現代提示工程的進展 I — 提示工程的崛起與重要性
這篇文章由 Rebuy Engine 人工智能總監 Cameron R. Wolfe 博士所撰寫，深入探討了 Prompt 提示工程的各個面向，從基本概念到 前瞻技術，提供了全面的理解。他分享了實用的提示策略，並介紹了最新的研究方向，是一篇不可多得的提示工程指南。
我預計將這篇文章分五個段落來進行翻譯，當做自我學習，也希望可以讓有興趣的夥伴一同學習。
I 提示工程的崛起與重要性
大型語言模型（LLMs）因使用起來很方便，迅速在各領域獲得廣泛應用。即使是對深度學習一無所知的人，只需構建一個文字提示 Prompt，就能夠迅速利用龐大的神經網路解決各式各樣的複雜問題。隨著時間的推移，這些模型變得更聽話、更準確了，所以用起來更方便，變得更加容易使用。然而，有效地使用提示Prompt不僅是技術，也是一門藝術，通過細微調整我們的提示方法或策略，可以大幅提升效果。在這篇介紹中，我們將全面探討提示工程，從基本概念到近期提出的先進技術。
提示工程是什麼？
LLMs之所以如此受歡迎，一大原因是其文本到文本的介面極為簡單易用。在過去，使用深度學習解決一個問題通常需要對模型進行微調，讓它學會如何完成特定任務。而且，這些模型大多數只能專精於單一任務。但LLMs憑藉著語境學習”In context learning”，可以通過文字提示解決多種問題，將以往複雜的解決方案簡化為自然語言操作！
“提示工程是一個新興學科，專注於開發和優化提示，以便在各種應用和研究主題中高效利用語言模型。”
提示工程的簡便性使得其廣泛普及。你不必是數據科學家或機器學習工程師就可以使用LLMs — — 只要你能理解英文（或你選擇的語言），就能解決相對複雜的問題！然而，使用LLM解決問題的效果很大程度上依賴於提供給模型的文本提示。因此，提示工程 — 一門通過測試不同提示來優化LLM表現的實證科學 — 已變得極為流行且具有深遠影響，推動了許多技術和最佳實踐的發展。
後續主題：II 提示的基本組成與技術、III 提示工程的策略與技巧、IV 進階的提示技術 起始句、V 最新的研究方向
註解：語境學習”In context learning”是讓機器學習模型在訓練過程中，觀察和分析大量含有背景語境的數據樣本。這樣做可以讓機器學習到如何在不同的語境下識別和理解信息。簡單來說，透過這種學習方式，模型不僅學會了「看到什麼」，還學會了「為什麼看到它」，提升了對語言的理解和推理能力。這就像是讓機器通過觀察大量的實際情況，學會如何更靈活地應對各種語言上的挑戰。