提示工程

提示工程是通过设计、精炼和优化输入文本，引导人工智能（AI）模型生成准确、相关且高质量输出的战略性过程。随着GPT-4等大型语言模型（LLMs）的兴起，该领域最初崭露头角，现已发展为与生成式AI系统进行跨模态交互的关键技能，涵盖文本、图像及视频等多种形式。 该领域已发展为与生成式AI系统交互的关键技能， 涵盖文本、图像及视频等多模态场景。 与通过重新训练改变模型权重不同， 提示工程通过构建系统最易理解的任务框架， 利用模型现有知识体系， 从而弥合人类意图与机器执行之间的鸿沟。

有效提示的机制

本质上，提示工程依赖于理解基础模型如何处理上下文和指令。精心设计的提示通过提供明确约束、期望的输出格式（如JSON Markdown）以及相关背景信息来降低模糊性。高级实践者会运用少样本学习等技术——用户在提示中提供少量输入-输出对示例来展示期望的模式。

另一种强有力的策略是 链式推理提示，它 鼓励模型将复杂推理任务分解为中间步骤。这显著提升了 逻辑密集型查询的处理能力。此外，优化上下文窗口的使用——即模型 单次可处理的文本量上限——对维持长交互的一致性至关重要。 外部资源（如OpenAI的提示设计指南）强调 通过迭代优化有效处理边界案例的重要性。

在计算机视觉中的相关性

虽然提示工程常与文本相关联，但在计算机视觉（CV）领域正日益显得至关重要。现代多模态模型和开放词汇检测器（如YOLO）允许用户通过自然语言处理（NLP）而非预定义的数值类ID来定义检测目标。

在此背景下，"提示"是对物体的文本描述（例如"戴红色头盔的人"）。这种被称为零样本学习的能力，使系统能够通过利用视觉特征与语义嵌入之间的关联，detect 未经过显式训练的物体。 在类别固定的高速生产环境中，开发者最终可能从提示模型转向高效的再训练模型（如YOLO26），但提示工程仍是快速原型开发和灵活部署的关键。

实际应用

提示工程通过实现灵活智能的自动化，为多元化行业创造价值：

• 动态视觉分析： 在零售业人工智能应用中，店长可借助基于提示的视觉模型，无需技术干预即可搜索特定商品。系统可被指令track "空置货架"，次日又可转向"错位商品"。这种灵活性使企业能即时调整物体检测系统以适应季节性趋势。
• 自动化内容创作：营销团队依靠详细的提示语来引导 文本转图像生成器，例如 Stable Diffusion或 Midjourney。通过设计指定光照、艺术风格 和构图的提示语，设计师能够快速生成视觉素材。
• 智能知识检索：在客户支持领域，工程师设计"系统提示"， 指导聊天机器人仅使用经验证的公司数据回答查询。 这是检索增强生成（RAG）的关键组件， 确保人工智能保持有益形象的同时， 避免大型语言模型产生幻觉。

利用Ultralytics实施

下面的示例演示了如何使用 ultralytics 包。在此，我们采用YOLO该模型通过文本提示动态定义目标物体，与标准模型（如 YOLO26 使用固定班级名单的。

from ultralytics import YOLO

# Load a YOLO-World model capable of interpreting text prompts
model = YOLO("yolov8s-world.pt")

# Apply prompt engineering to define custom classes dynamically
# The model maps these text descriptions to visual features
model.set_classes(["person in safety vest", "forklift", "blue hardhat"])

# Run inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Show results - the model only detects objects matching the prompts
results[0].show()

区分相关概念

要Ultralytics 有效部署AI解决方案， 关键在于区分提示工程与类似的优化技术：

• 提示工程与提示调优： 提示工程涉及手动构造自然语言输入。相较之下，提示调优是一种参数高效微调（PEFT）方法，在训练阶段学习"软提示"（连续向量嵌入）。这些软提示是数学优化结果，对人类用户不可见。
• 提示工程与微调： 微调通过特定训练数据集永久更新模型权重，使其专用于特定任务。 提示工程不改变模型本身，仅在实时推理过程中优化输入。
• 提示工程与 提示注入： 工程设计具有建设性，而提示注入则是安全漏洞——恶意输入可诱使模型绕过安全约束。保障 人工智能安全需构建抵御此类对抗性提示的 强健防御机制。