“ 知其然也要知其所以然，为什么会有提示词工程？”
了解和使用过大模型的人应该都知道提示词工程，即使不了解提示词工程，至少也应该听说过，提示词工程说白了就是一种和大模型交流的方法，它的作用就是让大模型更好的理解人类的需求，具体的可以看之前的文章什么是提示词工程。
而且在网上很多关于大模型提示词的文章和视频中，都提到了提示词的质量能够直接影响到大模型的性能和推理效果。
但很少有人能明白这是为什么？为什么不同的提示词会产生完全不同的效果。
今天我们就来透过现象看本质，深入了解一下提示词工程。
01
—
提示词工程的背后
要知其然也要知其所以然
在我们学习大模型技术的时候，很多文章和视频教程都告诉我们要写好提示词，好的提示词能直接影响到大模型的输出质量。
但从来没有人告诉你，为什么不同的提示词会得到完全不同的结果，换句话说为什么会有提示词的出现？
技术的出现是有一个先后顺序的，先有的提示词，再有的提示词工程；提示词工程是为提示词服务的，目的就是怎么写出一个更好的提示词。
简单来说就是，大家把写提示词的经验总结成一种方法，这个方法就叫做提示词工程。
OK了解了提示词和提示词工程之间的关系，那么就来回答上面那个问题。
为什么会有提示词？
提示词的产生是有历史原因的，虽然这个历史很短。
我们知道人工智能的发展经历了多个阶段，虽然近些年机器学习大行其道，但并没有产生特别大的影响，直到openAI基于Transformer架构开发出了GPT系列，特别是GPT-3版本发布，以及谷歌发布的BERT模型。
在GPT和BERT模型开发前期，由于参数量小，模型体量也小，直接的结果就是当时的模型训练成本比较低；因此，那时开发大模型主要以预训练和微调为主。
这时研究深度学习模型的方法也被称为——预训练-微调范式。
但直到GPT-3的出现，模型的参数出现爆炸式增长，直接从刚开始的上亿参数量增长到上千亿参数量；这时大模型这个词出现了，大模型代表的不只是模型规模大，参数量多；也代表着模型的训练和微调成本直线上升。
比如说，GPT-3模型训练成本好像达到了上千万美元；因此，从成本的角度训练和微调模型不再是一个好的选择。
这时，大家就开始考虑一个问题，上千亿参数的模型已经具有了非常丰富的知识量，那么怎么更好的更有效率的利用好这些知识呢？
我们知道，在预训练和微调学习范式中，需要通过训练数据不断调整模型的参数来让模型达到最优解。
而经过一段时间的研究和实验，这时就有人发现了一种在不需要调整大模型参数的情况下，用少量样本或零样本的方式，就可以让大模型输出更好的结果。
基于这种结果，人们又经过其它研究发现，对同一个问题使用不同的提示词会输出不同的结果。
简单来说就是，提示词写的越好，模型的输出效果越好，因此就把这种现象命名为提示学习。
而为什么会产生这种现象，这个就像大模型的涌现能力一样，它是一种现象，但不知道产生的原因。
所以总结来说，提示学习是一种基于实验发现的一种现象，它能够在不改变模型参数的前提下，让模型拥有更高的输出质量。
因此，基于提示学习这个理论就产生了提示词，而怎么把提示词写的更好就有了提示词工程。
不同提示词产生不同效果的原因
网上也有这种说法，在预训练-微调阶段是让大模型去适配不同的任务；比如，电商类大模型需要用电商数据进行训练或微调，工业类大模型需要使用工业数据进行训练或微调。
而提示学习阶段，却是让任务去适配大模型；就类似于男女之间的感情，在之前大都是男追女，男人需要给女人买礼物，请客吃饭等等，需要花费大量的金钱；而最近两年男人突然明白过来了，我不追了，花钱把自己收拾干净，买房买车让女人倒追。
下面我们用一个例子来说明为什么提示词不同，效果也不同，拿一个情感分类任务来说：
问题 Q = “这个电影不错”
加上提示词模板P_Q = “这个电影不错，我很喜欢，因此这是一个X电影”。
这里的X就是大模型需要预测的结果，而如果再把这个X加一个限定范围，比如A：无趣的，B：好玩的；这时大模型就可以轻易的判断出这是一个好玩的电影。
而不加提示词模板，模型给出的答案可能就千奇百怪，比如说这是一个难看的电影，这是一个糟糕透顶的电影，这是一个某某主演的关于某某事情的电影等等，都是有可能的。
而这就是为什么提示词工程中有些人会要求，写提示词要给大模型设定角色，背景，明确任务要求，限定任务范围等要求。
基于NLP自然语言处理模型开发的人工智能机器人，感兴趣的可以点击查看：
总结
简单来说，不论是预训练-微调，还是提示词都是为了让模型表现的更好，为了发挥大模型庞大知识能力的一种方式，而提示词是一种成本相对较低的方式。
而对使用者来说，使用第三方模型是根据Token进行计费的，而更长的提示词意味着更多的Token，因此怎么写出一个简短又高质量的提示词就是一个需要考虑的问题。
