What Is Prompt Engineering? A Guide.

任何人都可以为大型语言模型提供输入。问题是，LLM 生成的输出是否实现了预期目标或回答了所提出的问题？这在很大程度上取决于投入的精心制作，这就是快速工程的出现。一个好的查询可以显著增加 LLM 产生项目所需要的确切几率；它还可以产生未来项目可能产生的副作用。

什么是快速工程？

提示工程是编写指令或提示以指导生成式 AI 模型生成所需输出的做法。此过程使用迭代来改进各种格式、短语、从 LLM 对其他系统的函数调用以及 AI 提示的其他变量元素的执行方式。目标是为 LLM 提供最佳特异性和上下文。

以下是快速工程的一些最重要的要素：

• 格式：由于 LLM 的开发和训练方式，提示的格式和结构对输出非常重要。最佳输出首先要了解模型中使用的 LLM 的首选格式。
• 函数调用：从外部源合并数据可以提高输出的质量和准确性。提示可能会启动用于动态数据提取的函数调用，只要可访问所需数据，该函数将返回结果。
• 特定性：提示短语中的模糊性可能会产生不准确、误导或开放式（甚至是无意义的）答案。专注于单词选择的具体性会提高输出答案的质量和深度。简而言之，这就是说“我想要一只狗”和“我想要一只三岁以下的救援狗”之间的区别，这只狗经过板条训练，对年幼的孩子很好。
• 用户受众：当提示集成受众意识时，提示会产生最准确的结果。一个高度技术化的人与一个学生或一个孩子有很大的不同，这应该反映在提示中，以便输出满足观众对语气和细节的期望。

虽然“提示工程”一词反映了改进提示以实现结果这一通用的科学原理，但它也可以作为应用程序开发流程中的一步。在他们的角色中，提示工程师在应用程序中创建模板和脚本，这些模板和脚本称为基本提示，用于将最终用户输入与模型桥接在一起，同时对用户不可见。基本提示的目标是在项目资源范围内工作时提供一种可伸缩和自动化的桥接查询方法。基础设施固有地支持 AI 和 ML 功能和可扩展的资源，可以简化和优化这些类型的项目。

关键要点

• 提示工程是构建、评估和改进提示以从 AI 模型中获得更准确输出的过程。
• 改善提示的因素包括 LLM 的首选格式，语言的特异性，适当地识别受众的期望，以及对外部数据的函数调用。
• 在应用程序开发过程中，提示工程师创建了一个基本模板，该模板解决了准确输出所需的因素，以将潜在模糊的用户输入与应用程序的 LLM 桥接在一起。
• 当底层基础设施提供 AI 和 ML 服务时，应用开发效果最好，从而使工程师能够专注于手头的任务。

提示工程说明

人工智能行业在两个背景下看待工程，第二个定义是第一个的扩展。第一个定义是指实际的技能集本身：能够制作和细化 AI 提示以获得最理想的输出。试错过程在提示工程师进行实验时发挥作用 - 使用格式；单词选择；额外的上下文数据，例如通过 API 外部拉出的函数调用；以及其他变量 - 以实现所需的输出。熟练掌握最流行的标准 AI 模型的工程师将更有可能了解能够提供强大结果的特定格式。此外，提示工程师经常使用跟踪提示施工历史记录、提供沙盒实验空间以及提供提示的 A/B 测试的工具。

对于工程师来说，一个有用的质量是项目主题的强大知识。这并不是这个角色的绝对要求；快速的工程师当然可以利用技术 AI 专业知识，而不是情境理解。然而，通过对项目整体目的有一定的了解，提示工程师可以更有效地验证输出的准确性和效率。

然而，不可能期望每个用户在使用应用程序时都知道敏捷工程师的策略。因此，快速工程的第二个定义是将战略性创建的基础提示集成到应用程序的开发周期中。此基本提示在看不见的模板中提供提示工程师的所有专业知识。当用户输入查询时，该数据会增加基本提示，而不是完全冷淡。这是 AI 驱动的应用开发成功的关键部分，因为它有助于确保用户能力的最广泛灵活性，同时提供既定的输出标准。

为什么快速工程很重要？

提示工程非常重要，因为它可以最大限度地提高整个 AI 计划的效率，包括资源、工作量和用户体验。质量提示可降低查询处理成本并提高用户满意度。这使得即时工程对应用程序开发人员来说是一项有价值的投资，即使在开发周期中需要额外的时间和资源。

在更精细的层面上，提示性工程可以帮助降低开发人员的以下风险：

• 开发人员偏见：在提示工程的背景下，偏见是指创建提示的工程师有意或无意引入观点、假设或偏好，这可能会扭曲 AI 模型的输出。为了避免此问题，提示性工程流程可以从各种角度检查算法、训练数据和输出结果。这有助于预防偏见，既可以在提示生成期间提供额外的内部审查，也可以以可能抵消或解决用户自身偏见的方式创建基本提示。
• 意外资源消耗：在试错过程中，提示工程师可以确定提供相关输出所需的上下文信息（例如用户历史记录、内部数据库或外部系统）。通过识别强大的基础提示所需的数据，开发人员可以检查对资源的实际（获取内部数据的访问）和技术（通过 API 的函数调用的资源流失）影响，然后再进入开发周期。
• 未识别的边界和参数：提示工程提供了另一层检查，可帮助整个开发团队建立相关的边界和限制。其中包括上下文保留与资源使用的参数；用户交互与软件认知之间的界限；以及输入参数的意外问题，例如格式和语义。
• 不可预测的用户查询：通过创建基本提示来为输入设置基础，提示工程可以为查询提供质量标准，即使用户输入模糊且笼统。

提示工程的工作原理

提示工程师通常首先考虑项目，然后进行试验和错误过程，建立成功的提示，然后最终将其集成到应用程序中。

下面简要介绍了此流程通常的工作方式：

1. 了解模型和应用程序的用途和受众：在执行任何技术步骤之前，工程师通常会退后一步并考虑项目的上下文细微差别。受众人口统计；模型的复杂性；以及基于变量（如行业或预期知识）的结果的期望，需要被理解，才能有效地迅速生成。如果没有这些知识，即使是技术上准确的输出也可能无法满足观众的需求。

2. 了解要探讨的问题：一旦确定了更广泛的情况，工程师就可以向下钻取到特定问题。要考虑的因素包括期望的目标、详细程度、预期的后续行动、所使用的步骤或段，以及对进一步数据的潜在函数调用。

3. 了解 LLM 的趋势和偏好：各个 LLM 在格式、语义和复杂性方面都有自己的怪癖。其他因素包括与模型的基础架构相关的资源限制。

4. 生成初始提示：以上所有步骤应建立有关上下文、目的、受众和限制的足够信息，以构建初始提示。

5. 评估结果：使用提示后，应评估输出是否成功。如何衡量成功取决于项目的目标。虽然准确性至关重要，但个别情况也可能要求强调语气，声音，长度，细节水平以及使用保留记忆的持续参与。

6. 根据需要进行细化：优化提示包括调整语言、添加上下文、通过 API 调用集成函数以及其他此类可能性。提示工程师还可以使用各种工具来帮助改进过程；这些工具可以记录提示历史记录，通过 A/B 测试显示结果，并管理输出分析以加快改进速度。

7. 可导出性测试：可导出性提供了两个组织优势。通过针对不同的 LLM 测试提示，开发团队可能会发现一个 LLM 更适合项目。此外，提示工程师可以检查提示的上下文中立部分，以查看是否可以导出它们以用于其他项目。

8. 集成到部署 AI 模型中：通过成功构建的基础提示，开发团队可以开始集成项目中的自动化和可扩展性，最好是在具有托管 AI/ML 服务的云基础设施上进行集成，以优化性能。这样可以生成一个有效的基本提示，然后可以通过用户输入进行扩充。

考虑一下天气应用程序中助手的示例。在人员甚至输入查询之前，基本提示可能标识以下信息：

• 从设备 IP 地址提取的位置
• 一天中的时间，也由 IP 地址确定
• 从用户的应用程序概要信息中提取的人口统计
• 搜索所请求的典型数据类型的历史记录，例如流量或户外活动
• 应用程序的用途，用于确定答案
• 应用程序的语气，词的选择

所有这些部件都可以使用基本提示来实施，然后与用户的问题集成，以获得更高的准确性和个性化以及适当的语气和语言。

提示工程的优点

提示工程可为更具体、更准确的结果创造关键优势。实现这一目标的方式取决于两种不同的提示工程形式 - 提示工程的实际熟练实践以及集成到模型中作为公共查询的基本模板。

以下是整个快速工程的一些最常见的优点：

• 优化 AI 输出和效率：大型语言模型可以处理任何常规输入或查询，但这样做通常会浪费资源，因为需要进行细化和额外的工作。作为技能集，提示工程将绕过一般提示以获得更准确的响应。集成到 AI 模型中后，提示工程将用户指向相关方向，并在详细信息中高效地进行颜色检查，而不会增加查询人员的工作量。
• 增强的灵活性和自定义功能：在正确执行时，提示性工程方法的第一步可以为项目提供更大的灵活性和自定义功能。通过构建域中立的上下文，可以快速将工程工作导入其他应用程序或模型。域中立上下文的示例包括识别用户人口统计数据、时间和季节数据以及应用程序功能和语调。这些元素几乎可以与任何模型一起工作，同时减少模糊和广义的输出。
• 改善用户体验和满意度：通常，人们会接触 LLM 或应用程序，知道他们想要什么，但无法以返回所需响应的方式表达请求。让我们来类比一下去杂货店。如果没有快速的工程设计，就好像走进商店，站在入口处，说“我饿了”。在这种情况下，提示工程可以根据预算、首选项和功能等内容来细化该请求，从而引导您进入正确的通道。当内置到模型中时，提示工程可以更好地即时了解用户和目标，从而获得更准确的结果，从而获得更好的整体体验。

提示工程挑战

作为一门科学，快速工程相对年轻。从业人员包括软件开发人员，他们制作提示，将 AI 驱动的功能添加到他们的应用程序中，以完成任务，包括内容生成，汇总，翻译和代码协助；希望创建客户服务聊天机器人等系统的技术通信人员；以及专注于设计，测试和优化提示的专业快速工程专业人员，以实现非常具体，专门的用例。

以下是快速工程处理人员面临的一些最常见的挑战：

• 平衡特性和创造力：快速工程的目标是支持创意自由，而不会影响产出或资源。实现这是一个艰难的平衡。回到杂货店的类比，不平衡的提示工程就像对饥饿的用户做出反应，只需选择冷冻意大利面。特异性有助于确保效率，但 LLM 需要适当的灵活性来提供准确和高质量的结果。
• 管理歧义：当应用或 AI 模型产生模棱两可的结果时，会给用户带来更大的负担，而人工迭代和优化查询所需的资源越多，流程使用的资源就越多。作为一项技能，快速工程的一个关键方面是最大限度地减少结果中的模糊性。因此，挑战在于对提示进行微调，以建立特定的标准，而不会在结果中产生太多的限制。
• 适应模型限制：根据应用程序的用途和功能，其模型可能会考虑非常具体的受众和语气。对于提示工程师来说，这个已知的方向可以提供更简单的入门途径。然而，它也可能导致它们陷入陷阱，从而构建出包含意外或多样输入的能力有限的输出。应用程序开发人员可以与提示工程师合作，讨论可接受的输入范围，并选择可以在创意查询与应用程序的特定功能之间平衡的基本提示模板。
• 迭代细化：提示工程师可能会陷入一个陷阱，即假定有效的提示已经完成。然而，由于人工智能模型正在不断学习，并且应用程序正在持续开发，因此有效的提示可能很快就会过时。一旦建立了一个提示，工程师必须提高意识，以适应环境的动态性质。当一个提示被集成到应用程序的工作流中时，持续的改进和评估是帮助提供质量输出的关键。
• 上下文保留：在应用程序的开发过程中，整个团队必须考虑如何平衡功能和性能。从用户体验的角度来看，上下文保留是创建准确输出的关键。然而，每一层保留都消耗了更多的资源，因此开发团队及其敏捷工程师面临的挑战是了解哪个环境应该成为既定的内部提示的一部分，以及外部用户需要什么才能获得后续提示。与模型限制类似，底层基础设施的选择及其为 AI 项目提供内置支持的功能可以显著优化资源，从而在检查上下文保留时提高灵活性。
• 处理冗长而复杂的查询：最终，AI 模型可能能够处理极其复杂的查询。现在，他们中的大多数都不能 - 通常存在一个转折点，其中输出变得无效。开发人员可以使用提示工程，通过预加载关键上下文和分配参数来减少与此类结果相关的变量。
• 用户意图对齐：提示工程可以提高效率并提供前端启动，但如果提示工程指向了错误的方向，该怎么办？特异性是提示工程输出的关键功能，但前提是它有效。因此，开发团队必须进行检查，以确保提示工程不是那么具体，以至于它忽略了用户的真实意图。

为了解决这些和其他资源限制，许多企业将其 LLM 部署在具有内置托管服务的云基础设施上，并进行了优化以支持 AI。

提示工程所需的技能

由于快速工程的概念仅在过去的十年中才走在前列，因此它仍然是一个不断发展的角色。一个成功的提示工程师需要一个核心技能集，并了解该功能在更大的算法训练和应用程序开发过程中的位置。

在其核心，快速工程需要强大的沟通技巧，主题专业知识和编程敏锐的混合。有精确的语言，语义和语法结构需要从 AI 模型中获得所需的响应，工程师还必须了解组织的 LLM 使用的基本逻辑和模式。此外，它们必须能够评估所产生产出的准确性和相关性。

当集成到开发工作流程中时，提示工程师的技能集应该更倾向于技术性。因为提示可能需要发出外部请求，例如，了解 API 和函数调用在标准编程语言中的工作方式和能力。此外，技术背景允许提示工程师考虑不同提示策略的计算成本，以便他们能够在性能和成本效益之间取得平衡。

提示 - 工程用例

提示工程可以成为提高 AI 资源使用效率和用户满意度的重要工具。通过将基本提示集成到应用程序的工作流中，应用程序可以生成更好，更准确的结果，即使人类提供模糊的输入。

以下是提示工程可以使特定用例受益的一些方法。

• 教育：AI 模型在教室和实验室中具有多种用途，提示工程有助于创建个性化、有效的路径。考虑一所大学实施自定义数字助手来改善学生体验，并根据实时信息定制提示来回答问题。学校可能会使用人工智能来制定个性化的学习计划，提示可以从学生目标和课程计划中提取数据，同时对以前的记录和课程进行函数调用。或者辅导应用程序开发人员可以对提示进行工程处理，以便回答适合每个学生的年龄和技能水平。
• 财务：应用可以协助财务的内部和面向客户的方，包括报告生成、市场趋势分析和客户服务。在每种情况下，提示工程都可以为用户构建头启动。对于内部报表，提示可以从函数调用源数据到外部市场数据或内部度量。对于客户服务，提示可能会从客户的历史记录和外部因素（如时间、季节和查询类型）中获取数据。在内部，可以定制提示以帮助进行欺诈预防工作。
• 医疗保健：AI 可帮助诊断医疗状况、汇总患者记录和生成医疗报告。这些系统还可以为医疗保健专业人员提供支持。为了实现这一切，提示可能被设计为反映患者或从业者受众的适当语调，同时通过外部功能调用其他记录，员工系统和最新的相关医学研究来拉取所需的背景。
• 制造：制造企业采用 AI 来支持一系列功能，包括供应链状态跟踪、质量控制和客户自助服务工具。这些用例中的每一个都需要访问内部和外部来源来满足不同的受众需求。例如，为了优化生产计划，提示可能会被设计为超越使用既定的内部截止日期和因素，例如供应商状态、工具生命周期数据和可能影响交货的实时问题（例如节假日或恶劣天气）。
• 营销：数字营销活动会生成大量数据。人工智能生成的营销内容从设计用于利用这些数据的提示中受益匪浅。工程师可以准备基本提示，例如引用该品牌的社交媒体帖子。为了优化互动，广告营销活动可以针对特定的用户情绪和人口统计数据。
• 房地产：房地产行业从各种来源获取信息：公共销售记录、利率和财务趋势，甚至天气和季节性数据。但是，行业应用往往侧重于一件事：将那些寻找拥有合适房产的家庭的人相匹配。同时，房地产公司面临着独特的人力资源管理挑战，AI 可以提供帮助。提示工程可以根据当前需求和数据将应用程序指向正确的方向，同时在基本提示中准备适当的函数调用以提供用户所需的功能。
• 零售：基于 AI 的购物助手应用可以个性化推荐，为客户工作流添加自动化功能，从而提高客户满意度和转化率。推动这些改进的大部分数据来自客户数据，包括购买、搜索和服务历史记录。通过构建一个主动使用客户角色的基本提示并获取适当的数据，聊天机器人和其他应用可以更好地吸引购物者。
• 旅行：借助 AI 驱动的旅行应用，您可以通过快速工程来改善个性化推荐和行程。例如，当用户在计划行程中要求预订餐厅时，提示可以超出用户历史记录的一般位置和因素，例如孩子是否参与，同时对美食、餐桌可用性和成本进行功能调用。这些都是可以通过向下钻取到结果来实现的因素，但提示工程可以提供快速启动，以减轻查询工作量，同时提供更快，更准确的输出。精心设计的提示功能还可以帮助 AI 驱动的数字助手帮助客户和员工回答时间敏感的问题。

提示工程技术

各种快速的工程技术都具有优点和缺点。确定适合的项目取决于目标、处理能力和底层支持基础设施、使用中的 LLM、受众和其他独特参数。

以下是目前使用的一些最流行的快速工程技术：

• 思想链：指示 LLM 识别和列出最终目标的中介步骤是提高准确性和透明性的方法。可以通过请求模型列出步骤（包括操作步骤列表的示例）或提供多项选择选项，同时请求对选择进行推理来触发想法链技术。
• 方向刺激：通过提供提示和方向来改进 LLM 的输出。通过为基本问题后的文本中的一般问题提供特定的线索、参数和上下文，引导式刺激提示起作用。通过添加“提示”一词和细节列表，类似于社交媒体帖子添加主题标签以提供上下文的方式，可以设置输出以包含这些项目并生成更高质量的结果。
• 最少到最多：这需要将提示细分为子问题，然后按定义的顺序执行提示。最少到最多的提示类似于思想链的方法，因为它在粒度层面上查看提示，但利用中间步骤逐步构建答案，可以使执行更加复杂。与思想链提示一样，最小的提示最有效地应用于复杂的问题，这些问题可以分解为一系列更简单，顺序的子问题。
• Maieutic ：这涉及渐进式开放式提示，通过引导模型反思其推理来基于答案。Maieutic 提示是基于苏格拉底的对话方法，通常从一个开放式的问题开始，然后在每个答案背后的推理中进一步钻研。在实践中，这是通过从问题开始，然后连续要求模型更深入地解释其答案来实现的。
• 自我优化：通过将上一个答案反馈给模型，同时要求改进，可以逐步改进 LLM 的输出。自我优化提示是一种迭代技术，它为模型提供了重新评估其输出以进行可能的调整和添加的机会；它最好用于考虑目标在于优化特定解决方案的问题，例如代码生成。由于这是一项基于指令的技术，工程师必须验证模型是否具有保留答案的能力和资源，并迭代构建答案。
• 连续：这涉及一系列相关步骤和连续步骤，以完成工作流或大纲。顺序提示在两种情况下最有效：当涉及特定序列时，例如指令或程序；当开始对特定主题采取更广泛的方法时，然后以引导式对话的形式构建答案，直到达到令人满意的点。顺序提示是通过清晰的关键字来识别的，这些关键字描述了序列，例如“第 1 步”或“第 2 部分”。

提示工程的最佳实践

提示工程师通常在具有不同目标的许多不同项目上工作，这些项目跨具有不同计算资源的不同 LLM 平台。尽管如此，还是有一些共同的考虑，以实现最佳的产出。

1. 考虑您的 LLM 的“个性”
除了所有 LLM 的标准限制（如幻觉）外，每个平台还具有优缺点。例如，当前 GPT-4 可以同时支持文本和图像，但使用了大量的计算资源。BERT 是开源的，提供强大的理解能力，但需要为特定任务进行更多的微调。每个 LLM 都有自己首选的输入格式和语义，并且模型总是不断发展。对于一个项目，现在可能不会在六个月或一年内完成。

2. 平衡精度和简洁性
模糊的开放式提示引导模型输出模糊或重复的结果。特殊性是良好的快速工程的关键，包括技术和实践要素。在技术方面，精确的提示因素在首选格式和已知参数的 LLM 和应用程序。在实际方面，关键因素包括目标受众，应用程序/模型功能，预期的背景知识和精确的指令，以及适当的样本或参数，例如请求的点数或示例数。

3. 添加上下文线索
在复杂查询中，上下文可以产生所有差异，因此提示工程师应注意通知提示，并提供请求的框架原因。问：“今天天气好吗？”在为人工智能制定提示时，一个提示工程师认识到“好”的定义是主观的。通过在提示中添加上下文，工程师可以获得更有用的响应。例如，可以构建一个提示来包含上下文，而不只是向 AI 问问题：

• 用户限制：患者是否患有哮喘或有花粉过敏？工程师可能会对人工智能进行编程，以考虑当地情况和特定的健康问题。
• 用户意图：是希望下雨的农民，还是希望有阳光明媚的一天出游的学生？AI 可以提供基于季节性和活动的上下文。
• 时间和地理特异性：一周中的国家、城市、季节和日期是什么？

战略性地提供上下文有助于 LLM 生成更有用和个性化的响应。提示工程师可以选择通过 API 来识别各种外部函数调用，这些 API 可以提前生成其中的一些上下文。

4. 耐心进行迭代测试和细化
提示工程是一个试错过程。幸运的是，从业者可以访问各种工具，这些工具可以通过提供提示历史记录、不同 LLM 的沙盒环境、性能评估和建议以及 A/B 测试等元素来支持迭代测试和优化。通过使用提示管理工具，优化变得更加高效和可跟踪，从而可以更全面地查看优化提示的路径。此可见性还可以为导出可重复的中性上下文基本提示奠定基础。

提示工程的未来

提示工程的进化路径可能与 AI 和 LLM 的技术进步有关。大多数敏捷的工程师预计，随着 LLM 的理解不断增长，提示可能会变得越来越复杂，允许包含更详细的细节，特异性和上下文信息。目前，LLM 往往有一个断点，即长而复杂的提示会导致不合理的输出。

增加快速复杂性的切合点是快速适应能力的能力。换句话说，AI 工程师正在寻找 LLM 生成提示的方法，这些提示可以根据对话的上下文、历史记录和规范进行自适应。同样，开发人员正在寻求使 LLM 与多种类型的输入一起工作。在完美的世界中，LLM 将能够对文本、音频和图像进行多模式输入以创建输出。

该版本当前以 retrieval-augmented generation (RAG) 的形式存在。RAG 与提示工程的一般用途重叠，因为它力求提供更深入的背景，从而产生更准确的输出。但是，RAG 是根据提示内的线索通过自行传播的数据检索执行的。在一个完美的世界中，一个提示工程师构建了一个基本提示，然后 RAG 通过检索更相关的数据来添加进一步的上下文，从而产生高度准确的输出。RAG 工具最适合使用向量数据库进行快速检索，并具有足够的处理能力。随着云提供商解决人工智能和机器学习项目的这些问题和其他问题，这些服务的固有功能和可扩展设计将为支持 LLM 的功能提供更好的基础。

Oracle 可提供的帮助

Oracle Cloud Infrastructure (OCI) Generative AI 提供托管服务，可帮助提示工程师腾出时间试验查询，而无需担心访问多个 LLM 选项、可扩展资源和企业级安全性。OCI 聊天体验提供 Cohere 和 Meta 模型的开箱即用界面，同时帮助保持数据私密性。

提示工程师是部分翻译，部分侦探和部分编码员，利用他们的创造力和语言技能来制作精确的单词和指令，从极其复杂的 LLM 中梳理出想要的结果。制作提示是一项独特的人类技能，而回报是调整短语将 AI 的反应从普通的，甚至致幻的，天才转变的那一刻。

提示工程常见问题解答

什么是 AI 中的快速工程？

提示工程是指 AI 中的两个不同元素。第一个是快速工程的技能集，这是改进输入提示以获得最佳，最准确的结果的过程。第二个是集成到可重复、自动化和可扩展的基本提示的人工智能工作流中，这些提示由提示工程师设计，即使用户只提供模糊的查询，也能帮助生成输出。

提示工程如何改善 AI 模型输出？

如果不进行快速工程处理，AI 模型输出通常只会对典型的基本查询提供非常一般性的响应。提示工程师参与了一个试错过程，以识别模式，包括单词选择，格式，函数调用和其他元素，然后可以作为基本提示集成到应用程序中，这可以帮助对甚至模糊的用户查询提供详细的响应。

哪些工具通常用于快速工程？

可以帮助提示工程师更好更快地完成工作的工具允许试错沙盒进行提示，同时提供管理工具，并能够通过详细的分析、提示历史记录和评估、A/B 测试和链接来检查结果。提示工具支持各种核心 AI 模型和输出，其中一些仅支持文本，而另一些支持图像和文本。

提示性工程与传统编程有何不同？

传统编程遵循一组严格的规则，遵循特定的代码格式，所有这些都可以实现可重复的响应。提示工程遵循类似的输入/输出流，但在更宽松的路径中。提示性工程输入使用自然语言，但在遵循特定 AI 模型首选的格式和语义时效果最好。由于这种开放的性质，由于试验和错误语言的调整，在快速工程中更改可以更快，而不是改进或调试代码；但是，这些更改可能无法通过可重复的代码进程实现精确的结果。