阿尔伯特·菲尔普斯于2021年10月加入埃森哲，担任提示工程师。
自GPT-4于2023年3月发布以来，人们对提示工程产生了浓厚兴趣。根据世界经济论坛的《2023年未来就业报告》，人工智能和机器学习专家是全球增长最快的职业。
菲尔普斯在此解释提示工程师的含义，并为希望提升技能的员工和组织分享建议。
阿尔伯特·菲尔普斯认为，有朝一日我们或许都会承担他的一些工作。
“我想，几乎每个人终有一天都会成为提示工程师，因为提示工程会融入我们的所有工作流程。”
自生成式预训练变换模型4（即GPT-4）于2023年3月发布以来，提示工程——本质上是编写任务来训练人工智能工具——一直被誉为最热门的新兴技术职业之一，相关头条报道聚焦于六位数薪资。
今年1月，世界经济论坛达沃斯年会的一场会议专门探讨人工智能对就业的影响，会上提示工程被列为一个将会增长的职业。
如今，人工智能和机器学习专家在论坛《2023年未来就业报告》列出的增长最快的10种职业中位居榜首。报告还发现，受访企业中有75%可能或极有可能在未来五年采用人工智能。
人工智能和大数据技能在企业再培训优先事项中排名第三，比企业对核心技能的评估高出12位；企业计划将再培训投入的9%用于这些技能。
自2021年10月以来，菲尔普斯一直在埃森哲全职担任提示工程师。
埃森哲3月发布的研究发现，在所有行业中，大型语言模型可能影响40%的总工作时长，例如GPT-4。研究称，语言类任务占员工总工作时间的62%，其中65%的时间可通过增强和自动化提高生产效率。
在这篇经编辑的访谈中，菲尔普斯详细解释了这一岗位的职责、让人类参与其中为何至关重要，并为其他希望成为未来提示工程师的人分享建议。
什么是提示工程师？你的日常工作包括什么？
我会花时间思考客户面临的业务问题或挑战，并设法将其转化为一项任务，让大型语言模型尝试提供帮助。
因此，我的日常工作可能包括研究如何让大型语言模型像分析师一样解读财报，也可能是设法开发工具，帮助人们满足金融服务领域的监管合规要求。
这项工作需要理解任务和目标，然后设计一些条件来测试模型能否正确完成任务，再编写提示并不断迭代。
从某种意义上说，这与软件工程类似，因为你要努力证明某项东西确实有效，并对其进行优化。我们主要优化的指标之一是词元长度，因为词元会带来推理成本。我们希望尽可能用最少的篇幅向模型传达尽可能多的有用含义和指令。因此，我会与客户合作，了解他们面临的一些挑战和关注点，然后设计提示以及基于这些提示构建的应用，以解决相关问题并实现业务目标。
世界经济论坛如何确保负责任地使用技术？
人工智能如何增强你的工作？
这在很大程度上是一种让人类参与其中的设计。你与大型语言模型之间会进行对话，在测试模型的同时向它提供建议。
提示有不同的技巧，所以我会先从“零样本提示”开始。也就是说，我会把任务提炼成一系列指令，让模型在没有示例的情况下遵循。之后我们会检查并说：“嗯，这部分任务完成得不错，但那部分做得不太好。”接着，你可能会给模型一个执行该任务的示例。我有许多应用场景涉及金融服务和银行业，因为这是我的专业背景。
我对某个主题的了解比大型语言模型更多，或者至少与它知识相当。这一点很重要，因为你需要能够辨别模型何时答对、何时答错。编写提示并将其整合进应用之后，如果模型能够持续遵循这些提示，我仍然希望在应用投入生产时有人参与其中，因为这是一项伴有相关风险的新技术。
此外，从工作体验的角度来说，我认为，增强型应用总体上对在岗人员更有益。有些任务令人沮丧或很难完成——比如，我就很希望有个机器人能帮我管理日程！我参与的这些案例中，大约95%即使已经开发出高质量的提示，在投入生产时我们仍会设想让人类参与其中，因为这毕竟是一项新技术。
“词元”究竟是什么？
词元本质上是单词的一部分，也是OpenAI的GPT-4和Anthropic的Claude等闭源大型语言模型的计费单位。它们通常根据你使用该模型构建应用时消耗的词元数量收费。大型语言模型的所谓“上下文窗口”能够容纳的内容量有限。因此，你在设计查询时必须讲求效率，这既关系到成本，也关系到如何让使用你所构建工具的人有机会与模型建立更多联系、进行更多互动，避免它过早耗尽记忆容量。此外，还有一些技术手段可以缓解这一问题。
我目前关注的许多工作，都涉及如何组合多个经过提示的大型语言模型。与我只是随手尝试提示、寻找新的应用场景和概念验证时相比，我通常会在构建某种生产级应用时更多考虑这种做法。
怎样的提示才算好提示？
每种大型语言模型都有一些细微差异，最佳提示方式也各不相同。有些通用技巧，例如零样本提示和少样本提示。对于典型提示，一开始我会尝试在模型中设定一个我希望它扮演的角色，不一定是某种个性，并将其写入系统提示。
比如，如果我要开发一款合规研究助手，我可能会这样说：“这是你擅长的领域。这是你应当了解的局限，你的训练数据截至X时间。”然后，如果有需要，你还可以让系统提示变得稍微复杂一些。
我经常使用选择—推理框架，也就是说，在模型给出答案之前，先指示它从我提供的上下文中进行选择。这些上下文可以写在提示中，也可以通过调用外部数据库来获取；模型要根据我提出的问题选择相关信息，然后在回答时基于这些信息进行推理。这样就把模型生成答案的过程拆分开来，便于诊断。例如，你可以说：“模型答错了，是因为它选错了信息，还是因为它对信息的推理有误？”
这种提示工程让我非常兴奋。它于2022年随着一篇DeepMind和安东尼娅·克雷斯韦尔发表的论文问世。它的妙处在于，你可以检查模型如何得出答案，并缓解人们可能都知道的一些挑战，例如部分模型的黑箱特性。我们希望模型展示它如何得出答案，并提供一种方式，生成所谓的自然语言因果推理轨迹，让我们能够看到：用户提出了这个问题，模型选取了这些数据，模型作出了这样的推断，最后得出了这个答案。
你是如何走上提示工程师这条职业道路的？
我的职业生涯始终与金融服务领域的文字工作有关。我从零售银行的一线岗位做起，处理投诉、对合规工作进行质量检查，也参与银行补救工作。这些工作确实涉及数据，因为你需要考虑银行出现问题对客户的影响、如何为此估算货币价值，以及如何向客户致歉。
后来，我更多地转向基于风险的合规工作，处理数据隐私和网络安全问题——研究法规规定，并帮助技术人员遵守法规。我开始更多涉足技术领域，关注如何将控制措施自动化并提升其可靠性。
我刚在2020年底至2021年初读到有关GPT-3的内容。
我开始在“游乐场”里针对自己熟悉的监管和网络安全领域提出问题、编写提示。它非常善于模仿：如果你用某种方式和它说话，它也会用相同的方式回应你。这一点令人印象深刻，因为它并不是像过去的自然语言处理那样直接映射我的意图。以前的方式相当机械，而它会自然地捕捉我与它交谈的方式，并作出回应。不过，当时给它编写提示比现在困难得多。
那时我觉得这太令人兴奋了，想全职投入这项工作。幸运的是，我后来加入了埃森哲。从那以后，我一直致力于为客户构建提示，并在此基础上开发产品。
成为提示工程师需要哪些技能？
写作时表达清晰、简洁很重要。学英语、历史和哲学的人可以欢呼了，因为你只用文字就能与这些先进模型互动，真是太棒了。
在用文字构建提示的同时，我也一直在学习如何从技术层面将提示整合进应用。例如，GPT系列模型和GitHub CoPilot让我大大提升了编程能力。现在，我不仅能够在OpenAI游乐场或客户有兴趣使用的其他大型语言模型服务平台中使用和构建提示，还开始借助这项技术使用命令行界面、构建应用。
所以不需要计算机科学背景吗？
我共事的一些优秀数据科学家也是出色的提示工程师。这项工作的独特之处在于，你可以从任一方向切入，最终在中间汇合。软件开发的核心实践仍然适用于提示工程。但如果你能够用文字表达自己，就像安德烈·卡帕西那句名言所说：“最新潮的编程语言是英语。”
我认为，我们与客户共同开发产品的方式印证了这一点。我一直对技术层面也很感兴趣，但如今即使没有完全的技术背景，入门门槛也没那么高了。
你可能也见过其他提示工程师，他们往往有人文背景，这很不错。观点和经历越多元，你所构建的产品以及能够参与开发的解决方案就会越好。
你如何应对生成式人工智能带来的风险？
我认为，开源模型和闭源模型之间始终会保持某种平衡。组织会希望提升自身微调大型语言模型的能力，我所说的微调，是指向模型展示更多示例。
我对客户的建议是，同时了解开源和闭源模型：两者都有价值，你需要培养使用这两类模型的技能。但我认为，目前闭源模型和开源模型在文本处理方面的性能差距仍然相当大。
这归根结底取决于参数数量和模型规模——OpenAI、Cohere或Anthropic能够创建多大的模型；也取决于这些研究实验室在利用人类反馈进行强化学习方面的专业能力，这能让模型更实用、更善于遵循指令。
因此，输入内容时要谨慎。我们也可以讨论不同模型提供商的各种方面，以及它们提供的条款。
提示工程受到关注以来，有哪些变化？
我曾有六个月的时间，可以心无旁骛地编写提示。自Chat-GPT走红以来的六个月就大不相同了，因为现在的工作更多是教大量的人如何做这件事，以及如何谈论这件事。
不过，我们有一些积极进取、能力出色的提示工程师，正在向我以及埃森哲周围所有掌握相关见解的人学习。例如，埃森哲Cloud First旗下数据与人工智能团队的全球人工智能解决方案负责人诺埃尔·拉塞尔，一直在为所有想了解这项技术的埃森哲员工开展培训。
它的传播速度远超我的预期。我过去使用GPT-3时，即使是在早期，也能看出它将带来变革，但它的发展一直不温不火。OpenAI游乐场花了几年时间，用户数才接近100万。GPT-4则在极短时间内就达到了这一数字。不过这都是好事，因为这意味着有了新事物可以尝试和测试模型，也有了新的机会去构建各种东西。
你认为人工智能会对就业产生什么影响？
我对就业并不悲观。我认为这会带来积极影响。市场上最成熟的大型语言模型产品可能是GitHub CoPilot，它大概已经问世将近两年了。
如果你问问使用它的开发者，看看GitHub和其他人的研究，就会发现他们很喜欢它，因为它让工作轻松了许多。这个副驾驶工具会编写代码，开发者可以确认代码是否符合自己的要求，然后运行代码。
我今天看到一项斯坦福大学的研究，谈到生成式人工智能如何帮助经验相对不足的客服人员与客户交谈。例如，系统会提示客户的情绪，也可能建议接下来该说什么。客服人员不必照做，但可以参考。我认为，这大幅提升了他们的表现，让他们的工作水平更接近有六个月或一年经验的人。
对于刚开始从事某项工作的人来说，这能帮助他们发挥自身潜能，缩短达到高效工作状态所需的时间。人人都喜欢觉得自己工作出色，而生成式人工智能就能在这方面发挥作用。
我的伴侣里基·特纳是一位艺术家，她深受生成式人工智能启发。她会把自己创作的画作输入图像转文本模型，然后由人工智能根据对画作外观的解读为作品拟定标题。
我认为，那些觉得这一切都将走向自动化的人，低估了人类思维的力量和灵活性。
我们喜欢新奇事物，但很快就会适应它们。
阿尔伯特·菲尔普斯，埃森哲
你会给想进入提示工程领域的人什么建议？
多读一些相关资料。有几篇论文值得一读，还有一些2022年的经典论文，讨论了思维链推理、零样本思维链推理，以及选择—推理框架。这些是了解提示工程技术及其原理的最佳入门资料。早期的模型连简单的算术题都可能答错。只要加上一句“让我们一步一步地思考”，模型就会逐步解题，并得出正确答案。
这就是提示工程的力量，也是选对措辞的重要性：你能在模型中发现一些新兴能力，在找到合适的措辞之前，你未必知道它们存在。因此，既要阅读学术论文，也要亲自尝试这些模型。
有许多API和应用可供测试最新的基础模型，包括OpenAI、Anthropic和Cohere等公司的产品，例如OpenAI Playground、Chat-GPT、Cohere Playground以及Anthropic的Claude。
去写一些提示吧，这是最好的学习方法。通过不断试错，你会逐渐找到自己的表达方式，并了解如何写出最适合自己以及符合目标的提示。
阿尔伯特·菲尔普斯，埃森哲
如何增强这一岗位的韧性？
这是个有意思的问题，因为前几天我看到一篇论文，讨论如何利用大型语言模型为大型语言模型自动编写提示。你可能也看到过一些围绕Auto-GPT的热议：你给它一条指令，它就会自行执行任务。
我可能有偏见，但我认为这个岗位会继续存在。正如我们告诉客户的那样，生成式人工智能属于风险相对较高的人工智能；你始终需要让人类参与其中，至少在设计阶段和测试阶段如此，以验证结果是否正确。
每次切换模型，提示方式几乎都会变化，因此要保持适应能力，并对底层技术有基本了解——你不必懂数学，但要知道它如何运作，以及如何最好地引导出自己想要的行为。我确实认为，这一岗位会以专业岗位的形式继续存在，帮助大型语言模型有效、安全、负责任地完成这些任务。
不过，我也认为，几乎每个人终有一天都会成为提示工程师，因为提示工程会融入我们的所有工作流程；如果观察微软的发展方向，我想这会成为现实。
不过，我们仍然得知道该问什么问题，对吧？所以我觉得，迟早每个人都会承担这类工作中的一部分。
