IBM深刻洞见：解锁企业界Prompt工程最佳实践

Foto: Sean Gallup/ Getty Images

在当今人工智能浪潮中，大型语言模型(LLM)正成为企业提高效率、释放AI潜能的关键动力。与之密切相关的是Prompt工程，这一全新领域正在重塑人机交互的未来。IBM的这项研究包含大量有趣的信息，挑战了常见的假设。研究结果已经发布，让我们细细品味，领略其中的精髓洞见：

报告显示，Prompt工程绝非一蹴而就，而是一个极为耗时的迭代优化过程。研究人员分析了1712名用户的数据，平均每个编辑会话长达43分钟，而相邻两个Prompt版本间的修改时间仅50秒。这充分体现了Prompt优化的反复试错本质。

更加引人注目的是，上下文编辑成为最常见的优化环节，远超出指令编辑的频率。

上下文指的是提示语中包含的示例、背景信息等基础数据。用户往往通过循环修改上下文，来测试Prompt在不同情境下的表现，以确保其健壮性。这一发现颠覆了传统假设，即任务说明才是Prompt优化的重中之重。

除了Prompt本身的编辑之外，参数调整也是工程过程中的关键一环。数据显示，93%的会话都涉及了参数改动，而最常更换的竟是所使用的LLM模型本身。平均每个会话会尝试3.6种不同模型，充分说明了在特定任务场景下，探索并挑选最优模型的重要性。

此外，最大输出长度和重复性惩罚(repetition penalty)也是调整的普遍对象。可见，用户不仅追求语义的准确性，也注重生成内容的长度和多样性，以期获得理想的输出效果。这也从侧面映射出企业对LLM应用的高标准要求。

考虑到模型变化的频率，研究人员深入研究并分析了在单次提示会话中使用了多少个模型。

‍

‍

一次会话中测试的模型平均数量为 3.6。这强调了能够轻松测试不同模型的重要性。关于部署应用本地个性化模型可以看看这篇付费文章：

本地离线生成式AI文生文全要素提效指南，更安全更经济更高效

细致入微的编辑是Prompt工程的特色。研究发现，近四分之一的编辑涉及多处修改，平均约两处编辑同时进行。其中相当一部分涉及上下文和指令的同步修改。这种做法的合理性在于，更新上下文后，指令部分也要做出相应调整，否则可能会产生不一致的输出。

与此同时，11%的编辑是回滚到先前的版本，体现了试错的融入。研究还发现，负责处理未知情况的"handle-unknow"条目以及标签编辑最易被回滚。这表明这些指令对语义影响较大，编辑难度较高，往往需要多次修正才能达到预期效果。

• 40% 的回滚都是针对 instructions:handle-unknown（“如果您不知道，请回复”）

• 25% 的回滚与指令有关：输出长度

• 24% 的回滚是针对标签编辑，18% 是针对角色编辑。

相比之下，对指令和任务等其他部分的编辑回滚频率要低得多（8-9％）。

考虑到这一点，让我们看一下上面的频率图，回滚率较高的组件编辑频率较低。用户可能发现编辑这些组件会导致更糟糕的结果，因此他们回滚了更改，然后编辑频率较低。

这张图展示了大型语言模型Prompt中的不同组成部分及其描述和示例。它将Prompt分为以下几个主要部分:

1. instruction:task - 指定Prompt的目标或任务,以及与所需输出相关的其他细节。例如"根据文档回答问题"或"总结文档"。

2. instruction:persona - 指定LLM在生成输出时应扮演的角色或身份。例如"SQL专家"或"AI助手"。

3. instruction:method - 描述LLM应遵循的流程或方法来生成输出,例如"step-by-step"(逐步)。

4. instruction:output-length - 对输出长度的描述,如"50个单词"或"简洁"。

5. instruction:output-format - 指定输出应采取的形式,如JSON或段落。

6. instruction:inclusion - 描述输出应包括或不包括的内容,如"解释"或"来自提供文档的具体信息"。

7. instruction:handle-unknown - 描述如果LLM缺乏生成所需输出的知识时,应如何处理,如"如果你不知道,回复[...]"。

8. label - 提示语中用于标识元素的文本,如"Instruction:"或"<Context></Context>"。

9. context - 包括用于提供背景的示例、文档和输入查询。

10. other - 上述之外的其他内容。

此图总结了Prompt中不同组成部分的作用和示例，有助于构建清晰可视化且有目标的Prompt，以指导LLM生成所需的输出。

深入思考看到如此生动翔实的研究数据，不禁令人沉思：企业中的Prompt工程实践远比想象的更加复杂和动态。高成本、高标准、高不确定性，共同打造了一个充满挑战的舞台。这就要求从业人员拥有更专业的工程素养，同时也对Prompt生态的支持工具提出了更高的要求。