我最近完成了吴恩达的《ChatGPT提示工程师》课程的学习。这门课程如何通过精心设计的提示来引导模型生成我们想要的输出。然而，我必须承认，尽管这门课程的内容丰富且深入，但我在完成课程后并没有获得让我从提示词，上升到“工程化”的理解。
在我看来，这门课程的内容和我之前使用OpenAI API的经验相差无几。我之前已经熟悉了如何使用API，如何发送请求，以及如何处理返回的结果。我也已经理解了如何通过调整一些参数，如temperature和tokens，来影响模型的输出。但是对于prompt是打开大模型这座金矿的钥匙，课程里的prompt 设计技巧，没什么感觉….
带着这些迷茫，我投入了AI绘画炼丹，更细致的prompt,绘画专用提示词，让我感受到了prompt的效果。但是对于不搞设计的我，在绘画领域投入太多时间练习prompt工程，不会是好的方向,提示词工程的学习肯定也深入不了…
我怎么掌握提示词工程这门AI显学呢？从哪个实战项目入手呢？最近我在玩Transformers 和 OpenAI的时候，好像有了点感悟。
何为Transformers？
Transformers是由Hugging Face公司开发的一个开源库，专门用于自然语言处理（NLP）任务。它提供了大量预训练的模型和分词器，可以用于各种NLP任务，如文本分类、命名实体识别、情感分析、文本生成等。在我的上一篇文章AIGC前端工程师的Transformers 入门（一）：pipeline – 掘金 (juejin.cn)中有一些demo, 建议大家也玩起来。
Transformers和OpenAI的对比
OpenAI和Transformers都是我在探索人工智能和自然语言处理（NLP）领域的重要工具。OpenAI让我感受到了人工智能生成内容（AIGC）的力量。通过使用OpenAI，我可以生成各种各样的文本，从简单的句子到复杂的文章，甚至是编程代码。这种能力让我深感震撼，也让我对人工智能的未来充满了期待。
与此同时，Transformers库让我深入了解了机器学习和NLP的底层原理。Transformers提供了大量的预训练模型，如BERT、GPT-2、RoBERTa等，这些模型在各种NLP任务上都表现出色。通过学习和使用这些模型，我对深度学习的工作原理有了更深的理解。我了解到，这些模型的强大性能并不是偶然的，而是建立在大量的数据和精心设计的架构之上。
OpenAI和Transformers的结合，让我既能感受到人工智能的魅力，也能理解其背后的科学原理。这种结合让我对AIGC的学习充满了信心，同时又可以快速开展业务。
于是我有了个想法，同类型的任务，分别用transformers 和 OpenAI，各自怎么做？
NLP任务
以下是Transformers情感分析的demo
!pip install transformers # 安装huggingface开源的 transformers库
from transformers import pipeline # pipeline是 transfromers的模块，专业安排各种NLP。
classifier = pipeline('sentiment-analysis') #安排了情感分析任务
result = classifier('I love you')[0] #返回情感分析结果
print(f"label: {result['label']}, with score: {round(result['score'], 4)}")
输出结果为 label: POSITIVE, with score: 0.9999 0.9999
当时学完这个NLP任务的例子后，感觉自己可以从WEB开发，走向AI功能的开发了，transformers真的简单，好用！
没想到，当我看到OpenAI的文本分析Demo后，惊喜连连….
import openai
openai.api_key = "你自己的"
COMPLETION_MODEL = "text-davinci-003" #文本模型
def get_response(prompt, temperature = 1.0):
completions = openai.Completion.create(
engine=COMPLETION_MODEL,
prompt=prompt,
max_tokens=1024,
n=1,
stop=None,
temperature=temperature,
)
message = completions.choices[0].text
return message
prompts = """判断一下用户的评论情感上是正面的还是负面的
评论：买的银色版真的很好看，一天就到了，晚上就开始拿起来完系统很丝滑流畅，
做工扎实，手感细腻，很精致哦苹果一如既往的好品质
情感：正面
评论：随意降价，不予价保，服务态度差
情感：负面"""
good_case = prompts + """评论：外形外观：苹果审美一直很好，
金色非常漂亮拍照效果：14pro升级的4800万像素真的是没的说，太
好了，运行速度：苹果的反应速度好，用上三五年也不会卡顿的，
之前的7P用到现在也不卡其他特色：14pro的磨砂金真的太好看了，
不太高调，也不至于没有特点，非常耐看，很好的
情感："""
print(get_response(good_case))
结果是正面
原来，之前在刷《提示词工程师》这门课时，内容主要以语法介绍为主，知识点为要。要感受提示词的强大power, 得来到更具体的项目实战中。
相比于transformers, openai 完成文本分类的NLP任务，不是很像low code或无代码编程吗？
在上面的这个例子中，首先使用了few Shots Learning(少样本学习)的概念，构建了样本和文本分类的上下文，接着再把要处理的分类任务，设计到Completion这个接口中….
woo, 瞬间，醍醐灌顶，这就是prompt engineering。
之前，transformers虽然很方便的用pipeline就解决了情感分析这样的NLP任务，但是OpenAI 使用prompt 就轻松搞定了NLP任务， 我们可以从低代码，无代码这个角度去思考 Prompt 设计，我只需要把之前在低代码学习中的感受迁移到prompt 这边来， 完美。
我想，我终于找到了prompt 的训练方案
prompt训练方案
- 结合项目NLP任务实战，从原来的代码思维转向无代码思维，武器是prompt
比如以下的客服DEMO, 自然语言比代码更好用，这里的语言就是prompt….
import openai
import os
openai.api_key = os.environ.get("OPENAI_API_KEY")
COMPLETION_MODEL = "text-davinci-003"
prompt = '请你用朋友的语气回复给到客户，并称他为“亲”，他的订单
已经发货在路上了，预计在3天之内会送达，订单号2021AEDG，
我们很抱歉因为天气的原因物流时间比原来长，感谢他选购我们的商品。'
def get_response(prompt, temperature = 1.0):
completions = openai.Completion.create (
engine=COMPLETION_MODEL,
prompt=prompt,
max_tokens=1024,
n=1,
stop=None,
temperature=temperature,
)
message = completions.choices[0].text
return message
-
在传统的开发流程中加入prompt过程
我想当我接触了更多的prompt 业务后，它将进入我的开发流程。
它会和设计数据表一样重要， 我每天的开发工作中会拿出一定的时间来设计prompt,把开发中的一部分任务交给它….
备注：
徐文浩老师的AI大模型之美， 为避开广告之嫌疑， 就不给链接了….
让我们一起， 走向prompt engineering 的修炼之路….
我相信不久，提示词工程将成为我项目工程的核心部分，那么我的AI应用开发之路就正式开始了，期待，加油！
