一篇来自上海人工智能实验室的新论文认为，大型语言模型并不总是需要更大的训练数据来变得更聪明——只需要更好的指令。研究人员发现，精心设计的“上下文提示”可以使人工智能系统产生比通用提示更准确和有用的响应。

想象一下，这就像在故事中设定场景，使一切都变得合理，这是让人工智能更像一个乐于助人的朋友而不是一个无知机器人的实用方法。上下文工程的核心就是精心构建你提供给人工智能的信息，以便它能够更准确和有用地回应。 一个人并不是一个孤立的个体；我们受到周围环境、关系和情境——或称“上下文”的影响。人工智能也是如此。机器常常出错，因为它们缺乏完整的画面。例如，如果你让人工智能“计划一次旅行”，它可能会建议一次奢华的邮轮旅行，而不知道你预算紧张或是带着孩子旅行。上下文工程通过提前构建这些细节来解决这个问题。 研究人员承认这个想法并不新鲜——它可以追溯到20多年前计算机的早期时代。在那个时代，我们不得不适应笨重的机器和严格的规则。然而，现在虽然强大的人工智能平台可以使用自然语言，我们仍然需要设计良好的上下文，以避免“熵”（在这种情况下，这个词指的是由于过于模糊或混乱而产生的困惑）。

如何对你的提示进行上下文工程

论文提供了让你的人工智能聊天更有效的方法。它建立在“提示工程”（设计良好的问题）之上，但更广泛，关注完整的上下文。以下是一些用户友好的提示和示例：

• 从基础开始：谁、什么、为什么

  始终包括背景以设定舞台。与其说“写一首诗”，不如试试：“你是一位浪漫的诗人，为我的周年纪念写作。主题是永恒的爱，保持简短而甜美。”这可以减少误解。

• 像蛋糕一样分层信息

  逐层构建上下文：先广泛，然后添加细节。对于编码任务：“我是一名初学者程序员。首先，解释Python基础。然后，帮助调试这段代码[粘贴代码]。上下文：这是为一个简单的游戏应用程序。”这有助于人工智能处理复杂请求而不至于过载。

• 使用标签和结构

  用标签组织提示以提高清晰度，例如“目标：计划一个预算假期；限制：低于500美元，适合家庭；偏好：海滩目的地。”这就像给人工智能一张路线图。

• 融入多模态内容（如图像或历史）

  如果你的查询涉及视觉或过去的聊天，描述它们：“根据这张图片[描述或链接]，建议服装搭配。之前的上下文：我更喜欢休闲风格。”对于长任务，总结历史：“上次会议的总结：我们讨论了营销策略——现在添加社交媒体建议。”

• 过滤噪音

  只包括必要的内容。测试和调整：如果人工智能偏离了轨道，添加澄清，例如“忽略无关话题——只关注健康益处。”

• 提前思考并从错误中学习

  预见需求：“从过去关于健身的查询中推断我的目标——建议一个锻炼计划。”将错误保持在上下文中以便修正：“上次你建议了X，但因为Y没有效果——相应调整。”

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。