解释提示工程基础

学习目标

解释提示工程的基础，包括其在优化大型语言模型结果方面的重要性。

在本课中，你将选择 LLM 并将其连接到企业数据。下一步是有效地与该 LLM 沟通，以获得业务应用所需的精确、可靠且与上下文相关的输出。

这正是提示工程发挥作用的地方。它是关键的接口，是构建你给 LLM 的指令的艺术与科学。作为生成式 AI 开发者，掌握提示工程不仅仅是一项锦上添花的技能；它是控制 LLM 行为并释放其全部潜力、为企业解决方案交付价值的基础。本课将向你介绍指导你与这些强大模型交互的核心原则。

提示工程

就其核心而言，提示工程是设计与优化你提供给 LLM 的输入（或“提示”）以引导其生成期望的高质量输出的学科。可以把它想象成用自然语言编程。你不是编写代码行来定义逻辑，而是精心组织措辞的指令、问题或上下文，使 LLM 能够执行特定任务。

LLM 是一个强大但本质上是通用的工具。如果没有明确的方向，它可能生成泛泛、不准确或无关的回复。提示工程提供了这个方向，使你能够：

明确任务：清楚地告诉 LLM 你希望它做什么。例如，汇总、翻译、生成代码、回答问题。
提供上下文：为 LLM 提供准确执行任务所需的信息。例如，相关业务数据、先前的对话轮次。
定义约束：指导 LLM 应如何呈现输出。例如，语气、长度和格式。

提示工程的重要性

提示工程很重要，尤其是在开发企业用途的生成式 AI 应用时。它直接影响你在 SAP 战略中了解到的“相关、可靠、负责任”原则：

确保相关性（扎根）：精心设计的提示对于将 LLM 的回复扎根于你的特定企业数据至关重要。通过在提示中显式包含来自 SAP 系统的相关实时数据（例如，“鉴于这些销售订单数据，请汇总……”），你可以确保 LLM 的输出基于事实，而不仅仅是其通用训练知识。这是你对抗与业务上下文相关的幻觉的主要机制。
提高可靠性与准确性： LLM 是概率性的，也就是说它们预测下一个可能的词。如果没有清晰的指令，就有可能产生不准确或误导性的内容（“幻觉”）。有效的提示工程有助于：
减少幻觉：通过提供清晰的事实和约束，你限制了模型编造的空间。
提高一致性：定义良好的提示会在多次交互中产生更可预测、更一致的输出。
增强连贯性：清晰的指令有助于 LLM 生成更有逻辑、结构更好的回复。
提升效率与成本效益：
减少迭代次数：一个好的初始提示通常能减少多次重新提示或后处理的需要，从而节省开发时间。
优化令牌使用：精确的提示有助于 LLM 紧扣主题并生成简洁、相关的输出，这直接影响每次交互使用的令牌数量（进而影响 API 成本）。
减轻偏见并确保负责任：虽然这不是一个完整的解决方案，但谨慎的提示设计有助于引导 LLM 避免强化其训练数据中存在的有害偏见。通过指定期望的语气、包容性语言或对事实的遵循，你可以主动影响输出的伦理属性。

有效提示的结构

尽管每个提示都因用例而异，但有效的提示通常共享几个基本组成部分：

清晰的指令/任务：这是提示的动词。你究竟希望 LLM 做什么？示例：“汇总”、“生成”、“翻译”、“提取”、“回答”、“分类”、“改写”、“编写代码”。
上下文/输入数据： LLM 准确执行任务所需的信息。对于企业应用，这通常是从你的业务系统中动态检索并插入的（例如，数据库记录、用户输入、文档内容）。示例：“鉴于这些销售数据：[在此插入销售数据]”、“基于这条客户投诉：[插入投诉文本]”。
输出格式/约束： LLM 应如何呈现其回答？要明确。示例：“用 3 个要点提供摘要”、“将响应格式化为有效的 JSON”、“使用正式语气”、“将响应限制在 100 词以内”、“仅包含产品名称和数量”。
角色/人设：指示 LLM 采用特定角色，以影响其语气、风格和视角。示例：“扮演一位经验丰富的客户服务专员”、“你是一名 Python 开发者”、“作为一名财务分析师”。
技巧：有时，向 LLM 展示期望的输入-输出对示例，比仅给出指令更能帮助它理解任务。你将在后续关于少样本提示的课程中详细探讨这一点。

面向企业的基本提示示例：

指令： “从以下会议记录中汇总关键行动项。”
上下文： “[在此插入完整的会议记录]”
输出格式： “以项目符号列表呈现，从最关键的开始。”
角色（隐含）： “扮演一名会议记录员。”

通过仔细组合这些要素，你可以精确控制 LLM 的输出，将通用 AI 转变为满足你特定业务需求的专用工具。

课程小结

本课介绍了提示工程的基本概念，并将其视为引导 LLM 的关键接口。有效地构建提示对于确保你的生成式 AI 应用具有相关性、可靠性和成本效益至关重要，尤其是在企业环境中。这项基础技能将使你能够精确控制 LLM 行为，直接影响你所构建解决方案的准确性、质量和业务价值。