2. 人类语言如何影响AI输出
在本文中，我们将探讨人类语言如何影响AI的输出。我们将研究人机沟通背后的心理学，讨论意图、模糊性以及如何有效构建提示词的技巧。通过本文的学习，你将更深入地了解如何通过精心构建的提示词来塑造AI行为。
引言
人类语言复杂多变，充满了细微差别、语境和模糊性。在与AI互动时，提示词充当了人类意图和机器理解之间的桥梁。挑战在于如何设计提示词，既能准确传达意图，又能最大限度地减少AI的误解。
1. 意图 vs. 解释：AI如何理解人类意图
AI模型依靠数据中的模式来解释语言，但它们并不像人类那样“理解”人类意图。相反，它们是基于训练数据来处理输入，因此必须清晰地表达提示词，才能减少误解。
因模糊导致的误解示例：
让我们来看一下这个提示词：
提示词：“告诉我关于苹果的事情。”这个提示词可能会导致多种解释：
- 苹果公司：一家科技公司。
- 苹果（水果）：一种水果。
- 披头士的苹果唱片公司：一家唱片公司。
模型将根据它之前见过的数据模式，尽力猜测哪种解释最相关。然而，更精确的提示词将产生更明确的回应：
提示词：“告诉我关于苹果公司（Apple Inc.），这家科技公司的事情。”意图 vs. 解释流程图：
人类意图（模糊或清晰） --> 提示词 --> AI解释（依赖于训练数据） --> 回应（准确或模糊）可视化图像： 
（来源：Medium - AI通信）
2. 自然语言中的模糊性和语境
人类语言天生就有模糊性，充满了多义词或短语。虽然人类可以根据上下文解决模糊问题，但AI模型在没有明确语境的情况下往往会困难重重。
提示词中的模糊性示例：
代词模糊：他去了商店。他买了什么？
- 没有明确的上下文，AI可能难以确定“他”指的是谁。
词汇模糊：“我需要一个银行。”
- “银行”可能指的是金融机构、河岸或游戏中的记忆存储位置。
提供明确的语境：
通过提供额外的语境可以减少模糊性。例如：
模糊： “首都是哪里？”
清晰： “法国的首都是哪里？”在AI提示词中，语境对于获得准确的回应至关重要，尤其是涉及多义词或短语时。
模糊性与语境图解：
模糊提示词 --> 缺乏语境 --> 多重解释
清晰提示词 --> 恰当的语境 --> 准确的解释3. 沟通的心理学原理：将人与人之间的沟通策略应用于AI
当人类沟通时，他们依靠隐含知识、共同经验和非语言线索来理解对方。与AI沟通时，这些线索不存在，因此我们必须调整自己的沟通策略。
原则一：简化语言
- 与AI互动时，简单的语言通常比复杂的、多层次的句子效果更好。
示例：
- 复杂提示词： “鉴于雨在一小时前停了，我想知道现在去散步是否是个好主意，你怎么看？”
- 简化提示词： “雨停后，现在去散步合适吗？”
简化后的版本更易于AI处理，从而减少了误解的可能性。
原则二：澄清假设
- 与人类不同，AI无法获取超出其训练数据之外的外部世界知识。因此，需要明确陈述假设。
含假设的提示词：“外面安全吗？”
改进后的提示词：“考虑到当前的天气情况，外面安全吗？”人机对话与人际对话的对比图：
人际对话：共享语境、隐含知识、肢体语言 -> 相互理解
人机对话：无共享语境、显性语言 -> 误解或部分理解4. 提示词工程：优化提示词以获得预期结果的技巧
什么是提示词工程？
提示词工程是指通过优化和结构化提示词来引导AI模型生成特定的、预期的回应。这可能包括使用示例、分解复杂任务或提供明确的指示。
有效提示技巧：
少样本提示： 提供几个期望输出的示例，再给出实际提示词。这有助于AI理解格式或语境。
示例：
示例1：“德国的首都是柏林。” 示例2：“意大利的首都是罗马。” 现在你的问题：“日本的首都是什么？”逐步指示： 将复杂任务分解为更小的步骤以获得更好的结果。
示例：
任务：“写一个关于英雄的故事。” 改进版：“首先，描述英雄的背景。接着，介绍一个挑战。最后，描述英雄如何克服挑战。”设置约束条件： 设定边界或约束条件，以限制回应的范围。
示例：
提示词：“告诉我关于猫的事情。” 改进版：“用3句话告诉我关于家猫的事情。”
有效提示工程的图示：
复杂提示词 --> 通过示例、步骤、约束优化的提示词 --> 明确且准确的AI输出5. 有意图的提示：为目标导向互动结构提示词
AI模型对提示词的结构非常敏感。提示词越清晰、目标越明确，结果就越好。本节重点介绍如何将提示词与用户意图对齐，以实现预期输出。
有意图的提示结构：
直接方法：明确告知你希望AI做什么。
弱提示词：“解释一下气候变化。” 有意图的提示词：“用50字以内解释气候变化的主要原因。”目标导向方法：根据特定目标调整提示词，如生成摘要、回答事实问题或创作内容。
示例：
目标：“生成一个创意故事。” 提示词：“写一个关于勇敢宇航员探索新星球的短篇故事。”
代码示例：Python中的目标导向提示：
from transformers import pipeline
# 创建一个使用GPT-4的文本生成pipeline
generator = pipeline("text-generation", model="gpt-4")
# 具有明确意图的结构化提示
prompt = "写一个关于侦探利用被遗忘的古代技术破案的短篇故事。"
output = generator(prompt, max_length=100)
print(output[0]['generated_text'])目标导向提示结构图：
弱、笼统的提示词 --> 不明确的输出
结构化、目标导向的提示词 --> 清晰、专注的回应结论
提示词的心理学对AI输出有着关键影响。通过理解人类语言的细微差别，我们可以构建减少模糊性、提供清晰语境并引导AI生成准确响应的提示词。有效的提示依赖于沟通原则的应用、提示工程技巧的运用以及将提示与明确目标对齐。
参考文献
- Clark, Herbert H., and Susan E. Brennan. "Grounding in communication." Perspectives on socially shared cognition 13.1991 (1991): 127-149.
- Brown, Tom B., et al. "Language models are few-shot learners." Advances in Neural Information Processing Systems 33 (2020): 1877-1901.
- Vaswani, Ashish, et
al. "Attention is all you need." Advances in neural information processing systems 30 (2017): 5998-6008.
4. Hugging Face - Prompt Engineering Guide: https://huggingface.co/docs/transformers/prompt