在AI大模型火起來之後，Prompt這一概念也進入了人們的視野，因為通過有效的Prompt提示詞，我們可以更加高效地與AI進行對話。不過，提示詞工程這項技能在未來的地位會持續升高嗎？本文作者發表了他的看法，一起來看一下。
一、提示詞工程不是未來
ChatGPT大火後，提示詞工程（Prompt Engineering）概念成為了大衆的焦點。許多人為了緊跟AI步伐，不斷地學習各類提示詞工程的技巧，以便于能夠更加有效地與AI進行對話，并解決現實生活中的問題。
在招聘市場上，甚至催生了一個新寵兒——提示詞工程師（Prompt Engineer）。按字面意思了解，就是掌握了提示詞工程的技巧的人，利用與AI模型溝通的能力，為企業解決問題。
提示詞工程一時間風頭無兩，許多人也紛紛認為，提示詞工程是未來所有人都必須具備的一項技能，甚至該技能會替代掉許多工作，尤其是基礎類工作。
但實際上，我們或許過于高估了提示詞工程在未來的地位。Sam Altman（OpenAI的CEO）在其于2022年的一則訪談中也有提到他對于提示詞工程在未來的觀點。
我并不認為在5年後我們還會需要提示詞工程，因為它會被內建到任何地方。無論是文本還是聲音，基于其所處的場景，你隻需要用語言和電腦進行互動，讓電腦去完成你讓它做的事情。……我認為最基本的互動方式，就是自然語言。
Andrej Karpathy（前特斯拉的AI負責人）甚至說到：
目前最火熱的程式設計語言，是英語。
提示詞工程在未來的重要性将會被降低的原因可能有以下三點：
- 未來的AI系統将會變得更加直覺，更善于了解自然語言，是以也會減少對于“精心設計”的提示詞的需求；
- 像GPT-4這類新型的AI模型，已經在提示詞制作方面顯示出了不錯的前景，AI本身正處于提示詞工程過時的邊緣；
- 提示詞的有效性取決于特定的算法，這限制了它們在不同AI模型或版本中的效用。
是以，到底什麼樣的能力，能夠持續地、持久有效地，給予我們不斷地利用AI發揮潛力？這就是問題建構。
二、問題建構
1. 什麼是問題建構
問題建構（Problem Formulation）是以清晰簡介的方式識别、定義問題的過程。它會将問題分解為更小、更易于管理的部分，收集有關問題的資訊并分析，并生成潛在的解決方案。問題建構的目标是對問題有一個全面的了解，并生成可有效實施的潛在解決方案的過程。
一言以蔽之，問題建構，是識别、分析和描述問題的能力。
2. 提示詞工程 VS 問題建構
為什麼是問題建構而非提示詞工程，才是應用AI的未來方法，需要通過觀察二者的差異了解。
提示詞工程的重點在于，選擇合适的單詞、短語、句子及标點符号等來制作（Craft）出最佳的文本輸入。是以，提示詞工程的要求是能夠掌握特定的AI工具和語言能力。
問題建構則強調劃定問題的重點、範圍和邊界，以此來定義問題。是以，問題建構的重點在于對問題所屬領域的全面了解，以及抽取現實世界問題的能力。
可以這麼說，若問題沒有被準确建構，那麼再複雜的提示詞也是沒有用的。而若問題本身能夠被清晰定義，那麼提示詞在語言上粗糙點也沒關系，解決方案才是關鍵。
3. 問題建構步驟
第一步，識别問題。
問題的發生一定會伴随着一些明顯的特征，讓我們能夠感受到問題的存在。此時的問題可能非常具體且易于确定，也可能很寬泛或帶有創造性。
例如，我要查詢某天發生了什麼事情，這個問題非常具體。但如果是要讓AI幫我們撰寫一份符合公司實際需要的市場活動方案，則是更加寬泛、更需要創造力的。
第二步，定義問題。
在此步驟中，需要澄清問題的本質和範圍，并将問題拆分成更小的可管理的子問題，尤其是當問題涉及多方面因素時。因為如果問題過于複雜，往往很難産生有效的解決方案。
與此同時，需要收集與問題相關的資訊，并對資訊進行處理分析。收集資訊一般可以通過資料分析、專家訪談或使用者研究等方式擷取。
例如，“撰寫一份符合公司實際需要的市場活動方案”這一問題，非常寬泛，且需要創造力。我們需要對該問題進行拆解，如“活動的執行目的是什麼”、“執行該活動有哪些資源可用”等。其次，我們可以擷取更多關于策劃該活動的關鍵資訊，例如，對目标群體進行采訪調研擷取客戶期望、收集競争對手的類似做法、詢問市場活動專家了解活動注意事項等。
問題拆分的結果與收集分析的資訊，将成為建構問題的關鍵。
第三步，問題重構。
問題重構意味着改變看待問題的角度，也被稱作替代解釋（Alternative Interpretation）。
基于我們對問題的定義以及對問題相關資訊的收集，原始的問題可能會發生變化，我們可能發現，真正的問題并不是一開始所認為的問題，而是另有内涵。
例如，當使用者給你回報說“為什麼頁面上沒有某個按鈕”時，其問題本身可能并不在于“按鈕是否存在”，甚至可能也不在于“功能是否存在”，而是使用者“需要的某項服務沒被找到”。或許該服務的相關功能在産品内是有提供的，隻是使用者在操作過程中沒遇到或忽視了。
問題的準确重構，能夠指導AI有效地拓寬解決方案的範圍，進而幫助我們找到更好的解決方案，并克服創造性的障礙。
而此類問題重構的方法，也被稱為“X-Y Problem”。
X代表着原始問題，而Y則代表着真實的問題。問題的發起者或提出方往往無法直達問題根源，而我們需要具備根據他們提出的X而找到Y的能力。
第四步，限制設計。
最後，我們需要通過定義解決方案的輸入、過程和輸出來限制問題的邊界，這主要是為了解決AI傳回資訊的要求問題。
通常我們可以通過提示詞來進行限制設計。提示詞工程中的“Few-Shot Prompting”方法就是一種典型的限制設計方式。它通過舉例的方式，讓AI了解任務本身的要求，進而輸出讓提問者滿意的輸出資訊。
例如，提示詞輸入：
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會傳回結果：
Adding all the odd numbers (15, 5, 13, 7, 1) gives 41. The answer is False.
一般來說，當任務本身是以生産為導向時，用更加嚴格的标準進行限制設計會獲得更加好的結果，因為生産意味着标準和效率。但如果面向一個更為需要創造力的任務時，在限制設計上則可以适當放寬（甚至消除），讓AI本身能夠探索更多，進而提供更加新穎的解決方案。
作者：吸貓狂魔；公衆号：吸貓狂魔
本文由 @吸貓狂魔 原創釋出于人人都是産品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基于 CC0 協定。
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。