19｜提示语工程（一）：为什么说提示语引擎是“智能体本体”？

提示语工程的本质，还是（领域）知识注入。好的提示词工程如果没有富含增量信息的知识作为外部记忆注入，如果没有提供与增量信息相匹配的推理逻辑，那就是没有注入知识。那就是一个死循环，或者说瞎尝试。面对 AI，拼的还是人类自身的知识/经验的积累+对 LLM 的 ICL 特点的深刻理解。 老师攒了几个星期的内功，循循善诱到这个板块，终于排山倒海的开始降龙十八掌了。。。。。帅且飒！！

请问这里提到的为模型提供外部知识，和 RAG 是一回事吗？

您好，请问基于零样本和基于少样本的提示词方式差别大吗? 目前接触到的公司自研的大语言模型以及百度千帆大模型，都是不支持使用少样本的方式来传递prompt，只支持直接把prompt通过问题给到模型。

老师你好，这个优选的目的我还是没太理解。是不是说当用户输入prompt，后台拿到钱prompt 后，并没有直接传给大模型，而是根据prompt进行相关内容的筛选，并形成优秀示例，然后和用户输入的内容一起组织成新的prompt发送给大模型？

提示语的质量该如何衡量呢？ 提示语的召回（检索）简单理解是不是通过用户的输入去向量数据库检索相似度最高的几个提示语呢？

提示语工程（Prompt Engineering）指的是为了使模型生成特定的输出而设计和优化输入提示的过程。在一些情况下，它可能看起来像是一个试错的游戏，因为工程师可能需要通过多次尝试来找到能够产生所需输出的正确提示。然而，提示语工程实际上是一种更复杂、更系统的过程，具有一定的技术和理论基础。以下是一些考虑点： 基于理论和经验: 提示语工程通常不是随机的。它通常基于对模型的理解，以及对特定任务和领域的知识。通过理解模型的工作方式和可能的局限性，工程师可以更有效地设计提示。 系统化和方法论: 提示语工程可以是一个系统化的过程，其中包括了测试、评估、和迭代。它可能包括了设计实验，收集和分析数据，以及使用统计和机器学习技术来优化提示。 数据驱动: 在很多情况下，提示语工程可以是数据驱动的。例如，可以通过分析模型在不同提示下的表现，或者收集用户或专家的反馈，来持续优化提示。 创造性: 提示语工程也需要一定的创造性和洞察力。通过理解任务的需求和模型的行为，工程师可以设计出能够引导模型生成有用输出的创新提示。 可扩展性和通用性: 高效的提示语工程应考虑到可扩展性和通用性，以使得找到的解决方案不仅仅是针对单一问题的，而是能够广泛应用于类似的任务和问题。 与模型训练和微调结合: 提示语工程通常不是孤立的。它可以与模型训练和微调相结合，以实现最优的性能。

对于没有语法，只有语义的自然语言，提示词要工程化，个人认为还有很长的路要探索

我认为不是自说自话的游戏。这个提示语工程也是需要有一套规则吧。按照提示语给出的目的测试是否反馈信息符合要求。并且需要通过多测试和调整等工作去完善。并且我感觉在使用GPT的web页面时候他肯定会对我的提示语加以调整和优化工作。不然很难给出我认为不错的内容。 我现在感觉虽然提示语工程是有必要的，但对于不同的大语言模型有个问题那就是不同大模型都需要去针对调整有点压力和棘手。