通俗易懂，小白也能看懂的文章。
prompt这个词相信学过一些大模型的同学都不陌生了，那这篇文章开头我们先来给不熟悉的同学讲几个概念。
prompt是什么？
大家平常在生活中很多时候都会用到Chatgpt、kimi、豆包这些大模型，但是大家知道他们是怎么工作的么？他们为什么可以回答你的问题？
prompt可以说是大模型的“引导者”，如果没有prompt，那大模型可能就和一个无头苍蝇一样，所以prompt是非常重要而且必要的。
所以，用更专业但是通俗点的话来说，提示词（prompt） 就是指用户输入给大语言模型（如ChatGPT）的文本内容，用于引导模型生成相应的回答或输出。提示词可以是问题、指令或上下文信息，帮助模型理解用户的意图和需求。
就是说，其实我们在和大模型对话的时候，我们问出的每个问题就是一个prompt，大模型就是基于我们给出的prompt进行回答的。
比如：
请你告诉我世界上最高的楼是什么？
我要实现…，请你给我输出实现他的python代码。
请你给我制定一个完善的英语学习计划。
上面这些常见的问题其实都是提示词。
prompt可以分为两部分 系统提示词(system prompt) 和 **用户提示词(user prompt)**，那我们输入的问题就是用户提示词，系统提示词一般大模型在面向用户发布之前Prompt工程师就写好了。
为什么要学习prompt工程？
好的，在上面一部分，我们已经大致了解了prompt到底是什么了。
那现在这个部分其实就是讲prompt工程有什么用？他是用来干什么的？
什么是提示词工程？
提示词(prompt)是你给大模型的具体输入，而提示词工程(Prompt engineering)就是设计和优化提示词(prompt)以获取大模型的最佳回答的过程。
那为什么我们要学习提示词工程呢？
可以理解为提示词就是我们的工具，假设现在我们需要去挖胡萝卜，那如果我们输入的prompt是经过提示词训练之后输出的，可能就对应的是铁铲子，如果只是平平无奇的一个问题，那可能我们的工具只有我们的手。那用手能不能挖到胡萝卜呢？能，但是挖的大小和效率和铲子就完全不能比了。
学习提示词工程，就是学习提问的技巧，更好的提问方式得到的回答也会更让人满意。
怎么写好的prompt？
这个问题可以用上个问题来回答，写好的prompt就是要学习PE(提示词工程)。
这里就来实际的告诉大家有哪些方法和注意事项。
学习prompt的本质就是了解大模型和了解自己，在你清楚这两点之后，那利用AI(chatgpt、kimi、豆包等 )工具你将可以实现大部分你想实现的东西。
了解大模型
所谓了解大模型，就是要弄清楚下面几个问题。
我们可以用大模型做什么？
大模型是怎么干活的？
大模型怎么能更好的干活？
首先，
我们我们可以用大模型干什么？
我觉得大模型什么都可以干，帮你写代码，当你的心情导师，帮你练习英语……可以说，只要问得好，那他就是万能的！
大模型是怎么干活的？
大模型的工作是基于统计和概率，而不是基于对文本的正确性的。
大模型的学习数据规模量是非常大的，如果他每次的计算和回答都带入全量的数据，那这个资源耗费量可太大了。这个概率怎么理解呢？比如你输入一个”喝”，那他可能就判断你下一个词是”水、踩、饮料”等等。
但是这样也有问题，因为我们用来训练的数据，都是基于特定的场景下的，比如我训练大模型，那我问RAG是什么？他可能会给我回答是大模型中的RAG策略，但是我如果是医学领域的学生呢，那我可能想获取的信息是RAG是重排酶。
所以这时候也不能完全靠概率，这时候就要提到两个技术概念，一个是词向量生成技术，一个是Transformer中的attention自注意力机制。
什么是词向量生成技术呢？首先，大模型会对用户输入的文本进行Token分词，将原始文本分解成更小的token单元。
但是这时候我们也只是把句子拆分成了一些单词，要让大模型可以直接计算，我们还需要把这些单词转化为数值向量，这就是向量化。具体来说，模型会将每个token映射到一个高维的向量空间，我们通过Emdeding model嵌入模型来实现。
比如下图，我们就将上面那段话，转化成了对应的向量。
这样一来就节约了很多资源，提高了效率，并且根据向量之间的相近关系，能大大提高我们的概率。
再通俗的理解一下，想象一下，我们有一大堆词语，比如“猫”“狗”“苹果”“电脑”。计算机无法像人一样直接理解词语的意思，所以我们需要一种方法让计算机“理解”这些词。
词向量机制就是给每个词分配一组数字（就像给每个词一个坐标），让计算机可以“理解”词语之间的关系。比如，“猫”和“狗”可能会有相近的坐标，因为它们都是动物，而“苹果”和“电脑”的坐标差距可能会大一些。通过这种机制，计算机可以识别哪些词语更相似。
那自注意力机制是干嘛的呢？
自注意力机制是让计算机更好地关注句子里重要的词。想象你在读一句话，可能某些词比其他词更重要。比如在句子“我喜欢吃苹果，因为苹果甜”里，“喜欢”和“甜”可能是关键。自注意力机制帮助计算机在句子里找到这些关键词，并给它们分配更多的“注意力”，这样计算机可以更好地理解句子的意思。
通过自注意力机制的学习结果是“模型把海量的数据通过相似度进行关联的存储，形成自己的关系网”，这样可以让模型更加准确的输出我们想要的东西。
大模型怎么才能更好的干活？
对于这个问题，我们可以代入一下，代入大模型。假设现在你的leader叫你写个python脚本，那你想想需要什么呢？
首先得有诉求，这个脚本需要干什么呢，这个脚本的功能是啥这你得知道；然后你得有编译这个脚本的工具；最后你得编写代码啊，你得有你自己的思路或者方法去编写。
那对于大模型也是一样的，我们让他干活首先得告诉他，我们需要他做什么。
那现在比较下面两种说法，觉得哪种提问会让他回答得更好呢？
请你帮我做一个记录我每天进度的工具，这个工具需要能够帮助我追踪我每天学习的内容。我希望它能够支持以下功能：首先，能够添加新的学习任务，每个任务需要有一个截止日期，并且需要支持对任务的优先级进行设置（比如高、中、低）。其次，在学习过程中，我可以记录任务的进展情况，像是“正在进行中”、“已完成”或“待开始”。另外，如果有任务不再需要做了，应该可以方便地删除该任务。而且，如果可能的话，这个工具还应该能够提供每天、每周或每月的任务总结报告。最终，任务完成后，还应该能够根据完成的时间和任务优先级对任务进行排序，最重要的任务排在最前面。你觉得用哪种编程语言适合实现这个功能呢？我听说Python可以处理这些任务，所以我想知道你的建议。如果你觉得Python合适的话，那就按照这个语言来做吧。总的来说，我希望这个工具操作起来简单直观，并且功能全面。
用python语言创建一个任务追踪工具，能够添加、更新、删除任务，设置优先级和截止日期，记录任务进展，并提供任务总结报告和排序功能。
答案无疑是第二个，第一种输入显得繁杂无序，很难让人理解真的想要的东西是什么，大模型同理。
所以第一点，我们输入的 user prompt 应该尽可能清晰简短，用尽量短的话清晰完整的讲清楚我们的诉求。
那到了工具部分，我们这里的工具就是指大模型的选择啦，这里尽量选择一些应用比较广泛比较成熟的大模型，或者代码能力比较好的，比如Chatgpt、豆包、Kimi等等。
最后就是我们写代码的思维了，这个思维和我们的知识存储有关系，和我们的思维方式有关系。那大模型呢，它的回答是基于现有的知识通过深度学习模型预测的，那有没有一种可能，它没有学习过这个知识，它也预测不了，那这时候会怎么办呢？一种可能是它直接告诉你它没有这方面的知识存储，另一种可能就是它不懂装懂，它给你胡说八道一大堆，这也就是我们所说的大模型幻觉现象。
怎么有效降低这种现象出现的可能性呢？
这里就要提到很有用的RAG策略啦，这个策略我们后面会单独写一篇文章来讲，这里我们只需要知道有了这个策略相关给大模型搞了个外挂，类似于开卷考试，我们把相关的资料给到大模型，大模型发现已有的知识他解决不了你的问题的话，它就会学习你给它的那些资料。
这里就清楚了大模型的回答是怎么来的了，那思维呢？大模型回答我们问题的思维方式是什么样的？这里又涉及到另外一个知识点，就是COT，也叫做思维链。这里也不需要深入过多了解。我们只用知道，有了COT，我们就可以让大模型输出它的思考过程，或者按照我们给它的思考步骤进行思考解决，并且输出它的思考步骤，这样一来大模型也有了自己的思考过程并且可以输出给我们，大大提高了他的逻辑性和准确率。
最后其实大模型也像个小孩子一样，需要多多鼓励，适当的给他一些情感刺激他会回答的更好，比如：你的回答对我来说很重要，你一定可以帮我很好的回答这个问题的、如果答对了奖励你一顿火锅……
了解自己
现在你已经对大模型有了一个初步的了解，而了解自己呢，也是需要问自己几个问题：
我想要让它做什么？
我该怎么清楚的告诉我它的诉求？
我该怎么更好的让它理解？
我想要让它做什么？
在让大模型帮你解决问题之前，你要想清楚自己的诉求到底是什么。如果你自己都没弄清楚自己要什么的话，大模型听不懂也不奇怪了。
我该怎么清楚的告诉它我的诉求？
那我知道我现在的想让它帮我解决的问题之后，该怎么清楚的让大模型知道你的真正需求呢？
很重要的一点就是告诉它你所处的背景。很多时候所处的背景不一样，大模型给出你的回答也不一样，如果你啥也不说，它只会猜概率，猜测哪个可能是你需要的，那就给你哪个。这时候你就会说，Chatgpt啥也不是。我为什么会强调这一点呢，因为我确实在这一点上踩过很多坑。
比如，现在你在做一个渗透测试，你拿下了机器的命令行，发现桌面有个可疑软件，你需要把他传到你本机中打开查看，但是你发现你只能操控命令行，并且scp命令不能用，那怎么办呢？
如果你只问某个关键结果，那你得到的回答可能是这样的：
因为这些回答的方法用的人最多。这时候很明显没有给出你满意的回答，于是你换了一种问法。他就会给出你很多理想的解决方法。
我该怎么更好的让它理解？
那模型怎么才能更好的理解我的诉求呢？
进行角色扮演
可以把大模型想象成百变超人，想让他变成什么人什么职业的时候，就和他说，让他变！
比如想让它帮你代码，你就以“**你是一个互联网公司的高级程序员，现在你需要…**”开头如果可以的话，指定完成任务所需的步骤
如果你让他完成的任务比较复杂或者你的要求比较高，可以将任务分解为若干个简单的步骤。
但是要注意，每个步骤应该专注一单一的操作或者指令，最好可以按照“**首先…，第二步…，然后…**”这种清晰明了的步骤来。
然后步骤数量不要太多，最好5个以内，大模型的注意力也是有上限的，如果太多步骤他可能回答的就不是很好了。提供参考资料
当你觉得他回答的某些问题不太好的时候，可以给他一些参考文本，比如你让他回答关于某个领域新的研究成果，你可以把相关论文一起作为输入给他。
以上就是我个人对prompt的一些理解并且尽量用通俗易懂的话语告诉大家，欢迎批评指正~