Prompt Engineering 是指在使用大语言模型时，编写高效、准确的提示的过程。

打个比方，就像许愿给阿拉丁的神灯一样，我们需要确保愿望表达清楚，以避免误解。例如，我们希望变成世界上最富有的人 ，但如果没有明确表达，可能会变成最贫穷的人，或者希望得到一万亿美元，但说成了一万亿，结果可能得到的是价值很低的货币。（ 第三代津巴布韦币 一万亿 = 一美元）

这个过程中的提示就是 Prompt，而是否能得到预期结果，取决于 Prompt 的质量。Prompt Engineering 研究如何编写更好的 Prompt，也因此诞生了 Prompt Engineer 这一职位。大语言模型（如 ChatGPT）就像灯神，而我们发送的内容就是 Prompt，模型能否很好地完成任务取决于 Prompt 的质量。

AI 现在还处于发展的初期阶段，但其本质是输入和输出，而输入的内容就是我们的 Prompt。过去，需要依赖编程语言如 Python、Java 来实现一些任务，这些语言学习门槛高且需要丰富经验。而 Prompt Engineer 只需使用人类的语言，如中文、英文等，所以也被称为自然语言编程师。

随着 AI 时代的发展，Prompt Engineer 会成为主流，并逐渐取代传统的初级程序员。就像今天不再使用二进制打孔编程一样，未来可能也不会再使用 Python 或 Java 进行编程，而是自然语言编程。

提示工程中的提示可以包含以下要素：

• 指令：明确说明希望语言模型执行的特定任务或指令。

• 上下文：提供外部信息或额外的上下文，以引导语言模型更好地理解和响应。

• 输入数据：包括用户输入的内容或问题，作为模型生成输出的依据。

• 输出指示：指定所期望的输出类型或格式。

需要注意的是，提示的具体格式取决于所需任务类型，不是所有上述要素都是必需的。

当我们发送一个 Prompt 给 ChatGPT 的时候，发什么了什么？它是如何返回结果的？为什么结果总是不一样的？

这里就不得不提到 GPT 重要的两个概念：和

我们先想一下自己是如何思考和回答的？比如我问你答，请补充下文：

你会发现，他们两个的答案都符合我的要求，给出下文，但他们的答案却各不相同。为什么？

因为 随机性 ，你会发现人类在说话和写作的时候，会有一个思考的过程，总是一个字或一个词的思考。

我重复写了一句话，没有刻意控制自己 的思维，只是在思考停顿时打下了一个顿号，因此你会看到两次重复的句子，但停顿处不一样。

我们可以把每个顿号前的字看作一个标记，每次思考都是基于已有内容，考虑下一个标记应该是什么。当然，这取决于我们的 知识储备，因为标记来源于我们的知识储备。如果我们从未见过或听过一个词，就不可能想到使用它。

同样，张三也会给出不同的答案，当然他也有可能还是给出上一次的答案。因为结果是 “随机” 的，他自己都不知道结果是什么。

但可以肯定的是，张三只能基于自己的 知识储备 来说话，如果他知识库中没有这些东西，他可能就会 “瞎编” 。

对于人类的回答可以理解为这个过程分为三个步骤：

1. 拥有 足够多的知识储备，至少掌握一定的词汇和句子（这些词汇和句子会在我们的大脑中被拆分成一块一块的标记，等待我们使用）。

2. 看到一句话后，继续往下说时，会根据这句话在大脑中搜索，哪个标记最应该出现在这句话后面。

3. 可能有许多符合条件的标记，此时我们会‘看心情’选择一个（也就是随机选择一个）。

非常好，现在你已经完全理解 ChatGPT 的“模式”了 🎉， 那么Chatgpt具体是如何工作的呢？请关注我后续继续更！。

后续的文章会学习少样本提示，零样本提示，关系链提示，提示模板，多权重提示，超量选项提示等。