从机器学习到生成式AI：Agent架构中的提示词工程实战指南

1次阅读

没有评论

共计 1837 个字符，预计需要花费 5 分钟才能阅读完成。

AI 技术的发展可以看作是一个逐步演进的过程，从早期的机器学习（Machine Learning）到深度学习（Deep Learning），再到如今的生成式 AI（Generative AI）。以下是这一演进过程的时间轴分析：

机器学习（2000s-2010s）：机器学习是 AI 的早期阶段，主要通过算法从数据中学习模式，并用于分类、回归等任务。典型算法包括决策树、支持向量机（SVM）等。
深度学习（2010s-2020s）：深度学习是机器学习的子集，通过神经网络（尤其是深度神经网络）实现更复杂的模式识别。CNN（卷积神经网络）和 RNN（循环神经网络）是这一阶段的代表。
生成式 AI（2020s 至今）：生成式 AI 利用深度学习模型（如 Transformer）生成文本、图像等内容。典型代表是 GPT 系列和 Stable Diffusion。

Agent 架构整合了这些技术，形成了一个完整的 AI 系统。Agent 的核心功能包括感知环境、决策和行动，而提示词工程（Prompt Engineering）则是 Agent 与生成式 AI 交互的关键。

提示词工程在实际应用中面临以下挑战：

动态上下文维护 ：在多轮对话中，如何保持上下文的一致性？例如，用户在第一轮对话中提及“预订酒店”，第二轮问“附近有餐厅吗？”，系统需要理解“附近”指的是酒店附近。
多轮对话一致性 ：如何确保 Agent 在长时间对话中不偏离主题？例如，客服 Agent 需要在解决用户问题的同时，避免被无关话题带偏。
异常输入处理 ：用户输入可能包含拼写错误、模糊表达或恶意内容。例如，用户输入“我想订一个飞鸡票”，系统需要纠正为“飞机票”。

提示词模板可以分为三层：

基础层 ：通用指令，例如“请用简洁的语言回答”。
领域层 ：特定领域的知识，例如“你是一个旅游顾问”。
会话层 ：动态上下文，例如“用户刚才询问了酒店预订”。

以下是用 LangChain 实现动态变量注入的代码示例：

from langchain import PromptTemplate
from langchain.chains import LLMChain
from langchain.llms import OpenAI

# 定义提示词模板
template = """
你是一个旅游顾问。用户刚才询问了 {context}。请回答：{question}
"""

prompt = PromptTemplate(input_variables=["context", "question"],
    template=template
)

# 初始化模型
llm = OpenAI(model_name="text-davinci-003")
chain = LLMChain(llm=llm, prompt=prompt)

# 动态注入变量
response = chain.run(
    context="酒店预订",
    question="附近有餐厅吗？"
)
print(response)

对比项	微调大模型	提示词优化
成本	高（需要大量数据）	低（无需训练）
效果	高（定制化强）	中等（依赖提示词）
迭代速度	慢（需重新训练）	快（即时调整）

数据收集 ：从公开数据集（如 WikiHow）或企业内部文档中提取知识。
数据清洗 ：去除噪声数据（如广告、重复内容）。
向量化存储 ：使用 Embedding 模型（如 BERT）将文本转换为向量，便于检索。

确保同一请求多次执行的结果一致。例如，用户多次发送“预订酒店”，系统应只执行一次预订操作。

通过 Hook 机制在输出前过滤敏感内容。例如：

def filter_sensitive_content(text):
    sensitive_words = ["暴力", "色情", "政治"]
    for word in sensitive_words:
        if word in text:
            return "内容包含敏感词，已屏蔽。"
    return text

提示词长度与 GPT- 4 推理延迟的关系如下：