Varför kan jag fortfarande inte skriva prompter bra efter att ha använt så många promptmallar och till och med använt AI-hjälp? Förra gången delade jag en uppmaning som simulerade Lei Juns tal, som fick mycket beröm, men några nätanvändare ville veta hur jag skrev en sådan uppmaning. Det är bättre att lära människor att fiska än att lära dem att fiska, eller fortsätta att dela med sig av metodiken för att skriva bra uppmaningar. Kontextteknik är populärt nu, och få människor verkar nämna snabbteknik, och till och med många tror att snabb teknik inte längre behövs: > "Modellen är redan så stark, och vilken snabb ordteknik som behövs gör att jag kan veta vad jag menar med den stora modellen och utföra den mycket bra." Detta är bara delvis sant, modellen blir starkare och starkare, vanliga krav behöver bara enkla uppmaningar, men komplexa krav måste fortfarande skrivas bra med hjälp av snabb ordteknik. Så vad är snabb ordteknik? ** > Prompt engineering är en process för att systematiskt designa, testa och optimera promptord - Baoyu De promptord som delas på Internet eller olika promptmallar, det är inte ett promptordsprojekt, det är ett promptord, det är statiskt och processen att generera dessa promptord kallas promptordsprojektet. Här är några exempel på uppmaningar som jag skrev nyligen. Det första exemplet är hur jag skrev uppmaningen till Lei Juns tal. Innan du tittar ner kan du lika gärna stanna upp och fundera på hur du ska skriva om du vill skriva? Så här gjorde jag: Använd först Deep Research för att samla in Lei Juns tal och låt sedan AI generera en uppmaning som efterliknar Lei Juns tal baserat på de AI-baserade talresultaten. (Figur 1) Efter att AI:n genererade prompten testade jag den, och även om den också genererade ett tal som liknade Lei Juns stil, var innehållet intetsägande och resultatet var inte särskilt idealiskt. (Figur 2) Jag testade ChatGPT och Claude med samma metod, och resultaten var inte särskilt bra. Det verkar som om resultaten av Deep Researchs sökning inte är tillräckligt bra, och många av dem kanske inte är Lei Juns tal, utan bara nyhetsrapporter och liknande, och sedan råkade jag se en sammanfattning av Lei Juns talstil sammanställd av någon under de tidiga åren återgiven av nätanvändare på X, så jag provade den: > Hjälp mig att skapa en uppmaning som kan generera ett tal i Lei Jun-stil från det inmatade ämnet eller texten. Följande är en sammanfattning av nätanvändare som referens: > \<tweet > > Lei Jun har en mycket god färdighet, vilket är att beskriva en vanlig eller inte så kraftfull sak som ett föremål som låter ouppnåeligt med siffror, procentsatser eller andra adjektiv. > Efter presskonferensen klagade Zeekr-cheferna på Xiaomi Auto: Xiaomis marknadsföring är värd att lära sig, men Xiaomi borde lära sig av oss inom bilteknik. > Lei Juns PPT och Wong Kar-wais filmrepliker är liknande. > Till exempel är nästa skål med nudlar för vanliga människor när och var jag kommer att vara nästa gång. Men Lei Juns PPT kommer att säga detta: Efter 300 dagar och nätter i rad av big data-forskning av våra Xiaomi-anställda fann man att 97 % av människorna kommer att ha uppenbar hunger klockan 7:03:56 på morgonen, vilket är en ökning med 57 % jämfört med klockan 7. > För att lösa denna hunger som har plågat människor i tusentals år har våra Xiaomi-ingenjörer upprepade gånger studerat och jämfört och funnit att mättnaden hos mjöl är 21 % högre än för ris. > Så vi hittade specifikt födelseplatsen för vete, råvaran till mjöl, för 50 000 år sedan - i den bördiga halvmånen i Mellanöstern, och spenderade mycket pengar för att utveckla de mest mättande nudlarna hittills. > Hur fullt är det då? Det är 73 % mer mättnad än traditionella nudlar. Samtidigt minskar kalorierna med 50%. > Vi gav den också ett fint namn, Xiaomi Super Hollow Noodles. Samtidigt har vi också samarbetat med branschens jätte inom dricksvatten, Nongfu Spring, för att utveckla branschens första snabbnudelvatten - Nongfu Rice Spring. Mättnaden på nudlar som tillagas med vår bonderiskälla kan ökas med ytterligare 11 % > 9,9 yuan 3 pund hirs, ihåliga och starka, mättande nudlar. (Kostnaden för mjöl är bara 1,6 yuan per katt) Tio förpackningar med kryddor är gratis. Det finns totalt 9 modeller i olika tjocklekar och 6 förpackningsfärger att välja mellan > \</tweet> (Figur 3) Jag testade det med den genererade prompten, och effekten var utmärkt! Så enkelt är det! (Figur 4)

Jag ritade ett diagram över denna process (Figur 1) All promptgenerering är en iterativ process: 0. Mål: Sätt upp ett mål för vilken effekt du förväntar dig att din uppmaning ska uppnå. 1. Idéer: Med ett mål måste du ha en idé om hur du ska skriva det, till exempel handskrift, AI kan hjälpa dig att skriva och mallar kan ställas in 2. Skriv uppmaningar: Tänk inte så mycket, skriv en version först. Det är som att du övar på att skjuta, tänk inte för mycket, sikta och skjut först. 3. Testa prompten: När du har den första versionen av prompten, testa din prompt. 4. Utvärdera: När du har testresultaten, se hur långt de faktiska resultaten är och vad gapet är. Det är som att mäta hur långt du är från bullseye efter att du har skjutit på målet. Om utvärderingsresultaten inte uppfyller de mål som du har angett börjar du med steg 1 och fortsätter att iterera baserat på resultatet av den tidigare versionen. Ibland får du bra resultat på en gång, och ibland behöver du iterera upprepade gånger. Till exempel, förra gången jag skapade en uppmaning för generering av YouTube-undertexter, itererade jag över ett dussin versioner, och först var jag inte nöjd med formatet, men senare upptäckte jag att det alltid lade till en tidsstämpel mitt i stycket, vilket i hög grad påverkade läsupplevelsen. (Figur 2) Slutligen fick jag en idé om att lägga till ett exempel på att dela upp samma persons tal i två stycken om innehållet är för långt, och slutligen kommer jag inte längre att lägga till tidsstämplar i styckena. (Figur 3) Så för att sammanfatta det hela kan många människor inte skriva uppmaningar på ett bra sätt, grundorsaken är inte att de inte kan hitta en bra mall eller att AI inte kan hjälpa dig, utan om du kan bedöma klyftan mellan de nuvarande resultaten av promptgenerering och målet och vet hur du ska justera dem. * Till exempel, om en person som inte kan programmering använder AI för att programmera, även om de använder en massa promptmallar, är det fortfarande svårt att skriva bra med AI, eftersom de inte kan bedöma om resultaten som genereras av prompten uppfyller kraven, och om de inte uppfyller luckorna, hur man justerar dem.