# \[Prompts]提示词是什么？

☀︎人工智能提示词（prompt）是一种利用自然语言来指导或激发人工智能模型完成特定任务的方法。它是近年来在自然语言处理（NLP）领域兴起的一种新范式，也被称为“预训练-提示-预测”（pretrain-prompt-predict）。

<figure><img src="/files/4jLU3MQsMhjpW4LkDeCx" alt="" width="375"><figcaption></figcaption></figure>

✒︎人工智能提示词的出现，是受到了OpenAI公司开发的GPT-3模型的启发。GPT-3是一个基于Transformer架构的大规模预训练语言模型，拥有1750亿个参数，使用45TB的数据进行训练。GPT-3具有惊人的泛化能力，可以在零样本或少样本的情况下，通过给定自然语言的提示信息和任务示例，执行任何NLP任务，不需要对模型进行任何微调。

<figure><img src="/files/9o0dw9An8owo61ATbXVs" alt="" width="375"><figcaption></figcaption></figure>

☔︎人工智能提示词的核心思想是，利用预训练模型已经学习到的大量知识和语言规律，通过设计合适的文本形式和内容，将下游任务的输入输出转化为预训练模型期望和擅长的形式，从而达到最佳的效果。例如，如果要让GPT-3进行情感分类任务，可以将输入句子后面加上一个模板，如“这句话表达了一个“X”的情感”，然后给出两个选项，如“正面”或“负面”，让模型预测“X”的值。这样就相当于将情感分类任务转化为了完形填空任务，而完形填空任务是GPT-3所擅长的。

<figure><img src="/files/IAHk1pfBcMIhtzsZmGCi" alt="" width="375"><figcaption></figcaption></figure>

✂︎人工智能提示词的优点是显而易见的。只要找到一个合适的提示词，就可以利用一个预训练模型完成多种任务，不需要对每个特定任务进行训练和微调。这样可以节省大量的时间、资源和数据，并且可以提升小样本学习甚至零样本学习的性能。

<figure><img src="/files/U57Sog9TXe5YWj9tJuBP" alt="" width="375"><figcaption></figcaption></figure>

♨︎人工智能提示词的缺点也是存在的：首先，设计一个合适的提示词并不容易，需要有一定的技巧和艺术感，而且对于不同的模型、任务和数据可能需要不同的提示词。其次，提示词对于模型性能的影响很大，一点微小的差别可能导致结果完全不同。第三，提示词可能会引入一些偏见或误导，例如如果给出了错误或不恰当的提示信息或选项，可能会让模型产生错误或不恰当的输出。

<figure><img src="/files/3eqlf9cj1VWj2EwJnkWc" alt="" width="375"><figcaption></figcaption></figure>

⚽︎总之，人工智能提示词是一种新兴且有前景的方法，在NLP领域已经取得了一些令人瞩目的成果。随着预训练模型和自然语言理解技术的进步，人工智能提示词也会不断发展和完善，在未来可能会有更多的应用和创新。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://doc.nyai.chat/neng-yong-ai-xue-xi-zhong-xin/prompts-ti-shi-ci-xue-xi/prompts-ti-shi-ci-shi-shen-me.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.