提示工程：提示、方法和未来方向

当提示工程首次成为数据和机器学习专业人士的主流工作流程时，引发了两种常见且对立的观点。

随着ChatGPT的横空出世，一些评论员称其为重要任务，将很快主导整个产品和机器学习团队；Prompt Engineers的高薪职位也应运而生。同时，怀疑者认为这只是填补当前大语言模型（LLM）能力空白的过渡方法，随着模型性能的提升，专业提示知识的需求将逐渐消失。

将近两年后，这两种观点都有一定的道理。提示工程依然存在，并且作为一种实践在不断发展，越来越多的工具和技术支持从业者与强大模型的互动。然而，随着生态系统的成熟，优化提示可能不再是一项专门技能，而是作为一种思维模式和问题解决方法，融入到各类专业活动中。

为了帮助你了解提示工程的现状、最新方法，并展望其未来，我们收集了一些关于这一主题的优秀文章。希望你喜欢！

Introduction to Domain Adaptation — Motivation, Options, Tradeoffs

对于初次接触大语言模型（LLM）的人来说，Aris Tsakpinis的三部分系列文章是一个很好的起点。特别是第一部分，介绍了提示工程的必要性、工作原理及其带来的权衡。

I Took a Certification in AI. Here’s What It Taught Me About Prompt Engineering.

“提示工程是一个简单的概念，通过提供指令让LLM完成任务。” 资深软件开发人员Kory Becker分享了进入这一有时违反直觉的人机交互领域的经验。

Automating Prompt Engineering with DSPy and Haystack

许多机器学习专业人士在尝试提示设计后很快意识到其优化空间巨大。Maria Mestre最近分享了一个清晰的教程，重点介绍了开源DSPy框架，适合希望自动化提示设计工作的人。

Understanding Techniques for Solving GenAI Challenges

我们通常关注提示工程的具体实现，但它也为产品和业务利益相关者提出了一系列问题。Tula Masterman的新文章提供了“何时考虑不同方法及如何结合以获得最佳结果”的指导。

Streamline Your Prompts to Decrease LLM Costs and Latency

建立功能齐全的提示工程系统后，可以开始优化其效率和资源利用。Jan Majewski提供了五个提示，帮助你在不牺牲准确性的情况下优化提示中的Token使用。

From Prompt Engineering to Agent Engineering

为了深入探讨该领域的未来方向，我们希望你能阅读Giuseppe Scalamogna的高层次分析：“似乎有必要从提示工程转向更广泛的智能体工程，并建立适当的框架、方法论和思维模式以有效设计它们。”