第一个时代：prompt时代

发表于 更新于
人们第一次发现，自然语言本身可以成为一种编程语言。

2023年初，ChatGPT引爆全球。这是大模型应用发展的起点，也是整个行业最容易被低估的阶段。
很多人后来回顾这段历史时，会简单地认为 Prompt 时代就是研究提示词技巧的时代。但实际上，Prompt 时代最大的突破并不是提示词工程本身，而是人们第一次发现：

1
自然语言可以成为一种新的编程接口。

在传统软件中，人类通过代码控制计算机。

1
2
if score > 90:
    grade = "A"

而在大模型时代，人类开始通过自然语言控制模型。

1
2
你是一位资深编辑。
请帮我审阅下面的文章，并指出逻辑漏洞。

虽然没有任何代码，但模型能够理解角色、目标、约束条件和输出格式。
这意味着：过去的软件开发需要编写规则。而现在，人类开始通过描述规则来获得结果。
这是软件交互方式的一次根本变化。

Prompt时代解决了什么问题

GPT-3.5已经拥有强大的语言能力，但用户很快发现：同一个模型，不同提示词，效果可能天差地别。

例如：

1
帮我写一篇文章。

和：

1
2
3
4
5
6
7
8
9
你是一位拥有10年经验的科技记者。

请以《人工智能正在重塑软件行业》为题，
面向技术管理者撰写一篇1500字分析文章。

要求：
1. 使用正式写作风格
2. 包含行业案例
3. 给出未来趋势分析

得到的结果完全不同。

于是行业开始研究：如何通过提示词更好地激发模型能力。
Prompt Engineering（提示词工程）由此诞生。

Prompt时代形成的核心技术

Role Prompting（角色扮演）

给模型设定身份。

例如：

1
2
3
你是一名律师。
你是一位摄影导师。
你是一位量化交易研究员。

角色设定能够显著改变模型的回答风格和知识调用方式。
这是最早被广泛验证有效的Prompt技巧之一。

Few-shot Learning（样例学习）

不给规则，而给例子。
例如：

1
2
3
4
5
6
7
8
输入：苹果
输出：水果

输入：汽车
输出：交通工具

输入：老虎
输出：

模型能够从样例中自动学习任务模式。
这一能力后来成为大量AI应用设计的基础。

Chain of Thought（思维链）

研究者发现：如果要求模型先思考，再回答，推理能力会明显提升。
例如：

1
2
请一步一步分析。
请先解释你的推理过程，再给出答案。

这种方法后来被称为 Chain of Thought。
它第一次让行业意识到：大模型不仅能够生成结果，还能够生成推理过程。

Prompt Template（提示词模板）

随着应用增多，开发者开始把Prompt程序化。
例如：

1
2
3
4
5
6
7
8
9
你是一位{role}

请完成以下任务：

{task}

要求：

{constraints}

Prompt开始被当作软件组件管理。
许多后来的Agent系统，本质上仍然建立在Prompt Template之上。