(相關資料圖)

在計算機領域，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，提示詞已經成為和大規(guī)模語言模型 (LLMs) 互動最自然直觀的方式。

如果將 ChatGPT 比喻成哈利波特小說中的絢麗魔法，那么提示詞就像召喚魔法時的咒語。能不能用好這個魔法，取決于你念咒語時是清晰明確，還是夾雜著 “口音”。同樣一個魔法，念咒的人不同，威力也不盡相同。所謂一千個讀者就有一千個哈姆雷特，但一千個巫師的阿瓦達索命咒也不及伏地魔一個人念的有效（當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)模語言模型，很大程度上取決于你提示詞的質量。事實上，不僅語言模型，包括幾個月前很火的 DALL·E，Stable Diffusion 等 AI 文本到圖片的生成模型，提示詞對其生成藝術的風格和質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" 也令人沒有胃口。那么問題來了，右邊的提示詞你能猜到是什么么？）

但說起提示詞，難免讓人愛恨交加。愛的人把它視為技術與藝術的融合，恨的人把它看做阻礙機器學習和 AI 前進的絆腳石。

ChatGPT 創(chuàng)始人 Sam Altman 認為提示詞工程（Prompt Engineering）是用自然語言編程的黑科技，絕對是一個高回報的技能。網絡和論壇上搜集、整理甚至高價出售、懸賞提示詞的比比皆是。很多人把提示詞看做 AIGC 這個時代的源代碼，對應的網課已經開始涌現。

與之相對應的，人盡所知的深度學習巨頭 Yann LeCun 卻認為，提示詞工程的存在是因為 LLMs 對真實世界理解的不足。他覺得 LLMs 需要提示詞只是一個臨時態(tài)，這恰恰說明了當前 LLMs 還有很大的改進空間。隨著 LLMs 技術的不斷革新，LLMs 很快會具備理解真實世界的能力，到那時提示詞工程就失去了存在的價值。

未來太遠，但就目前 LLM 的發(fā)展來客觀講，提示詞的存在是有一定意義的。正如在現實世界中人與人的互動需要一定的溝通技巧一樣，你也可以把提示詞看做人與機器互動時的溝通技巧。好的提示詞可以幫助你在使用 LLMs 時取得更好的結果，這就像在現實世界中，口才出眾、能說會道的人往往可以更快速地協調完成工作。

盡管在 2023 年，自然語言已經魚躍成為了人和人、人和機器之間溝通的統(tǒng)一方式，然而與 LLM 機器 進行溝通還是比與人交談更具挑戰(zhàn)性。首先，LLM 無法像人類一樣理解細微差別、語氣或上下文，這意味著需要仔細設計提示詞，使其明確且易于被模型理解。你可以想象你嘰里咕嚕對 LLM 說了一大堆，然后 LLM 冷淡地回復了一句 “說人話”。其次，由于訓練語料的限制，LLMs 在語言理解方面可能存在一定的局限性，一些現實世界中的長邏輯表達，鋪陳、反轉、甚至是簡單推理歸納在 LLMs 中不能被完美的理解和執(zhí)行。而 LLMs 中因為訓練語料中而產生的一些暗語（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測"）在人與人的日常溝通間反而不常見。這些都使得提示詞工程進一步復雜化，晉升為所謂的 “玄學”。

對于母語非英語的中國用戶來說，提示詞也是阻礙大家對 LLMs 嘗鮮的最大痛點。回想 2022 年暑期 Midjourney、Stable Diffusion 在英語市場如日中天時，國內的社區(qū)反應并不熱烈。究其原因，還是因為 Midjourney、Stable Diffusion 的提示詞以英文為主，在構建時需要大量的詞匯和流行文化儲備。這對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檻。漢語作為世界上使用量數一數二的語言，仍然被提示詞絆了一個小跟頭；自鄶而下，小語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。一個好的提示詞也確實能帶來事半功倍的意義。好的提示詞能夠幫助我們了解大語言模型的能力和邊界，深入挖掘它的潛力，從而在生產實踐中更好地發(fā)揮其作用。這其中最著名的例子就是上下文學習(In-context learning)。

用魔法打敗魔法

在現實中，提示詞的優(yōu)化過程需要反復試錯迭代，極其繁瑣；并且還需要一定的知識儲備。這就不禁讓人發(fā)問，在 AI 當道的今天，提示詞能不能也自動生成？

在 Yann LeCun 抨擊提示詞的推文回復里，我們注意到了這條回復：“提示詞工程就如同對科學中對待一個問題的描述和定義；同一個問題，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有錯，而且提示詞工程本身也可以被自動化。” 這位網友同時還給出了一個產品：「最美提示詞」(PromptPerfect.jina.ai)。也就是說，這種用算法來優(yōu)化提示詞的新范式已經被成功實現了！

體驗鏈接：https://promptperfect.jina.ai

這條回復中提到的 promptperfect.jina.ai 用魔法馴化魔法，讓 AI 指導 AI，當你輸入提示詞后，它就會輸出優(yōu)化后的「最美提示詞」，并讓你預覽優(yōu)化前后的模型輸出。這樣就實現了從 “garbage-(prompt)-in-garbage-(content)-out” 到 “好輸入 - 好輸出” 的良性循環(huán)。根據產品的官方文檔介紹，其不僅支持當下最火的 ChatGPT 提示詞優(yōu)化，還支持 GPT 3、Stable Diffusion、Dall-E。接下來就讓我們來測評一下這位 “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 秒鐘內輕松優(yōu)化提示詞？

1、將口語需求變成條理清晰的提示詞

優(yōu)化提示詞需要理解語言的構造，知道哪些句子哪些詞能夠 “啟動” LLMs 的智能。如果沒有這些儲備，提示詞含糊不清，如口語一團亂麻，那么就容易被 LLM 帶溝里?！白蠲捞崾驹~” 可以從海量數據中學習并深入理解更深刻的語言知識，以產生更加準確、清晰、有效的提示詞，不管想要什么樣的需求和任務，都能直接量身定制，提供最精準的表述。

面對 GPT3 或 ChatGPT 時，提示詞卡殼可能是因為溝通能力有限，難以表述清晰的問題或指令，嚴重影響到模型的回答質量。我們嘗試用「最美提示詞」優(yōu)化一些常見指令，如下圖，「最美提示詞」把原本簡略粗糙的提示詞 “請給我發(fā)一些賺錢思路” 進行了上下文的擴展，輸出了一條堪稱完美的提示詞：

手動輸入靠運氣

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、清晰的產出，還給 ChatGPT 補充了情景式鋪墊的邏輯，使得 ChatGPT 生成的措施更具實操性，效果的確肉眼可見地得到了大幅改善。

2、輕松拿捏不同的 LLMs/LMs 的 “話術”

不同的 LLMs 有不同的脾氣和習慣，想要與他們進行有效溝通，就需要學會當地的話術。否則就很容易形成雞同鴨講。就好比當你好不容易掌握了 Stable Diffusion 咒語，結果發(fā)現 ChatGPT 的對話方式就完全不同，一切積累從頭再來?！白蠲捞崾驹~” 幫用戶就免去了對不同模型的學習成本，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，在 AI 繪畫領域，英文說不好就是難下筆。就算囤了一堆提示詞，也可能因為詞匯量不夠，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，讓你用起來更順手，效果也更棒，不用再費勁去學習各種英文形容詞，中文用戶也能輕松上手。有時候我們用 DALL?E 或 Stable Diffusion 生成圖片時，會覺得很難出效果。這可能是因為我們英文不夠好，也可能想象力不夠豐富，沒法想出具體的圖像或場景。所以出來的圖片就很模糊或者很奇怪。

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

優(yōu)化前的提示詞完全顯示不出來印象派、耳機、未來風格

AI 繪畫的提示詞測試起來更加一目了然，「最美提示詞」生成了冗長但無比精準的 “咒語”，直接提升了原始提示詞的審美、想象和閱歷，使得畫面更生動，更準確地表達了我們原本的期望。

4、開發(fā)者可直接調用的 API

想要大批量優(yōu)化提示詞，或是直接在現有系統(tǒng)中集成，那么可以直接調用「最美提示詞」的 API ，這樣可以更快地生成批量的優(yōu)質提示詞，不管你需要多少個提示詞，「最美提示詞」都能為你快速完成，提供最優(yōu)質的服務。

背后的技術與團隊

我們注意到「最美提示詞」自 2 月 28 日一經推出以來，就引發(fā)了大量關注，大家都想要用它來優(yōu)化各種場景的提示詞。短短幾天之內就吸引了數千用戶優(yōu)化了近萬提示詞，在各類平臺狂攬好評。畢竟只要用了它生成的提示詞，就能讓大模型出來的東西既有創(chuàng)意又有美感。

「最美提示詞」要給各種語言模型找到最好的提示詞，它用了兩招高級的機器學習技術：強化學習和上下文學習。強化學習就是它的教練，一直在給它灌輸知識和經驗，讓它變得越來越厲害。它先用一些人工篩選的提示詞給一個預訓練模型打好基礎，再根據用戶輸入和模型輸出來調整提示詞網絡策略。比如說，當我們要優(yōu)化 DALL?E 和 Stable Diffusion 的提示詞時，我們要讓生成的內容既有關聯又有美感，就像教練要求運動員在各方面都表現得非常優(yōu)秀。

上下文學習就是它的老師，通過多個例子來教它怎么學。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教模型，從而生成更準確、更有效的提示詞。通過用這兩招，「最美提示詞」就可以為各種語言模型優(yōu)化提示詞，顯著提升效率和準確度，就像一個由教練和老師一起培養(yǎng)出來的頂尖運動員。

這種大規(guī)模的生成式模型，無論是語言生成模型還是多模態(tài)的生成式模型，在目前是以語言為主。然而，在未來，我們肯定會看到更多多模態(tài)的生成式模型的出現。我們發(fā)現「最美提示詞」的研發(fā)團隊其實正是專注于多模態(tài) AI 的新興技術公司 Jina AI ，成立于 2020 年，總部位于德國柏林，在北京深圳均設有研發(fā)。Jina AI 專注于多模態(tài) AI 技術研發(fā)，在搜索和生成領域都有廣泛的應用，此前 Jina AI 已經發(fā)布了一系列如下的開源的項目，在 GitHub 累計收到來自全球開發(fā)者將近四萬星星的關注，為開發(fā)者快速實現多模態(tài) AI 應用提供了方便：

多模態(tài) MLOps 框架 Jina: ??https://github.com/jina-ai/jina專為多模態(tài)數據而生的數據結構 DocArray: github.com/docarray/docarrayCLIP-as-service: github.com/jina-ai/clip-as-service

在這個生成式 AI 海嘯般地突破了多種模態(tài)壁壘的時代，「最美提示詞」可直接提高大模型生產力，帶來效率上地顯著提升，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或幾個決策，Rationale 10 秒內就能為你生成一份專屬的決策評估報告。它可以用于咨詢、評測、調研、策劃、匯報等場景，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 能通過幫助大家列出不同決策的優(yōu)缺點、生成 SWOT 報告、進行多標準分析或因果分析等拓寬思路、提煉觀點，做出理性的決策。2023 年或將成為初創(chuàng)企業(yè)改變游戲規(guī)則的一年。

體驗鏈接：https://rationale.jina.ai

隨著 ChatGPT API 的開放，2023 年面向 C 端的 AI 應用就像 2000 年互聯網時代一樣，形成井噴式大爆發(fā)：每天都有數以百計的 ChatGPT API 的應用面世，它們遍布各個領域，打破了現有的規(guī)則，并顛覆了多個領域的生態(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。而對于我們來說，想要在 AI 新時代站穩(wěn)腳跟，就得站在巨人的肩膀上，吟誦出完美的咒語，用魔法來解決各類生成任務，畢竟完美的提示詞就是一個 ChatGPT 應用的靈魂所在。

關鍵詞：