將見證從用戶定義步驟到模型主導(dǎo)執(zhí)行的轉(zhuǎn)變。不久的將來，我們無需為每個(gè)具體任務(wù)設(shè)計(jì)提示詞 —— 模型將完成大部分繁重的工作。

還有一點(diǎn)需要明確：擅長(zhǎng)設(shè)計(jì)提示詞并不代表你就是人工智能領(lǐng)域的專家。把 API 和提示詞結(jié)合起來，與理解其背后的技術(shù)原理，這兩者之間有很大區(qū)別。

要構(gòu)建一個(gè)真正由人工智能驅(qū)動(dòng)的應(yīng)用程序需要深厚的機(jī)器學(xué)習(xí)知識(shí)，而不僅僅是提示詞技能。大多數(shù)情況下，利用 LLMs 的應(yīng)用并非“AI應(yīng)用”，它們只是通過調(diào)用 API 來獲取語言模型響應(yīng)的應(yīng)用。雖然構(gòu)建利用 LLMs 的強(qiáng)大應(yīng)用不一定需要 AI 專業(yè)知識(shí)，但區(qū)分提示詞設(shè)計(jì)和實(shí)際的 AI 專業(yè)知識(shí)仍然非常重要。

4.In conclusion… (tl;dr)

提示詞技術(shù)不會(huì)消失，但我們與大語言模型（LLMs）的互動(dòng)方式將變得更加簡(jiǎn)單。目前所需的高級(jí)提示詞技巧只是暫時(shí)的。未來，AI 將更加懂得用戶需求，復(fù)雜提示詞的需求將逐步減少。關(guān)鍵是要隨時(shí)了解情況，不斷嘗試，并知道自己想要實(shí)現(xiàn)什么目標(biāo)。

我們非常期待聽聽你的想法：你是否認(rèn)同這一觀點(diǎn)？還是持有不同意見？你是否有在學(xué)習(xí)如何更高效地使用提示詞技術(shù)，或者你認(rèn)為 AI 的飛速發(fā)展將很快讓這些技巧變得不再重要？請(qǐng)分享你的看法！

Thanks for reading! 

Hope you have enjoyed and learned new things from this blog!