Prompt Engineering 是否是一种新的编程语言

作为一名程序员，我们花费数年时间精通一门编程语言。我们需要学习语法、API等。但现在最强大的编程语言并非真正的编程语言如Java、Python，而是学会提出正确的问题，你咋想？

AI领域，提出正确问题，精心设计出完美提示语，可能比学会实现二叉树或优化数据库查询更有价值。我想邀请大家进入提示工程的世界，在这里，文字成为算法，对话成为代码。我想要拿出来辩论的话题是：提示工程是一种新的编程语言，还是仅仅是我们这些开发者用来辅助的工具？没错，我们将就这个问题展开辩论。

我将采用的辩论风格被称为牛津辩论风格，这种风格借鉴了名为牛津联盟学会的辩论社团。它已经有很长的历史了，起源于大约200年前的英国。这种风格包含以下流程。我们将提出一个动议。我们会进行初步投票。在这个环节中，每个人都会参与这场辩论。我们会讨论论点、进行总结陈词，然后进行最终投票。这场辩论的胜负取决于观众投票的最大变化幅度。你的投票至关重要，我们将共同决定这场辩论的结果。

我们面前的动议是：提示工程是否真正是一种新的编程语言，还是只是那些不会编写JavaScript的人的花哨文字游戏？看起来Dilbert有个问题，什么是编程语言？你可能对它有一些了解，但这个问题仍然具有相关性。让我们花点时间来探讨一下。编程语言是一种用于向计算机传达指令的形式语言，以完成任务。这是一种与计算机沟通并告诉它该做什么的方式，是在较高层次上进行的。

Dilbert还有另一个问题，这是一个很好的问题，以确保我们意见一致。根据Claude和OpenAI的说法，提示工程是为AI语言模型精心设计精确的指令和输入，以优化特定任务的输出。关键词是指令和任务。同样，对于OpenAI来说，它是设计和提炼输入指令以有效传达任务和目标给AI语言模型的做法。你们看到了相似之处了吗？现在我们对提示工程是什么已经很清楚了。

这场辩论将围绕以下三个领域展开：语法和结构、知识和专长、影响和持久性。第一个领域将探讨提示工程是否具有与传统编程语言相当的结构、语法和正式规则。支持动议的第一个论点是，提示工程需要一种结构化的语法来产生期望的输出，就像编程语言一样。要产生有效的提示语，需要精心设计遵循以下结构的提示语。首先，你要为AI设定一个角色或身份，以影响输出的语气和视角。

然后，你要告诉它你想做什么，是分类还是总结。接着，我们补充一些关于主题的具体细节，这些是我们希望AI模型去处理的内容。我们还想加入一些背景信息，比如任何背景信息或额外细节。然后，我们要加上一些限制条件，比如任何限制、字数限制、风格指南。最后，是输出格式，比如是项目符号、JSON格式等。这些元素并非绝对必需，但这种结构可以提升AI模型的性能。让我们通过一个例子来说明这种结构。这是一个写得很糟糕的提示语。这几乎就像是在写糟糕的代码。

一个更好的提示语应该是这样的，你先设定一个身份，比如充当网络安全专家，任务是解释，内容细节是关于三大漏洞。这里的背景信息是组织如今面临的现状，你将回应置于当前企业环境中。最后是限制条件，比如提供实际案例并推荐缓解策略。这种结构化的方法确保AI模型正确解读提示语并生成相应的输出，就像编程语言中严格的语法一样。

第二个论点是，模块化提示语使可重用性类似于编程语言中的函数。在编程中，函数或封装代码执行特定任务，因此我们可以多次重用它们。我们也可以在提示工程中做到这一点。这是一个提示工程中的函数示例。你提供文本，它将生成字数统计、情感分析以及最后的解释。一旦你输入这个提示语，随后你只需输入你想要它总结的主题即可。例如，我输入这个提示语或这个主题，“QCon SF是一个很棒的会议”，你看到输出结果了吗？字数统计、情感分析和解释。你可以反复输入不同的主题，它会做同样的事情，为你提供总结。

第三个论点是，提示设计中出现的最佳实践和模式与编程结构相似。近年来，谷歌、Meta和OpenAI的研究探索了各种提示工程技术。其中一些已经出现，比如少样本学习、思维链、思维树等。他们发现，通过以符合AI学习能力的方式构建提示语，它更有可能生成相关且富有洞察力的回应。我要花一分钟时间来谈谈中间的那个，思维链。谷歌在2022年发表了这项技术的研究。他们想要探索AI模型的推理能力，研究如何通过一种非常简单的方法来解锁它，那就是让模型分步骤思考，令人惊讶的是，模型会输出它的思考过程。这与人类在遇到复杂问题时的做法相似。

任何有经验的软件工程师很可能都了解软件设计模式。在提示工程领域，我们也有模式。2023年，范德堡大学的一群研究人员发表了一篇论文，概述了16种不同的模式。我想谈谈我最喜欢的模式之一，即交互翻转模式。我们通常通过提示和回应的方式与AI模型进行交互。我们输入内容，发送过去，然后等待回应。

然而，对于我们在不熟悉的领域中的任务或目标，我们可能希望让AI模型向我们提问，因为我们可能不知道该问哪些问题来引导解决某些问题的过程。我们只需要陈述我们的目标或目的，然后让它向我们提问。

让我们来看一个例子。我要把这个提示语输入ChatGPT，正如你看到的那样，我在最后要求它向我提问，看看它会怎么做。我输入了，它问我的第一个问题是：“你的目标平台是什么？”我说：“两者都有。”你更倾向于单一代码库，还是愿意使用单独的代码库？两者都行。首选的后端设置是AWS Lambda还是传统服务器？我们选择传统服务器。首选数据库是什么？MySQL。对于编程语言，你有没有具体偏好或限制？我们选择Python。你对实时功能的重要性怎么看？不太重要。快完成了。对于前端框架，你有没有偏好？我们选择React，当然。

你打算开发移动应用吗？是的。你看它多聪明啊？托管后端呢？我们选择AWS。这就是提案。你们看这有多有用，如果你不熟悉某些领域，它会向你提问。它收集这些信息，然后提出一个提案。这就是我们之前谈到的交互翻转设计模式。总结一下，对于语法和结构这一动议，提示工程展现出自己的语法和结构形式，这是一种产生期望输出的抽象，就像我们看到的函数一样。此外，最佳实践和模式正在出现。

让我们听听反方的观点。第一个论点是，提示工程缺乏编程语言中固有的形式化语法和语法规则。每种编程语言都有一个使用BNF表示法的形式化定义语法，无论是汇编语言还是Python。这使得编译器能够提前强制执行并检测编译错误。提示语是自由形式的、灵活的自然语言，不受此类约束。第二个论点是，拼写错误不会阻止AI模型做出回应。没有编译器来强制提示语的正确性。拼写错误不会阻止AI生成回应。这与编写代码不一样。第二个论点是，提示工程依赖于自然语言，而自然语言与编程语言相比本质上是模糊的。让我们来看这两个有趣的例子。

第一个例子是：“我看到一个拿着望远镜的人。”这是什么意思？这可能意味着你用望远镜去看那个人，或者你看到的是一个拿着望远镜的人。AI模型在生成回应时可能会选择任何一种解释。再看第二个例子：“工程师们通知经理们他们失败了。”“他们”指的是谁，是工程师还是经理？很可能是后者。重点是，模糊性可能导致意外的解释和输出。这将给寻求可靠和一致回应的开发者和用户带来挑战。代码是明确的和确定性的，就像这段代码一样。它将在任何标准的Python解释器中被一致地解释。

第三个论点是，AI模型的概率性质意味着相同的提示语可能会产生不同的结果，这与一致的代码执行不一样。我们都知道，对于一个函数，相同的输入会产生相同的输出。而提示语是概率性的。我们都知道，相同的输入，你可能会得到略有不同的回应。比如对于“提供一份详细的待办事项清单”这个提示语，你每次输入可能都会得到不同的清单。这将导致在商业用例中出现挫折感和不一致性。总结一下，对于语法和结构这一反动议，提示工程缺乏定义编程语言的形式语法、严格规则和一致解释。它依赖于自然语言的灵活性，使其从根本上与代码指令不同。记住这一点。

现在我们进入下一个部分，技能和专长。支持动议的第一个论点是，提示工程需要专门的知识，就像编程一样。就像程序员一样，我们必须了解API或框架是如何工作的。提示工程师必须了解AI模型是如何生成回应的，以及我们知道可以用来调整模型行为的那些“旋钮”。你可能知道，在较高层次上，这些AI模型被称为下一个词生成器。它并不是随机选择下一个词，而是计算整个词汇表中每个下一个词的概率。这个分布代表了每个词成为下一个词的可能性。

你在这里看到的例子是一个简单的提示语：“太阳从……升起”，你得到了一个带有设计概率的单词列表作为回应。在此基础上，它应用了一种采样方法，将选择范围缩小到一组较小的候选词。接下来，我要讨论两个调整“旋钮”：温度和采样方法。把温度想象成一个调节旋钮，它控制着AI模型在回应中发挥多大的创造力。采样方法是将大量单词筛选到较小集合中的方式。温度设置直接影响创造力水平，就像我之前提到的那样。它通过一个数学函数调整概率分布来实现这一点。当温度较低时，单词之间的概率差距会变大，更倾向于选择高概率的单词。这将产生更确定性的生成回应。

当温度较高时，概率分布变得更加均匀，低概率单词被选中的机会也会增加。一个很好的类比是：在低温下，AI模型就像一个严格按照食谱一步一步操作的面包师。当温度较高时，它就像一个疯狂的实验厨师，随意地将食材混合在一起，希望这道菜会好吃。另一个调整“旋钮”被称为采样选项，这里有两个。我只讲第一个，Top-P。它就像一个过滤器或窗口。

当值较高时，窗口尺寸较大，允许更多单词进入，被选为下一个词，反之亦然，当值较低且窗口较窄时，进入的单词就少了。当我们进入演示环节时，这会变得更清楚。你在这里看到的动画显示了概率分布。紫色的是原始概率，绿色的是根据温度设置调整后的概率。

现在温度较高，所以分布较为均匀，更接近原始概率。如果我降低温度，你会看到单词之间概率差距变大了。现在对于Top-P，记住，它就像一个过滤器。当值较高时，它允许更多单词成为候选词，被选为下一个词。如果我降低它，你会发现它变窄了，所以候选词变少了，高概率的单词更有可能被选中。这就是演示。这个演示是由AI编程助手编写的，我没有写。

第三个论点是，提示工程技术的学习曲线与学习编程语言相似。提示工程技术是多样化的，并且不断发展。这份由OpenAI和微软四个月前发布的报告，本质上是对1500多篇与提示工程相关的论文进行了文献综述，并整理出了各种技术的分类体系。重点是，掌握提示工程不仅仅是使用自然语言。有许多技术，我们作为软件工程师或提示工程师，必须学习并弄清楚如何最好地将其应用于我们的特定用例。

此外，这些技术不断发展，新的技术也在出现。解锁AI推理能力是近年来的一个关键研究领域，你们大多数人可能只知道这一点。两个月前，OpenAI推出了一种名为o1的新系列模型。它们被设计成在回答问题之前先思考。本质上，它们现在可以执行我们所说的系统2级思考。重要的是要问，这将如何影响提示工程？一个好的思考方式如下。

以前，我们与AI模型互动以解决问题，就像与一位资深软件工程师合作一样。我们必须描述得详细，必须提供更多的指导。现在有了这些系统级2思考模型，我们可以调整我们的方法，与它们合作就像与首席工程师合作一样。我们可以描述得不那么详细，提供更少的指导，更开放，让AI模型更自主地推断我们的意图，特别是对于需要高推理能力的用例。随着AI模型的不断进步，以及随之而来的许多关于构建GenAI应用的方法和框架的创新，你在这里看到的是RAG、AI代理、代理RAG。

在这些方法的核心是提示工程和提示的管理。它们对于GenAI应用的重要性和能力极为关键，因此必须像对待代码一样对待它们。提示版本控制、测试、验证等，都必须与生产代码处于同一水平。总之，对于知识和专长这一动议，掌握提示工程需要专门的技能和与学习编程语言相当的专业知识。它需要对行为的理解、精心设计指令以及持续学习生态系统以优化结果。

让我们听听另一方的观点。较低的入门门槛。对于提示工程来说，入门门槛要低得多。提示语的创作更像是试错，而不是真正的专业知识。它不需要多年的正规教育和技术培训。我们在大学里花了四年时间学习计算机科学专业。事实上，它更直观，因为人们从小就已经擅长用自然语言进行交流。你看到那个提示语了吗？不需要设置环境、编译器、安装必要的依赖项。

与Python相比，即使是简单的“Hello World”，你也要知道语法以及如何正确使用print函数、库等。任何一个三年级的小学生可能都会在这方面感到困难。在编程中，记住这个：掌握数据结构和算法是成为一名优秀软件工程师的基础。他们必须知道如何为特定问题选择合适的数据结构，并且他们不仅要学习什么可行，还要学习为什么可行以及如何改进它。相比之下，提示工程处于更高层次的抽象层面。

没有要求去理解AI模型是如何存储信息的，这使得它更容易学习和应用。第二个论点是，缺乏对抽象概念的掌握。如果你从事软件设计已经有10多年了，我相信你们中的许多人会记得这两种范式。它们在我们设计、演变和维护软件的方式上提供了许多好处，而要掌握这些范式需要花费数月甚至数年的学习和实践，并将其应用于实际项目中。相比之下，提示工程需要较少的正规教育。它缺乏深度抽象。记住这个，软件设计模式是另一种形式的抽象。

同样，掌握这些复杂的抽象概念需要非常深厚的专业知识和实践经验。相比之下，尽管提示工程很强大，但它依赖于自然语言命令，而不需要理解这些核心计算概念。这种对比说明了提示工程所需的专长程度较低。总之，对于反对动议的知识和专长，编程需要掌握抽象概念，所有这些都是构建可扩展、可靠和高效软件系统所必需的。尽管提示工程很强大，但它缺乏传统编程所需的深度和复杂性。

进入最后一个领域，影响和持久性。支持动议的第一个论点是，人机交互范式的转变表明了重大影响。你们看到的这张美丽而复杂的图片是通过人机交互生成的，这种交互的形式是一个提示语，但不是普通的提示语。这种提示风格复杂、详细、精致，几乎就像一种DSL，比如SQL或HTML。此外，这种提示风格采用了独特的方言或描述性语言来描述艺术风格、光线、视角，以展现视觉元素、情绪、构图等更多内容。如果你要逆向工程这个提示语来创建这张图片，你觉得它会是什么样子？让我读给你听这个提示语。“远处，一幢具有日本风格建筑的建筑坐落在湖上。金色的余晖照亮了池塘周围的樱花树。

在池塘中，一群人在划船中享受日落的宁静。在樱花树下，一位女士正在黄色格子毯子上布置野餐。”试着写一下这个提示语。下一个，元提示语，为提示语生成提示语。你有没有想过让AI模型帮你解决一个非常棘手的问题，结果你却对着一个空白的提示语发呆？有一种技术可以做到，那就是元提示语，它可以被视为提示语的一种更高层次的抽象，其目标是生成能够从AI模型中引出特定回应的提示语，而不是让模型去执行任务。它带来的好处包括加快这个过程、主动生成提示语以及减少你构思复杂提示语的认知负担。

与编程相比，这与你可能听说过或使用过的4GL等元编程语言非常相似。让我们做一个快速演示，看看它是什么样子。我称它为“软件工程师的提示伙伴”。你可以选择一个主题，比如团队协作。我们将描述一个挑战，也许是开发和QA之间的顺利交接。有人遇到过这种情况吗？我们将点击这个按钮，它会返回一个提示语，我们可以将这个提示语复制粘贴到ChatGPT或Claude等工具中，以获得我们想要的实际回应。对于像公司这样有常见任务集的地方，它非常强大，可以帮助你建立在构思提示语时的最佳实践。

第二个论点是，民主化的开发变得触手可及。在过去六个月里，AI编程助手的数量激增，我相信你们中的许多人对此都有所了解。这种发展速度令人惊叹。人们相信，在未来几年内，我们将看到开发者生产力的显著提升，就像过去引入高级编程语言和语法高亮显示一样。编程作为一种职业在未来五年内仍然存在，然而，它将发生显著变化。真正有趣的是，这些AI编程助手正在自我改进。它们实际上为下一个版本编写代码。这非常令人着迷。

这是来自一位非常知名的人的帖子。他是OpenAI的联合创始人之一，是一位著名的AI研究员。这是他所说的一段话。“在过去的几天里，我的大部分编程工作现在都是用英语编写提示语，然后审查和编辑生成的差异。我仍然认为我没有充分熟悉所有功能。这有点像重新学习编程，但我基本上无法想象回到三年前那种没有辅助的编程状态。”最后一个论点是，提示语是未来的界面。毫无疑问，软件工程正处于一场深刻变革的边缘。它将改变我们进行软件工程的方式，改变我们对构建软件和协作的本质概念。

关于我们将走向何方，有很多讨论，从始终在线的编码助手开始，24小时×7天，作为一个团队成员，对你的代码库了如指掌，能够参与讨论、回答问题，到可以承担开发过程中更积极角色的AI代理，但仍然在人类工程师的指导下。

总有一天，我们会拥有能够承担组织内完整角色的自主虚拟员工，与软件工程师相当。我不知道我们何时会达到那个阶段，但我认为那是我们前进的方向。总之，对于影响和持久性这一动议，提示工程将产生持久影响，并像编程语言一样发展。随着AI在各行业的整合，它将成为一项不可或缺的技能。朝着最佳实践、研究努力和教育资源的方向发展，支持了它的持久性。

让我们听听另一方的观点。趋势，而非变革。这些技术的共同点是什么？我们还在使用其中的任何一种吗？在过去，这些技术曾经相当流行。其中一些被誉为通用数据格式、通用协议。提示工程现在可能看起来具有革命性，但它更像是一个趋势。这些技术很可能会演变或被其他界面所取代，而编程语言经受住了时间的考验。第二个论点是，AI将自我自动化。这是一个有趣的观点。随着AI模型变得更加先进，对提示工程的需求可能会减少，因为模型变得更加擅长解释模糊和含糊的指令。

想象一个世界，AI编程助手注意到开发人员经常使用特定的编码风格，并在每次提示之前自动将其应用于新代码。这可能会使提示工程成为一个临时技能，而不是长期的范式转变。最后一个论点是，软件开发仍然需要编程。尽管提示工程很有用，但软件开发的核心仍然依赖于传统编程语言来处理重要场景：性能、可扩展性、可靠性。高性能应用需要经过精心调整的代码，只有熟练的程序员才能提供。

像操作系统这样的复杂系统仍然需要传统的编程，不能仅靠提示语来构建。它们可能会增强开发过程，但它们并不能取代对编码的基本需求。总之，对于这一领域的反动议，提示工程可能是一个有用的补充，但它并不能取代对编码专业知识的基本需求。编程语言之所以能够持久存在并不断发展，是因为它们能够为构建复杂系统提供精确性、控制力和可扩展性。

以上就是双方在三个领域的论点。现在我们将进入双方的总结陈词环节。支持动议的一方认为，提示工程是未来的新型编程语言。就像传统编程一样，提示需要精心的结构、精确性以及对底层系统的理解。自然语言的灵活性使得前所未有的创造力和快速原型设计成为可能，实现了传统编码无法比拟的实时交互性。

在一个速度、可访问性和适应性至关重要的世界里，提示工程已经彻底改变了我们的工作和创新方式。它是每个人的语言，无论你是否是程序员，使其成为编程的合理演变。未来的自动化将关乎你想要实现什么，而不仅仅是如何编写代码。为进步投票。为提示工程作为新型编程语言投票。记住所有这些要点吗？

让我们听听另一方的观点。尽管提示工程是一个强大的工具，但将其称为新型编程语言有些牵强。编程语言具有严格的语法、明确的规则和可扩展性，而这些都是提示工程无法提供的。提示工程缺乏形式化的语法。其概率性输出使其在关键任务和大规模系统中不可靠。我们不要将可访问性与专业知识混淆。虽然提示语有助于自动化任务和激发创造力，但它们无法替代传统编程语言的深度和精确性。区别很重要。为清晰投票。反对将提示工程等同于真正的编程语言。以上就是双方的总结陈词。