这里我们指的是自然语言任务背景下的即时工程。语言在人与人之间的交流以及与机器的交互中发挥着基础作用。因此，越来越需要开发能够用自然语言执行复杂任务的语言模型。 LM 是可以处理和生成文本的计算机程序，称为自然语言处理 (NLP)。典型的 NLP 任务有：
文本分类：按情绪（正面、负面等）、主题（例如体育、政治）或垃圾邮件（是或否）。
命名实体识别 (NER)：文本中关键实体的识别和分类，例如品牌、地点、字符等。
词性标注：为句子中的每个单词分配词性（例如名词、动词、形容词）。
翻译：将文本从一种语言翻译成另一种语言（例如从拉丁语翻译成英语）。
文本摘要：通过从较长的文本中提取或抽象重要信息来创建摘要。
文本生成：根据给定的输入生成听起来像人类的文本，例如 护理院电子邮件列表 完成句子、创建报纸文章或编写奇幻故事。
我们每天都会遇到这些任务，无论是在大学、工作还是研究中。在学校，老师经常给我们布置非常具体的任务和期望。一旦我们独自一人，我们要么受到同事、老板或我们自己的“提示”。在后一种情况下，我们经常需要集思广益，收集上下文信息，定义目标，也许还需要自己寻找例子。这可能是非常劳动密集型的。想想一个好的用户故事需要多少需求才能成功实现。提示的质量对我们解决相关任务的效果有重大影响。
如何设计一个好的提示？
虽然教师在教学课程中学习设计良好的提示，但可以在人工智能提供商的网站、i等一般提示指南或科学研究中找到为机器编写提示的一般且有用的指南。我们做了后者。我们发现某些提示比其他提示产生更准确的结果，但存在看似不可控的因素。强大的提示并非在所有语言模型中都同样有效。其中每一个（包括 GPT-4 或 LLaMa）似乎都是具有特定属性和需求的代理。甚至语义构建块的顺序也会影响结果。
为 LM 设计提示与为人类设计提示相同吗？
2021 年，Reynolds 和 McDonell 从自然语言及其表述的角度评估了提示。在设计提示时，必须像人类接收者一样考虑语气、暗示、合理性、风格和歧义，因为像 GPT-3 这样的语言模型是在自然语言的基础上训练的。总结了提示可以包含的不同组件。