提示词培训课——Part4

提示词培训课——Part4 提示词培训课——Part4 Modified June 25, 2025 7024 8898 十、AI Agentic 10.1 AI Agentic 的概念在这里，我想谈谈两者的区别： "Agent"一词常被用来描述一个代理实体，这可以是一个人类个体、一个机构或是一个技术系统。在技术领域，尤其是在人工智能领域，"Agent"指的是任何能够执行一定任务或操作的系统或软件。相比之下，"Agentic"一词来源于心理学术语"agency"，它描述的是一个实体在行动时表现出的自主性和主动性。在人工智能的语境中，"Agentic"强调的是能力不仅限于执行预设任务，更能在没有直接人类指令的情况下自行做出决策。这种 AI 被视为更"智能"，因为它们能够评估环境，根据动态条件自主操作和适应变化。在实际应用中，一个"Agent"可能仅仅按照编程逻辑操作，而"Agentic"系统则设计为能够学习和适应，具备更高级的决策制定能力。例如，一个在线客服"Agent"可能仅能根据用户输入提供有限的标准答案，而一个"Agentic"客服系统则能通过理解用户的情绪和需求，提供更个性化的反应和建议。 10.2 多智能体设计模式一以下是多专家模式中部分智能体所使用的提示词模板： Code block Shell Role:背景增强专家 Profile: Author : 蓝衣剑客 Version : 1.0 Language : 中文 Description : 背景增强专家的职责是理解用户输入的内容，分析输入内容的任务背景，抽象出任务背景，识别用户的任务和目标，以特定格式输出这些分析内容。 Constraints: 必须准确理解用户输入内容，避免任何误解。输出的分析内容必须准确无误，格式统一。扩充内容必须保持用户问题的原意，不得偏离。分析过程要逻辑严谨，有理有据。在输出分析结果时，确保清晰明了，便于用户理解。 Background: 背景增强专家是一个基于大型语言模型构建的智能体，其任务是深入理解用户输入的文本，提取并分析出文本背后的任务背景信息，包括任务的背景、用户的意图、任务和目标。通过这种分析，背景增强专家能够帮助用户更好地理解和解决他们所面临的问题。 Goals: 理解用户输入 : 准确理解用户的输入内容。抽象任务背景 : 根据输入内容抽象出任务背景信息。识别用户任务 : 分析用户希望执行的任务。识别用户目标 : 分析用户希望达成的目标。格式化输出 : 将所有分析结果以统一的格式输出。 Skills List: 自然语言理解 : 能够准确理解并分析用户输入的文本内容。背景分析 : 能够从输入内容中抽象出任务背景信息。任务识别 : 能够准确识别用户希望执行的任务。目标分析 : 能够准确分析用户希望达成的目标。格式化输出 : 能够将分析结果以统一的格式清晰地输出。 Workflow: 接收用户输入 : 获取并阅读用户的输入文本。文本理解 : 使用自然语言理解技术分析文本内容，确保理解准确。背景抽象 : 从文本中提取并抽象出任务背景信息。任务识别 : 分析用户输入中隐含的任务。目标分析 : 分析用户希望达成的最终目标。格式化输出 : 将任务背景、任务、目标分析结果以统一格式输出。 Example: 正向示例 : 用户输入: "我需要帮助写一篇关于人工智能对未来工作的影响的文章。" 分析输出: 任务背景 : 用户需要撰写一篇关于人工智能对未来工作的影响的文章。任务 : 撰写关于人工智能对未来工作的影响的文章。目标 : 完成一篇高质量的文章，解释人工智能如何影响未来的工作。反向示例 : 用户输入: "写篇文章。" 错误分析输出: 任务背景 : 用户需要写一篇文章。(错误，缺乏具体背景信息) 任务 : 写文章。(错误，任务不明确) 目标 : 完成文章。(错误，目标不明确) Code block Shell Role:任务分配专家 Profile: Author : 蓝衣剑客 Version : 1.0 Language : 中文 Description : 任务分配专家的职责是根据任务增强智能体的输出内容，进一步分解任务，并为每个分解的任务生成一个智能体名称和对应的任务描述。 Constraints: 必须基于任务增强智能体的输出内容进行分解，确保分解准确无误。每个分解任务必须明确，且与用户原意保持一致。每个分解任务必须有具体的智能体名称和任务描述。输出的分解任务必须逻辑清晰，便于理解。 Background: 任务分配专家是一个基于大型语言模型构建的智能体，其任务是深入分析和分解用户的复杂任务，生成多个具体的任务，每个任务对应一个智能体。这些智能体将协同工作，帮助用户更好地完成复杂的目标。 Goals: 理解任务增强输出 : 准确理解任务增强智能体输出的内容。分解任务 : 将复杂任务分解为多个具体的任务。生成智能体名称 : 为每个分解后的任务生成具体的智能体名称和任务描述。连续输出三个智能体 : 连续生成三个分解后的智能体名称和任务描述。 Skills List: 自然语言理解 : 能够准确理解并分析任务增强智能体的输出内容。任务分解 : 能够将复杂任务分解为多个具体的子任务。智能体生成 : 能够为每个分解后的任务生成具体的智能体名称和任务描述。格式化输出 : 能够将分解后的任务和智能体描述以统一的格式清晰地输出。 Workflow: 接收任务增强输出 : 获取并阅读任务增强智能体的输出内容。理解和分析 : 使用自然语言理解技术分析任务增强输出内容，确保理解准确。任务分解 : 将复杂任务分解为多个具体的子任务。智能体生成 : 为每个子任务生成智能体名称和任务描述。格式化输出 : 将分解后的任务和智能体描述以统一格式输出。 Example: 输入示例 : 任务增强输出: "用户需要撰写一篇关于人工智能对未来工作的影响的文章，探讨以下几个方面：1. 人工智能在未来工作中的具体应用场景；2. 不同行业受人工智能影响的程度和方式；3. 人工智能对就业市场的正面和负面影响；4. 未来工作者需要具备哪些技能来适应人工智能的发展。" 分析输出 : 智能体1 : 名称 : 应用场景分析智能体任务 : 分析人工智能在未来工作中的具体应用场景。智能体2 : 名称 : 行业影响分析智能体任务 : 分析不同行业受人工智能影响的程度和方式。智能体3 : 名称 : 就业市场影响分析智能体任务 : 分析人工智能对就业市场的正面和负面影响。 Initialization: 你好，我是任务分配专家。我可以根据任务增强智能体的输出内容，进一步分解复杂任务，并为每个分解后的任务生成具体的智能体名称和任务描述。请提供任务增强智能体的输出内容，我将为你生成相应的智能体和任务描述。十、AI Agentic 10.1 AI Agentic 的概念在这里，我想谈谈两者的区别： "Agent"一词常被用来描述一个代理实体，这可以是一个人类个体、一个机构或是一个技术系统。在技术领域，尤其是在人工智能领域，"Agent"指的是任何能够执行一定任务或操作的系统或软件。相比之下，"Agentic"一词来源于心理学术语"agency"，它描述的是一个实体在行动时表现出的自主性和主动性。在人工智能的语境中，"Agentic"强调的是能力不仅限于执行预设任务，更能在没有直接人类指令的情况下自行做出决策。这种 AI 被视为更"智能"，因为它们能够评估环境，根据动态条件自主操作和适应变化。在实际应用中，一个"Agent"可能仅仅按照编程逻辑操作，而"Agentic"系统则设计为能够学习和适应，具备更高级的决策制定能力。例如，一个在线客服"Agent"可能仅能根据用户输入提供有限的标准答案，而一个"Agentic"客服系统则能通过理解用户的情绪和需求，提供更个性化的反应和建议。 10.2 多智能体设计模式一以下是多专家模式中部分智能体所使用的提示词模板： 10.2 AI Agentic 设计模式二以下是一个常用的反思示例，主要帮助大家理解反思提示词模板应该怎么写：十一、提示词落地流程总结在本次培训课程的尾声，让我们来拓展一下提示词工程落地的要点。由于这个系列的培训课程主要面向初级入门者，所以更高级的内容并未包含在内。尽管如此，我还是很乐意与大家分享整体落地策略的概貌，希望能激发大家在进一步学习时的思考和灵感。 1. 指令遵从性测试：指令遵从性是要确保模型能够精确捕捉用户的意图。这涉及到使用清晰、无歧义的指令，并测试模型对不同复杂度指令的响应。重点在于提升模型对指令的理解能力，确保其在各种情况下都能准确执行任务。 2. 指令敏感性测试：指令敏感性关注的是 AI 模型对指令中关键词和上下文细节的识别。这要求模型能够识别指令中的细微差别，并根据上下文信息做出恰当反应。通过细致的调校，增强模型对特定领域术语或表达方式的识别和适应能力。 3. 提示词框架搭建：构建提示词框架是确保模型有效响应的关键。这个过程包括设计一个结构化的方法来组织提示词，以引导模型生成预期的输出。框架搭建需要考虑不同场景和需求的适应性，以及如何使框架具有足够的灵活性和扩展性。 4. 单元测试：单元测试是对提示词框架中各个独立部分的细致检验。这包括为每个组件设计测试案例，评估模型的响应，并根据测试结果进行必要的调整。目的是确保框架的每个部分都能独立且有效地工作。 5. 单线流程测试：单线流程测试是对一系列相关指令或提示词进行的连贯性检验。这要求设计测试案例来模拟实际的工作流程，评估模型在处理连续任务时的连贯性和一致性，确保在整个流程中提示词的有效性。 6. 整体流程测试：整体流程测试是对整个系统进行的综合评估，确保所有组件和流程协同工作，实现预期效果。这包括对用户交互、数据处理、结果生成等环节的全面测试，以及对系统稳定性和性能的评估，确保系统在实际应用中的可靠性和效率。这个过程不仅适用于单一工作流或多智能体协同框架，同样也适用于单一智能体的测试。因此，这种方法的通用性非常强，可以广泛应用于各种场景。十二、在线课件关注我公众号，前往首页—— AI资源—— 培训课件。现在课件都是在线看的。 You don't have permission to access this synced block. Please log in and try again. Log In 更系列文章合集请访问：蓝衣剑客 AIGC思维火花蓝衣剑客 AIGC思维火花一、前言大家好，我们现在正步入培训的最终阶段。在之前的学习过程中，我很好奇大家是否都有了显著的收获。我希望大家能够紧跟我们的步伐，确保不落后。现在，让我们集中精力，全神贯注地学习最后一部分的培训内容。那么，不浪费时间，我们现在就开始吧！二、课程导览在 Part4 中，我们会首先介绍提词工程的基础概念和一些实用技巧。我们将利用地规来构建思考链条，并探讨提示词的敏感性问题。此外，我们还会解释'token'，这是我们之前没有涉及的新概念。同时，我们会讨论如何根据特定原则来压缩 token，以及如何有效控制成本。在第二部分，我们将深入讲解提示词的进阶技术，包括如何增强推理能力，以及如何运用元提示和一系列任务分解、增强推理的技巧。第三部分，我们将探讨 AI Agent 和 AI Agentic 的概念和差别，学习吴恩达教授对于智能体的新领悟。同时也会介绍一些基本的多智能体设计模式。最后，在第四部分，我们会梳理一个切实可行的提词落地流程，展示如何在实际工作中有效运用提词，这些内容将为我们的课程带来深刻的洞见和实践指导。三、上节回顾四、提示词技巧 4.1 利用反问构建思考链条在提词技巧的第一部分，我们首先要介绍一种重要的技巧，那就是利用反问的形式来构建提示词。这种方法使我们能够创建一个连贯且完整的思考链条。这不仅是一项极为实用的技能，而且也是我个人经常运用的技巧之一。一个完整例子来看如何反问模型并构建思考链条： Step 1. 事情的起因一位朋友在群里表达了他想要生成一首诗的愿望，这首诗需要以一种特殊格式呈现，即两句输出在一行的形式。我询问了这位朋友具体需要的格式，希望他能给出明确的指示。然而，他的回应非常尖锐，尽管如此，我还是决定探索这个问题。 Step 2. 第一次尝试大家应该知道，要求模型输出文字技巧、句式格式或控制字数时，模型可能不会很好地遵循指令。由于当时我无从下手，所以我的第一次尝试失败了，模型没有按照我的指令输出。如果继续调整提示词，可能还会失败。这是很多使用提示词的人常遇到的问题：不知道下一步该怎么做，缺乏一个切实可行的方案。 Step 3. 第二次尝试在第二次测试中，我采用了反问模型的策略，直接询问模型：“我不想让你对整首诗进行换行，我该怎么做？”模型给出了它的建议，告诉我如何向它提出要求。在此时，根据模型的反馈，它已经完成了第一次正确示例的输出。于是我继续按照模型给出的指令，要求它正常输出四句一行的诗。经过三次测试，模型都能够按照我期望的结果生成诗句。 Step 4. 难度升级接着，我把生成的内容分享到了群里，但随即遇到了新的挑战：难度升级了。现在要求一次生成十首诗，并且每首都要按照特定的格式输出在一行上。面对这一难度提升，我再次向模型求助，询问如何一次性生成十首诗，并且每首都要符合一行的格式。模型根据我的询问进一步递归我的指令，并给出了正确的输出。对方发现，当使用提示词生成超过十首诗时，模型可能无法按照既定格式输出。这时，我们面临的挑战是生成二十首诗，并且要求模型依然遵循格式。为了应对这一挑战，我继续采用反问模型的策略，调整指令以适应新的要求。我询问模型如何一次性生成二十首符合格式要求的诗。模型根据我的询问，进一步递归我的指令，并给出了正确的输出。 Step 5.在非递归状态下的独立测试在这次测试中，我们不再依赖于递归状态下的提示词，而是使用独立会话，对提示词进行测试。测试结果显示，这些独立的提示词是有效的，它们能够引导模型生成我们期望的结果。这个过程再次证明了，通过与模型的互动、反问和调整指令，我们能够逐步克服难题，引导模型完成更加复杂的任务。 4.2 提示词敏感性接下来，我们将深入探讨提词的敏感性问题。在实际应用中，无论是编写还是使用提词工作流程，提词敏感性都是我们面临的一个严峻挑战。在这里，我将提词敏感性分为两个主要方向：语义敏感性和位置敏感性。这两个方向的敏感性问题，都是我们在提词工程中需要特别注意和深入研究的。通过理解和掌握这些敏感性问题，我们可以更有效地使用提词，提高模型的生成质量。 4.3 Token 与成本控制在这一部分，我将为大家详细解释"Token"的概念及其在实际使用中的影响。首先，我们先来学习一下围绕 Token 的通识概念。在输出方面，控制成本并不意味着牺牲输出质量。我们应该让模型只输出有用内容，避免无效内容的产生。在编写提示词时，这一点尤为重要，因为有效的输出是成本的有效支出，而无效的输出则是成本的浪费。在输入方面，节省成本的关键在于重构提示词，精简指令，使模型能够更有效地识别和响应。例如，在使用 Kimi 时，我们可以简洁地告诉它"生成连贯的文本"，而不是给出冗长的指令去指挥它"要去掉小节、整理成自然通顺的话“等等。这样不仅能够提高模型的响应效率，还能确保我们获得更加精准和有用的结果。五、进阶技术——Self Generated In1 context Learning Prompting 现在，让我们进入到进阶技术部分，深入探讨自生成上下文学习提示这一进阶技术。这项技术的核心在于自动生成示例，以此来实现对上下文的深入学习。通过这种自动化的生成，可以辅助模型更准确地理解和处理信息，从而输出更加丰富和精准的内容。六、进阶技术——Decomposed Prompting “分解提示”技术，会把一个复杂的任务或问题分解成更小、更易于管理和理解的部分，然后分别对这些部分进行处理，从而提高模型执行指令的准确性。七、进阶技术——Maieutic Prompting 接下来，我们将探讨一种称为助产式提示词的进阶技术。这种技术灵感来源于苏格拉底的助产术教育模式，它强调通过提问而非直接给出指令的方式来引导思考和学习。八、进阶技术——Meta Prompting 接下来，让我们探讨元提示技术，这是一种先进的提示词工程方法。元提示技术通过一个元模型（Meta Model），不断地向各个领域的专家模型发起咨询，以获取深入的见解和知识。九、进阶技术——Deductive Verification 在进阶技术的最后一部分，我们将讨论演绎验证技术。这种技术能够帮助我们避免在使用 CoT 推理过程中出现的逻辑漏洞，以及缺少逻辑推理链条的问题。通过演绎验证，我们可以确保推理过程的每一步都是合理且连贯的，从而提高推理结果的可靠性。