· 供应更多背景信息
· 利用AI的“群体聪慧”
· 用识别代替影象
· 将繁芜任务分解成多个步骤
· 考试测验不同办法，找到最佳提示
人工智能正在迅速改变人们的事情办法，让事情更加高效和创新。与传统的编程和繁芜指令不同，现在只须要用自然措辞与AI“对话”，它就能理解并实行任务。这种打破让我们不再须要记住繁琐的指令或学习繁芜的编程措辞。但是，要充分利用AI的潜力，我们须要学会如何精确与它对话。
比如，在日常事情中，如果给AI供应更多的高下文信息，它的表现会更好。你可以见告AI会议的主题和参与者，它就会给出更精准的会议总结。Teevan指出，微软和学术界进行的研究创造了一些早期成果，只管我们可以用自然措辞与人工智能对话，但AI所需的信息与人类不同。为了让AI更有效地回应，Teevan给出了基于科学文献的理论和研究成果的五点建议。
01 | 供应更多背景信息
生理措辞学见告我们，建立共同理解在任何沟通中都至关主要。大略来说，共同理解便是通过互换达成同等。例如，开会时，大家经由谈论后对接下来要采纳的行动步骤有了共同的认识，这就建立了共同理解。
然而，与AI（如大型措辞模型）沟通时，这种理解不能自然形成，由于AI没有与我们共享的背景知识。因此，我们须要明确供应足够的背景信息，才能让AI更好地完成任务。比如，如果让AI帮忙写一封邮件，最好见告它邮件的目的和背景，而不是大略地说“写封邮件”。
虽然AI可以从一些记录中找到干系信息，但明确供应背景信息会让它的表现更好。AI可以通过搜索过去的文件或会议记录来供应有用的高下文，但它仍须要我们供应关键的背景信息来帮助它理解任务。
02 | 利用AI的“群体聪慧”
研究表明，采取多角度思考问题的方法，即所谓的“群体聪慧”，同样适用于AI。当你不知道如何给文章取标题时，你可以让AI天生三个不同风格的标题——正式的、诙谐的或简洁的。这样，你会有更多选择和灵感。给AI多个示例或哀求不同的风格，它会根据你的须要调度答案。这种方法能让AI更好地理解并知足你的期望。
03 | 用识别代替影象
打算机交互的一个基本原则是，人们更随意马虎通过选择识别出须要的操作，而不是记住繁芜的命令。比如，从列表中选择运用程序图标并双击，比记住打开程序的命令要大略得多。这便是为什么我们大多数人利用图形用户界面，而不是像早期那样输入命令行。
同样，在利用AI时，依赖识别而不是影象也是一种有效办法。许多AI系统供应预设的提示模板，让用户不用每次都从头构建提示内容。我们可以保存常用的提示，以便下次直策应用，而不必每次都记住怎么输入。例如，如果常常发送类似的邮件，可以保存一个模板提示：“我是一个研究职员，正在发送这封电子邮件给多个互助团队。请见告我，发送这封邮件时可能会引发的潜在问题。” 这样，我们不须要每次都重新构思邮件内容，AI可以直接根据模板天生得当的回答。
04 | 将繁芜任务分解成多个步骤
研究创造，将繁芜任务分解为多个小步骤，可以让AI更准确地供应所需信息。除了利用更正式的策略（如“思维链”提示），大略的分步操作也能有效帮助AI完成任务。比如，当须要AI帮助你剖析一篇文章时，先让它天生文章的概要，然后逐步深入到详细细节，而不是一次性哀求AI给出完全的剖析。这种方法最为有效，可以让AI更好地理解我们的需求，同时确保每一步都符合预期。
详细操作参考：
（1）先让AI用项目符号列出文章的大纲，突出你想要重点剖析的部分。
（2）接着让AI根据大纲提出干系问题，并给出答案，并尽可能多地引用文章原文。如果文章中没有包含问题的答案，注明“答案未包含在文章中。”（或者“问题只是部分得到回答”，并描述已回答的部分，以及为了给出完全答案还须要理解的信息。）
05 | 考试测验不同办法，找到最佳提示大型措辞模型（LLM）作为一种新兴技能，我们对它的理解还在不断进步。有时，同样的提示在不同情形下可能会得到不同的效果。如果创造某个提示没有达到预期，不妨考试测验不同的表达办法，以探求更有效的表达。我们还可以直接讯问AI，如何更恰当地提出问题。与人类互换不同，我们可以反复考试测验不同的提问办法，探索哪个方法最适宜我们的需求，直到得到满意的结果。
LLM（大型措辞模型）正在改变我们与打算机互动的办法，就像Word和Excel中的“功能区”一样，好的提示工具能帮助我们更高效地利用AI。Teevan提到，微软正在开拓自动推举个性化提示的功能，让AI可以根据我们的事情需求供应建议，帮助更快地完成任务。
到目前为止，许多最有效的提示策略都是由研究职员开拓的。他们已经证明，精心设计的提示每每能带来比纯挚改进底层模型更大的效益。例如，微软的一项研究表明，仅仅通过改变提示办法，就能显著提升AI在医疗领域的表现。这意味着，用户通过调度提示策略，不一定须要新的模型演习就可以得到更好的结果。随着更多人利用AI，我们将连续创造更多有效的提示策略。
过去，人们通过自然措辞进行沟通和协作，现在这种办法也逐渐适用于与AI的互动。与AI的对话不仅是关于事实和数据，还包含共同理解和逻辑构造，这正是提示工程的核心。随着AI技能的发展，这种构造也将随之发展。
Jaime Teevan 是微软的首席科学家，卖力推动基于研究的产品创新。