譯者 | 布加迪

審校 | 重樓

近幾個月來基于人工智能（AI）的聊天機器人風(fēng)靡全球，一個原因是它們可以為各種用途生成或完善文本，無論策劃廣告活動還是撰寫簡歷。

這些聊天機器人基于大型語言模型（LLM）算法，算法可以模仿人類智能，創(chuàng)建文本內(nèi)容以及音頻、視頻、圖像和計算機代碼。LLM是一種AI，接受大量文章、書籍或網(wǎng)上資源及其他輸入的訓(xùn)練，對自然語言輸入給出類似人類的答復(fù)。

越來越多的科技公司已推出了基于LLM的生成式AI工具，用于企業(yè)自動化處理應(yīng)用任務(wù)。比如，微軟上周向數(shù)量有限的用戶推出了一款基于OpenAI的ChatGPT的聊天機器人，它嵌入在Microsoft 365中，可以自動化執(zhí)行CRM和ERP應(yīng)用軟件的功能。

圖1. 生成式AI通過用戶提示創(chuàng)建軟件代碼的示例。在這個例子中，Salesforce的Einstein聊天機器人通過使用OpenAI的GPT-3.5大型語言模型被啟用

比如說，新的Microsoft 365 Copilot可以在Word中用來創(chuàng)建文檔的初稿，可能會節(jié)省數(shù)小時的撰寫、溯源和編輯時間。Salesforce還宣布計劃發(fā)布一個基于GPT的聊天機器人，用于與其CRM平臺結(jié)合使用。

OpenAI的GPT-4等大多數(shù)LLM都被預(yù)先訓(xùn)練成預(yù)測下一個單詞或內(nèi)容的引擎，這是大多數(shù)企業(yè)使用它們的方式，即所謂的“開箱即用”。雖然基于LLM的聊天機器人也會出現(xiàn)一些錯誤，但經(jīng)過預(yù)先訓(xùn)練的LLM比較擅長饋送總體上準(zhǔn)確和引人注目的內(nèi)容，這些內(nèi)容至少可以作為起點。

然而，許多行業(yè)需要更多定制的LLM算法，能理解他們的行話，并生成針對用戶的內(nèi)容。比如說，面向醫(yī)療保健行業(yè)的LLM可能需要處理和解釋電子健康記錄（EHR），建議治療方案，或根據(jù)醫(yī)生筆記或語音記錄創(chuàng)建患者醫(yī)療保健摘要。面向金融服務(wù)行業(yè)的LLM可以總結(jié)收益電話會議、創(chuàng)建會議文字記錄，并執(zhí)行欺詐分析以保護消費者。

綜觀眾多行業(yè)，確保答復(fù)有很高的準(zhǔn)確性至關(guān)重要。

大多數(shù)LLM都可以通過應(yīng)用編程接口（API）來訪問，該接口允許用戶創(chuàng)建參數(shù)或者調(diào)整LLM的答復(fù)方式。發(fā)送給聊天機器人的問題或請求就叫提示（prompt），原因在于用戶提示答復(fù)。提示可以是自然語言問題、代碼片段或命令，但若要LMM準(zhǔn)確地完成工作，提示必須切題。

而這種必要性已催生了一種新的技能：提示工程。

提示工程詳解

提示工程是指制作和優(yōu)化文本提示，以便大型語言模型達到預(yù)期結(jié)果的方法。SambaNova Systems是一家生產(chǎn)AI半導(dǎo)體的硅谷初創(chuàng)公司，該公司產(chǎn)品高級副總裁Marshall Choy表示：“提示工程幫助LLM實現(xiàn)產(chǎn)品原型和探索的快速迭代，因為它可以定制LLM，以便快速輕松地與任務(wù)定義保持一致。”

Hugging Face是一個創(chuàng)建和托管LLM的社區(qū)驅(qū)動平臺，該平臺的機器學(xué)習(xí)工程師Eno Reyes表示，可能對用戶來說同樣重要的是，提示工程有望成為IT和商業(yè)專業(yè)人士的一項重要技能。

Reyes在回復(fù)美國《計算機世界》雜志的郵件中說：“我認(rèn)識的很多從事軟件、IT和咨詢業(yè)的人一直將提示工程用于個人工作。隨著LLM日益融入到眾多行業(yè)，它們大有提高生產(chǎn)力的潛力。”

Reyes表示，如果有效地運用提示工程，企業(yè)用戶可以優(yōu)化LLM，更高效準(zhǔn)確地執(zhí)行從客戶支持、內(nèi)容生成到數(shù)據(jù)分析的特定任務(wù)。

目前最有名的LLM：OpenAI的GPT-3是廣受歡迎的ChatGPT聊天機器人的基礎(chǔ)。GPT-3 LLM工作在一個1750億參數(shù)的模型上，可以用簡短的書面提示生成文本和計算機代碼。OpenAI的最新版本GPT-4估計有多達2800億個參數(shù)，因而極有可能給出正確的答復(fù)。

除了OpenAI的GPT LLM外，流行的生成式AI平臺還包括一些開放模型，比如Hugging Face的BLOOM和XLM-RoBERTa、英偉達的NeMO LLM、XLNet、和GLM-130B。

由于提示工程是一門新興的學(xué)科，企業(yè)依靠小冊子和提示指南來確保其AI應(yīng)用程序有最佳答復(fù)。甚至出現(xiàn)了新興的提示市場平臺，比如ChatGPT的100個最佳提示（https://beebom.com/best-chatgpt-prompts/）。

Gartner Research的杰出副總裁分析師Arun Chandrasekaran說：“有人甚至在出售提示建議。”他補充道，最近對生成式AI的大量關(guān)注突顯了市場需要更好的提示工程。

他說：“這是一個比較新的領(lǐng)域。生成式AI應(yīng)用常常依賴自我監(jiān)督的大型AI模型，因此從它們那里獲得最佳答復(fù)需要更多的專業(yè)知識、試驗和額外的努力。我確信，隨著技術(shù)日趨成熟，我們可能會從AI模型創(chuàng)建者那里得到更好的指導(dǎo)和最佳實踐，以便有效地發(fā)揮AI模型和應(yīng)用軟件的最大功效。”

好的輸出來自好的輸入

LLM的機器學(xué)習(xí)組件自動從數(shù)據(jù)輸入中學(xué)習(xí)。除了最初用于創(chuàng)建GPT-4等LLM的數(shù)據(jù)外，OpenAI還創(chuàng)建了名為強化學(xué)習(xí)人類反饋（RLHF）的機制，人訓(xùn)練模型如何給出類似人類的答復(fù)。

比如說，用戶向LLM提出問題，然后寫出理想的答案。隨后用戶再次向模型提出同樣的問題，模型會提供其他許多不同的回答。如果這是基于事實的問題，我們希望答案保持不變；如果這是開放式問題，目的是給出多個類似人類的創(chuàng)造性答復(fù)。

比如說，如果用戶讓ChatGPT生成一首關(guān)于一個人待在夏威夷海灘上的詩，就會期望它每次生成一首不同的詩。Chandrasekaran說：“因此，訓(xùn)練人員所做的就是將答復(fù)從最好到最差進行評分。這是饋給模型的輸入，以確保它給出更像人類或最佳的答復(fù)，同時試圖盡量減少最糟糕的答復(fù)。但您提問題的方式對于從模型得到的輸出有很大影響。”

組織可以通過攝取公司內(nèi)部的自定義數(shù)據(jù)集來訓(xùn)練GPT模型。比如說，它們拿來企業(yè)數(shù)據(jù)后可以進行標(biāo)記和注釋，以提高數(shù)據(jù)質(zhì)量，然后饋入到GPT-4模型中。這需要對模型進行微調(diào)，以便它能夠回答該組織所特有的問題。

也可以針對特定行業(yè)進行微調(diào)。已經(jīng)出現(xiàn)了一批新興初創(chuàng)企業(yè)，它們使用GPT-4，攝取金融服務(wù)等垂直行業(yè)所特有的大量信息。

Chandrasekaran說：“它們可能會攝取Lexus-Nexus和彭博社的信息，可能攝取證券交易委員會（SEC）的信息，比如8K和10K報告。但關(guān)鍵是，模型在學(xué)習(xí)該領(lǐng)域所特有的大量語言或信息。因此，微調(diào)可能在行業(yè)層面或組織層面進行。”

比如說，Harvey是一家與OpenAI合作的初創(chuàng)公司，為法律專業(yè)人士創(chuàng)建所謂的“律師領(lǐng)航員”或ChatGPT版本。律師可以使用定制的ChatGPT聊天機器人來查找任何法律判例，以便某些法官為下一個案子做準(zhǔn)備。

Chandrasekaran說：“我認(rèn)為出售提示的價值與其說在語言上，不如說在圖像上。生成式AI領(lǐng)域有各種各樣的模型，包括文本轉(zhuǎn)換成圖像的模型。”

比如說，用戶可以要求生成式AI模型生成吉他手在月球上彈奏的圖像。Chandrasekaran 說：“我認(rèn)為文本轉(zhuǎn)換成圖像的模型這個領(lǐng)域在提示市場更受重視。”

Hugging Face作為一站式LLM中心

雖然Hugging Face創(chuàng)建了一些自己的LLM，包括BLOOM，但該組織的主要角色是充當(dāng)第三方機器學(xué)習(xí)模型的中心，就像代碼界的GitHub那樣。Hugging Face目前擁有超過10萬個機器學(xué)習(xí)模型，包括來自初創(chuàng)公司和科技巨頭的眾多LLM。

由于新模型是開源的，它們通常在該中心上向公眾開放，為新興的開源LLM創(chuàng)建了一站式目的地。

要使用Hugging Face為特定的公司或行業(yè)對LLM進行微調(diào)，用戶可以利用該組織的“Transformers”API和“Datasets”庫。比如說，在金融服務(wù)業(yè)，用戶可以導(dǎo)入預(yù)先訓(xùn)練好的LLM（比如Flan-UL2），加載金融新聞文章數(shù)據(jù)集，然后使用“Transformer”訓(xùn)練器對模型進行微調(diào)，以生成這些文章的摘要。與AWS、DeepSpeed和Accelerate的集成進一步簡化和優(yōu)化了訓(xùn)練。

據(jù)Reyes聲稱，整個過程可以用不到100行代碼來完成。

另一種開始入手提示工程的方法需要用到Hugging Face的Inference API。據(jù)Reyes聲稱，這是一個簡單的HTTP請求端點，支持80000多個Transformer模型。Reyes說：“這個API允許用戶發(fā)送文本提示，并接收來自我們平臺上的開源模型（包括LLM）的答復(fù)。如果您還想更簡單一點，可以通過使用Hugging Face中心的LLM模型上的推理窗口組件實際發(fā)送文本，無需代碼。”

少樣本和零樣本學(xué)習(xí)

LLM提示工程通常有兩種形式：少樣本學(xué)習(xí)和零樣本學(xué)習(xí)或訓(xùn)練。

零樣本學(xué)習(xí)需要輸入簡單的指令作為提示，以便從LLM生成預(yù)期的響應(yīng)。其目的是教LLM執(zhí)行新的任務(wù)，而不使用這些特定任務(wù)的已標(biāo)記數(shù)據(jù)。零樣本學(xué)習(xí)好比是強化學(xué)習(xí)。

反過來，少樣本學(xué)習(xí)使用少量的樣本信息或數(shù)據(jù)來訓(xùn)練LLM以獲得所需的響應(yīng)。少樣本學(xué)習(xí)主要由三個部分組成：

• 任務(wù)描述：簡短地描述模型應(yīng)該做什么事，比如“把英語翻譯成法語”。
• 例子：幾個例子向模型表明了期望它做什么事，比如說“sea otter => loutre de mer”。
• 提示：新例子的開頭，模型應(yīng)該通過生成缺失的文本來完成該例子，比如：“cheese =>”。

據(jù)Gartner的Chandrasekaran聲稱，實際上，目前很少有組織擁有定制的訓(xùn)練模型來滿足其需求，因為大多數(shù)模型仍處于開發(fā)的早期階段。雖然少樣本和零樣本學(xué)習(xí)有所幫助，但學(xué)習(xí)提示工程這種技能很重要，對IT用戶和業(yè)務(wù)用戶來說都很重要。

Chandrasekaran說：“提示工程是如今應(yīng)該擁有的一項重要技能，因為基礎(chǔ)模型擅長少樣本和零樣本學(xué)習(xí)，但它們的性能或表現(xiàn)在很多方面受到我們?nèi)绾斡袟l不紊地設(shè)計提示的影響。這些技能對IT用戶和業(yè)務(wù)用戶都很重要，具體視用例和領(lǐng)域而定。”

大多數(shù)API允許用戶運用自己的提示工程技術(shù)。據(jù)Reyes聲稱，每當(dāng)用戶向LLM發(fā)送文本，都有機會完善提示以實現(xiàn)特定的結(jié)果。

Reyes說：“然而，這種靈活性也為惡意用例打開了大門，比如提示注入。像微軟必應(yīng)的Sydney這樣的事件表明，人們可以利用提示工程實現(xiàn)意想不到的用途。作為一個新興的研究領(lǐng)域，解決惡意用例和紅隊滲透測試中的提示注入對未來至關(guān)重要，可確保在各種應(yīng)用場合下負(fù)責(zé)任、安全地使用LLM。”

原文標(biāo)題：How to train your chatbot through prompt engineering，作者：Lucas Mearian