提示词工程？NO！问题构建？YES！

在AI大模型火起来之后，Prompt这一概念也进入了人们的视野，因为通过有效的Prompt提示词，我们可以更加高效地与AI进行对话。不过，提示词工程这项技能在未来的地位会持续升高吗？本文作者发表了他的看法，一起来看一下。

一、提示词工程不是未来

ChatGPT大火后，提示词工程（Prompt Engineering）概念成为了大众的焦点。许多人为了紧跟AI步伐，不断地学习各类提示词工程的技巧，以便于能够更加有效地与AI进行对话，并解决现实生活中的问题。

在招聘市场上，甚至催生了一个新宠儿——提示词工程师（Prompt Engineer）。按字面意思理解，就是掌握了提示词工程的技巧的人，利用与AI模型沟通的能力，为企业解决问题。

提示词工程一时间风头无两，许多人也纷纷认为，提示词工程是未来所有人都必须具备的一项技能，甚至该技能会替代掉许多工作，尤其是基础类工作。

但实际上，我们或许过于高估了提示词工程在未来的地位。Sam Altman（OpenAI的CEO）在其于2022年的一则访谈中也有提到他对于提示词工程在未来的观点。

我并不认为在5年后我们还会需要提示词工程，因为它会被集成到任何地方。无论是文本还是声音，基于其所处的场景，你只需要用语言和电脑进行交互，让电脑去完成你让它做的事情。……我认为最基本的交互方式，就是自然语言。

Andrej Karpathy（前特斯拉的AI负责人）甚至说到：

当前最火热的编程语言，是英语。

提示词工程在未来的重要性将会被降低的原因可能有以下三点：

1. 未来的AI系统将会变得更加直观，更善于理解自然语言，因此也会减少对于“精心设计”的提示词的需求；
2. 像GPT-4这类新型的AI模型，已经在提示词制作方面显示出了不错的前景，AI本身正处于提示词工程过时的边缘；
3. 提示词的有效性取决于特定的算法，这限制了它们在不同AI模型或版本中的效用。

因此，到底什么样的能力，能够持续地、持久有效地，给予我们不断地利用AI发挥潜力？这就是问题构建。

二、问题构建

1. 什么是问题构建

问题构建（Problem Formulation）是以清晰简介的方式识别、定义问题的过程。它会将问题分解为更小、更易于管理的部分，收集有关问题的信息并分析，并生成潜在的解决方案。问题构建的目标是对问题有一个全面的了解，并生成可有效实施的潜在解决方案的过程。

一言以蔽之，问题构建，是识别、分析和描述问题的能力。

2. 提示词工程 VS 问题构建

为什么是问题构建而非提示词工程，才是应用AI的未来方法，需要通过观察二者的差异了解。

提示词工程的重点在于，选择合适的单词、短语、句子及标点符号等来制作（Craft）出最佳的文本输入。因此，提示词工程的要求是能够掌握特定的AI工具和语言能力。

问题构建则强调划定问题的重点、范围和边界，以此来定义问题。因此，问题构建的重点在于对问题所属领域的全面理解，以及抽取现实世界问题的能力。

可以这么说，若问题没有被准确构建，那么再复杂的提示词也是没有用的。而若问题本身能够被清晰定义，那么提示词在语言上粗糙点也没关系，解决方案才是关键。

3. 问题构建步骤

第一步，识别问题。

问题的发生一定会伴随着一些明显的特征，让我们能够感受到问题的存在。此时的问题可能非常具体且易于确定，也可能很宽泛或带有创造性。

例如，我要查询某天发生了什么事情，这个问题非常具体。但如果是要让AI帮我们撰写一份符合公司实际需要的市场活动方案，则是更加宽泛、更需要创造力的。

第二步，定义问题。

在此步骤中，需要澄清问题的本质和范围，并将问题拆分成更小的可管理的子问题，尤其是当问题涉及多方面因素时。因为如果问题过于复杂，往往很难产生有效的解决方案。

与此同时，需要收集与问题相关的信息，并对信息进行处理分析。收集信息一般可以通过数据分析、专家访谈或用户研究等方式获取。

例如，“撰写一份符合公司实际需要的市场活动方案”这一问题，非常宽泛，且需要创造力。我们需要对该问题进行拆解，如“活动的执行目的是什么”、“执行该活动有哪些资源可用”等。其次，我们可以获取更多关于策划该活动的关键信息，例如，对目标群体进行采访调研获取客户期望、收集竞争对手的类似做法、询问市场活动专家了解活动注意事项等。

问题拆分的结果与收集分析的信息，将成为构建问题的关键。

第三步，问题重构。

问题重构意味着改变看待问题的角度，也被称作替代解释（Alternative Interpretation）。

基于我们对问题的定义以及对问题相关信息的收集，原始的问题可能会发生变化，我们可能发现，真正的问题并不是一开始所认为的问题，而是另有内涵。

例如，当用户给你反馈说“为什么页面上没有某个按钮”时，其问题本身可能并不在于“按钮是否存在”，甚至可能也不在于“功能是否存在”，而是用户“需要的某项服务没被找到”。或许该服务的相关功能在产品内是有提供的，只是用户在操作过程中没遇到或忽视了。

问题的准确重构，能够指导AI有效地拓宽解决方案的范围，从而帮助我们找到更好的解决方案，并克服创造性的障碍。

而此类问题重构的方法，也被称为“X-Y Problem”。

X代表着原始问题，而Y则代表着真实的问题。问题的发起者或提出方往往无法直达问题根源，而我们需要具备根据他们提出的X而找到Y的能力。

第四步，约束设计。

最后，我们需要通过定义解决方案的输入、过程和输出来限制问题的边界，这主要是为了解决AI返回信息的要求问题。

通常我们可以通过提示词来进行约束设计。提示词工程中的“Few-Shot Prompting”方法就是一种典型的约束设计方式。它通过举例的方式，让AI理解任务本身的要求，从而输出让提问者满意的输出信息。

例如，提示词输入：

The odd numbers in this group add up to an even number: 4, 8, 9, 15, 12, 2, 1.

A: Adding all the odd numbers (9, 15, 1) gives 25. The answer is False.

The odd numbers in this group add up to an even number: 17, 10, 19, 4, 8, 12, 24.

A: Adding all the odd numbers (17, 19) gives 36. The answer is True.

The odd numbers in this group add up to an even number: 16, 11, 14, 4, 8, 13, 24.

A: Adding all the odd numbers (11, 13) gives 24. The answer is True.

The odd numbers in this group add up to an even number: 17, 9, 10, 12, 13, 4, 2.

A: Adding all the odd numbers (17, 9, 13) gives 39. The answer is False.

The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1.
A:

AI会返回结果：

Adding all the odd numbers (15, 5, 13, 7, 1) gives 41. The answer is False.

一般来说，当任务本身是以生产为导向时，用更加严格的标准进行约束设计会获得更加好的结果，因为生产意味着标准和效率。但如果面向一个更为需要创造力的任务时，在约束设计上则可以适当放宽（甚至消除），让AI本身能够探索更多，从而提供更加新颖的解决方案。