原文链接：https://medium.com/sopmac-ai/what-does-a-prompt-engineer-do-f00c6f2ad1ab

重塑工作机会

您准备好揭开语言技术新前沿的秘密了吗？

作为提示工程师，您将能够制作提示以指导大型语言模型 (LLM) 生成复杂的行为和准确的输出。但请注意，这是一个未知领域，因为提示工程领域相对较新，要找到合格的候选人并不容易。但是，如果您准备好迎接挑战，您可以通过展示现有项目来展示您的技能，这些项目展示了语言模型或图像生成模型的提示工程，或者通过 LLM 进行试验并展示您使用精心设计的提示产生复杂行为的能力.

语言技术的未来正在等待，你会成为塑造它的人吗？

提示工程师

想象一下，您是语言大师，是指导最先进的语言模型（例如 GPT-3、DALL-E、Midjourney 和 ChatGPT）生成相关且准确输出的提示的架构师。这正是提示工程师所做的。作为提示工程师，您将设计和制作提示，为模型提供必要的信息和上下文以理解手头的任务。无论是提供有关特定主题的资源、使用特定语言来指导模型的输出，还是使用约束来塑造结果，您都将做主。但这不仅仅是下命令，您还需要深入了解任务或应用程序、模型的功能和局限性以及数据中的潜在偏差。

您的最终目标是设计创意多样的提示，鼓励模型生成有趣多样的输出，持续监控和改进提示，并与团队协作以实现最佳结果。要胜任此职位，您应该对机器学习、自然语言处理和相关技术以及编程技能有很好的了解。

对扮演提示工程师角色的人有什么期望

提示工程师负责为大型语言模型设计和制作提示。提示工程师的角色包括以下期望：

理解任务：提示工程师应该很好地理解模型将用于的任务或应用程序，并能够设计与该任务相关且适合的提示。模型知识：提示工程师应该对模型的能力和局限性有很好的了解，并能够设计出模型能力范围内的提示。创造力：提示工程师应该能够设计出富有创意和多样化的提示，以鼓励模型生成有趣和多样化的输出。清晰简洁：提示工程师应该能够设计出清晰简洁的提示，使模型易于理解任务并保持在正轨上。测试和评估能力：提示工程师应该能够测试和评估模型的输出，并使用该信息来改进提示和模型的性能。持续改进：提示工程师应持续监控和改进提示的性能，并在必要时进行调整。熟悉数据偏差：提示工程师应该意识到训练数据和设计提示中的潜在偏差，以尽量减少它们。协作：提示工程师应该能够与团队的其他成员协作，例如数据科学家、工程师和产品经理。技术技能：提示工程师应该对机器学习、自然语言处理和相关技术有很好的理解，以及编程技能。与现场保持同步：及时的工程师应该跟上该领域的最新发展，并能够将这些知识应用到他们的工作中。

先决条件

LLM 架构知识是提示工程师的先决条件，因为它提供了对语言模型的底层结构和功能的基础理解，这对于创建有效的提示至关重要。

弄清楚模棱两可的问题并确定可以跨场景转化的​​核心原则也很重要，因为它允许工程师清楚地定义手头的任务并开发可以轻松适应不同环境的提示。

创建可跨场景转化的​​核心原则对于创建可在多种情况下使用的一致且连贯的提示至关重要。

精心设计的提示是拼图的最后一块，因为它们是工程师用来将任务传达给语言模型并指导其输出的工具。

这些技能和知识共同使提示工程师能够创建有效且高效的提示，这些提示可用于训练和改进语言模型的性能。

先决条件 #1：大型语言模型架构知识

GPT-3（Generative Pre-trained Transformer 3 ）是基于论文“ Attention Is All You Need ”中介绍的transformer架构的深度神经网络架构。该架构旨在处理文本等顺序数据，由编码器和解码器组成。

编码器接收输入文本并将其转换为连续向量表示，也称为嵌入。编码器由多层自注意力层和全连接层组成。自注意力机制用于计算输入文本中每个单词的注意力分数，它表示每个单词相对于所有其他单词的重要性。这允许模型理解输入文本的上下文和单词之间的关系。

然后解码器生成输出文本，同样使用多层自注意力层和全连接层。解码器将来自编码器的连续向量表示以及先前生成的词作为输入，并生成序列中的下一个词。

GPT-3 中的 Transformer 架构由多层组成，每一层由两个子层组成：一个多头自注意力机制和一个全连接的前馈神经网络。多头自注意力机制允许模型在不同位置关注输入序列的不同部分。前馈神经网络用于处理来自自我注意机制的信息。

GPT-3 拥有 1750 亿个参数，使其成为迄今为止最大的语言模型之一。它基于大量文本数据（例如书籍、文章和网站）进行训练，能够生成类似人类的文本、回答问题和执行其他语言任务。然而，需要注意的是，GPT-3 仍然需要大量的计算资源来进行训练和推理，而且其训练数据往往存在偏差。

GPT-3、ChatGPT、DALL-E 和 Midjourney 之间的提示技术是否不同？

不同的大型语言模型（例如 GPT-3、DALL-E/Midjourney 和 ChatGPT）之间的提示技术可能有所不同。

GPT-3结合了无监督和监督学习，它在大量文本数据集上进行训练，并针对特定任务进行微调。GPT-3 能够生成类似人类的文本、回答问题和执行其他语言任务，但众所周知，它也会生成有偏见或不相关的输出。

DALL-E 和 Midjourney是根据文本提示生成图像的模型。DALL-E/Midjourney 的训练基于图像及其相关说明的数据集，这使他们能够根据文本提示生成图像。DALL-E/Midjourney 能够生成范围广泛的图像，从写实到抽象。

ChatGPT是一种基于对话数据训练的对话语言模型，专门设计用于在对话环境中生成类似人类的文本。它已针对对话任务进行了微调，例如问题回答、文本完成等。

这些模型的提示技术根据它们设计的特定任务、训练它们的数据类型以及它们采用的特定架构而有所不同。

GPT-3 擅长生成类人文本和执行语言任务DALL-E/Midjourney 生成图像ChatGPT 适用于对话任务

先决条件 #2：弄清楚模棱两可的问题并确定可以跨场景转化的​​核心原则

以下是一些使模棱两可的问题变得清晰的最佳实践：清楚地定义问题：清楚地定义问题及其目标。确保参与解决问题过程的每个人都了解问题以及需要实现的目标。Break the problem under smaller parts：将问题分解成更小、更易于管理的部分。这将使您更容易理解和解决问题。收集所有相关信息：收集与问题相关的所有相关信息和数据。确保参与解决问题过程的每个人都可以访问相同的信息。确定关键利益相关者：确定受问题影响的关键利益相关者，并让他们参与解决问题的过程。鼓励创造力和不同的观点：在解决问题时鼓励创造力和不同的观点。不同的观点可以帮助确定新的解决方案并克服障碍。使用结构化的问题解决方法：使用结构化的问题解决方法，例如科学方法或六西格码 DMAIC 过程，来指导问题解决过程。不断评估和调整：随着新信息的出现或情况的变化，不断评估和调整解决问题的过程。

先决条件 #3：创建可以跨场景转化的​​核心原则

可以跨场景转化的​​核心原则是：理解问题：清楚地理解问题及其目标分解：将问题分解成更小、更易于管理的部分收集信息：收集与问题相关的所有相关信息和数据确定利益相关者：确定受问题影响的关键利益相关者，并让他们参与解决问题的过程鼓励多样性：在解决问题时鼓励创造力和多元化的观点使用结构化方法：使用结构化的问题解决方法来指导流程持续评估：随着新信息的出现或情况的变化，不断评估和调整解决问题的过程有效沟通：与所有利益相关者进行有效沟通，并让他们了解进展情况和所做的任何更改保持简单：保持解决问题的过程简单，避免使用行话或过于复杂的语言灵活：对新的想法和方法保持灵活和开放的态度，如果解决方案不起作用，不要害怕改变。

通过遵循这些核心原则，有可能弄清楚模棱两可的问题，并提出准确、有效和高效的解决方案。

先决条件 #4：精心制作的提示

是什么造就了精心制作的提示？

GitHub — f/awesome-chatgpt-prompts：这个 repo 包括使用 ChatGPT 的 ChatGPT 提示管理……欢迎来到“Awesome ChatGPT Prompts”存储库！这是一组与……一起使用的提示示例github.com

精心设计的大型语言模型提示是清晰、具体且定义明确的提示。提示应为模型提供足够的信息和上下文以理解任务并生成相关且准确的输出。

清晰简洁的提示使模型很容易理解任务并保持在正轨上。例如，“写一个关于神奇的独角鲸的短篇故事”这样的提示清晰而具体，并为模型提供了明确的工作目标。

定义明确的提示还为模型提供了足够的上下文和信息，以生成准确且相关的输出。例如，“用通俗易懂的术语解释 Bostrom 的模拟论证”等提示为模型提供了特定主题和目标受众，这有助于模型生成非专家也易于理解的解释。

此外，出色的提示还可以鼓励模型发挥创造力并生成不同的输出。例如，“生成一首关于 AI 吃软件的诗”这样的提示鼓励模型想出不同风格的诗和不同的方式来表达主题。

ChatGPT 提示簿

从一系列精心设计的提示中获得复杂行为的十大技巧：具体明确：为模型提供明确具体的目标或任务。这将使模型更容易理解您正在寻找的内容并生成更相关的输出。提供足够的上下文：确保为模型提供足够的上下文和信息以生成准确且相关的输出。例如，如果您要求模型生成有关特定主题的文本，请为其提供有关该主题的信息和资源。使用多个提示：使用一系列精心设计的提示来指导模型完成一项复杂的任务，而不是仅仅使用一个提示。这使您可以将任务分解为更小、更易于管理的步骤。鼓励创造力：鼓励模型具有创造力并产生不同的输出。例如，如果您要求模型生成文本，请不要将其限制为特定的写作风格或格式。使用约束：使用约束来指导模型的输出。例如，您可以使用长度、语法和词汇等约束条件来确保输出的相关性和适当性。使用多样化的训练数据集：使用多样化的训练数据集来帮助模型理解不同的观点、文化和写作风格。这将有助于模型生成更加多样化和细致入微的输出。使用不同的输入测试模型：使用不同的输入和提示测试模型以查看其行为方式并识别潜在问题。使用人工评估：使用人工评估来确定模型输出的质量并确定需要改进的地方。使用主动学习：使用主动学习来微调模型并提高其在特定任务上的性能。试验不同的架构：试验不同的架构和超参数，看看它们如何影响模型的性能。

这些技巧的有效性取决于任务和模型，因此试验和尝试不同的方法很重要。

很棒的 ChatGPT 提示欢迎来到“Awesome ChatGPT Prompts”存储库！这是一组与……一起使用的提示示例提示.chat

GitHub — kristopher-wayton/chat-gpt-cheatsheet-nueralmagic：ChatGPT 备忘单您此时无法执行该操作。您使用另一个选项卡或窗口登录。您在另一个选项卡中注销或…github.com

Prompt Engineers 的未来是什么？

很难准确预测未来五年就业市场将如何演变，但随着大型语言模型在各个行业的使用越来越广泛，提示工程师的角色可能会继续供不应求。随着人们对自然语言处理、机器学习和人工智能的兴趣和发展日益增长，越来越需要能够设计和制作提示的专家，这些提示可以利用这些模型的力量来解决现实世界的问题。

大型语言模型具有广泛的应用范围，从内容创建到客户服务，预计这将继续增长。因此，将继续需要能够设计和制作针对特定任务或应用程序量身定制的提示的专家。此外，随着模型变得越来越复杂，将更需要能够微调模型并提高其性能的专家。

及时的工程师必须跟上该领域的最新发展，并能够将这些知识应用到他们的工作中。随着模型在更多领域的部署，对透明度和责任的需求将增加，这将使提示工程师的作用更加重要。

总之，虽然很难预测五年后就业市场的确切形态，但随着大型语言模型的使用变得更加广泛，提示工程师的角色可能会继续供不应求。

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。