在人工智能领域，尤其是在大型语言模型（LLM）的应用中，我们常常听到“提示工程”这个概念。传统的观点认为，为了让LLM更好地理解我们的需求并给出满意的答案，我们需要提供尽可能详细和精确的上下文信息。然而，本文将探讨一种新的思路——“懒惰提示（Lazy Prompting）”，即在某些情况下，简单、快速甚至不精确的提示反而可能更有效。
什么是懒惰提示？
懒惰提示的核心思想是，在开始时，我们并不急于提供完整的上下文，而是先用一个简单的提示来试探LLM的能力。这种方法的前提是，我们能够快速评估LLM的输出质量，从而决定是否需要提供更多的信息。如果LLM的回答不尽如人意，我们可以逐步完善提示，直到获得满意的结果。
懒惰提示的适用场景
- 代码调试
在软件开发过程中，开发者经常会遇到各种错误信息。传统的做法是，仔细阅读错误信息，分析代码，找出问题所在。然而，现在有了LLM，我们可以尝试一种更快捷的方法：直接将错误信息（有时甚至包含大量的上下文）复制粘贴到LLM中，而不提供额外的指令。大多数LLM都足够智能，能够理解你的意图，并尝试帮助你理解错误信息并提出修复建议。例如，你可以简单地输入“Edit this: …”，或者“sample dotenv code”（提醒LLM如何编写使用Python dotenv包的代码），LLM通常会生成一个不错的响应。
如果LLM的首次响应不完美，你可以快速识别问题所在，并相应地调整提示，例如，指导LLM如何编辑文本。
- 快速迭代
懒惰提示特别适用于需要快速迭代的场景。例如，当你需要为一个新产品或功能生成多个不同的创意时，你可以先用一个简单的提示来获取一些初步的想法，然后根据LLM的输出，逐步完善提示，以获得更多样化和更符合你需求的创意。这种快速迭代的方法可以帮助你更快地探索各种可能性，并找到最佳的解决方案。
- 节省时间和精力
在某些情况下，编写详细的提示可能需要花费大量的时间和精力。例如，当你需要LLM帮你解决一个复杂的问题，或者编写大量的代码时，你可能需要花费几个小时来编写一个长达两页的提示。然而，如果采用懒惰提示的方法，你可能只需要几分钟就可以获得一个初步的解决方案，从而节省大量的时间和精力。
懒惰提示的局限性
- 需要快速评估输出质量
懒惰提示的一个关键前提是，你能够快速评估LLM的输出质量。如果评估输出质量需要花费大量的时间和精力，那么懒惰提示可能并不是一个好的选择。例如，如果只有通过费力地运行代码来检查其功能才能确定输出是否正确，那么最好还是提前花时间提供上下文，以增加LLM生成所需内容的几率。
- 不适用于所有场景
懒惰提示并不适用于所有场景。在某些情况下，如果缺乏足够的上下文，LLM根本无法给出有用的答案。例如，如果你给LLM一个不完整的程序规范，即使是经验丰富的开发人员也无法理解你的意图，那么LLM也不太可能给出好的解决方案。类似地，如果你希望LLM使用特定的工具或技术，你需要在提示中明确指出，否则LLM很难猜到你的偏好。
如何有效地使用懒惰提示
- 从小处着手
在使用懒惰提示时，最好从小处着手，先用一个非常简单的提示来试探LLM的能力。如果LLM的回答不尽如人意，你可以逐步增加提示的复杂性，直到获得满意的结果。
- 明确目标
在使用懒惰提示时，你需要明确你的目标。你希望LLM帮你做什么？你需要LLM提供什么样的信息？只有明确了目标，你才能更好地评估LLM的输出质量，并相应地调整提示。
- 快速迭代
懒惰提示的核心是快速迭代。你需要不断地尝试不同的提示，并根据LLM的输出，快速调整提示，直到获得满意的结果。这种快速迭代的方法可以帮助你更快地找到最佳的解决方案。
- 结合上下文
虽然懒惰提示强调的是简单和快速，但这并不意味着完全忽略上下文。在某些情况下，提供一些必要的上下文可以帮助LLM更好地理解你的需求，并给出更准确的答案。因此，在使用懒惰提示时，你需要根据具体情况，适当地结合上下文。
懒惰提示与传统提示工程的比较
| 特征 | 懒惰提示 | 传统提示工程 |
|---|---|---|
| 上下文信息 | 尽可能少，根据需要逐步增加 | 尽可能多，提供完整的上下文信息 |
| 提示复杂度 | 简单、快速 | 详细、精确 |
| 迭代速度 | 快，快速迭代，不断尝试 | 慢，需要仔细设计提示 |
| 适用场景 | 代码调试、快速迭代、节省时间精力 | 复杂问题、需要高精度答案、缺乏快速评估输出质量的手段 |
| 优点 | 节省时间、提高效率、快速探索可能性 | 提高准确性、减少错误、适用于复杂问题 |
| 缺点 | 可能需要多次迭代才能获得满意的结果、不适用于所有场景 | 耗时、需要仔细设计提示 |
懒惰提示是一种高级技巧
需要强调的是，懒惰提示是一种高级技巧，它建立在对LLM能力有充分了解的基础之上。通常情况下，我们看到更多的人是给LLM提供的上下文信息不足，而不是过多。只有当你已经学会了如何提供足够的上下文信息时，你才能有意识地后退一步，看看在保证效果的前提下，你能减少多少上下文信息。
此外，懒惰提示只适用于你可以通过LLM的Web或App界面快速迭代的场景。它不适用于在代码中编写提示，以便重复调用API的情况，因为在这种情况下，你不太可能检查每个输出，以便在输出不佳时进行澄清和迭代。
懒惰评估与懒惰提示
懒惰提示的概念与计算机科学中的懒惰评估有相似之处。在懒惰评估中，函数只在需要特定结果时才在最后一刻被调用。在懒惰提示中，我们只在需要时才向提示添加细节。
案例分析
为了更好地理解懒惰提示的应用，我们来看一个案例：
假设你需要LLM帮你撰写一篇关于“人工智能在医疗领域的应用”的文章。如果你采用传统的提示工程方法，你可能会提供以下信息：
- 文章的主题：人工智能在医疗领域的应用
- 文章的受众：对人工智能和医疗感兴趣的读者
- 文章的风格：专业、客观、informative
- 文章的长度：2000字左右
- 文章的结构：引言、正文、结论
- 文章的内容要点：
- 人工智能在疾病诊断中的应用
- 人工智能在药物研发中的应用
- 人工智能在个性化治疗中的应用
- 人工智能在健康管理中的应用
- 等等
这样的提示非常详细，可以帮助LLM更好地理解你的需求，但同时也需要花费大量的时间和精力来编写。如果你采用懒惰提示的方法，你可以先简单地输入以下提示：
“写一篇关于人工智能在医疗领域的应用的文章”
然后，根据LLM的输出，逐步完善提示。例如，如果LLM的文章过于 general，你可以添加以下提示：
“文章要重点介绍人工智能在疾病诊断中的应用”
如果LLM的文章的风格不够专业，你可以添加以下提示：
“文章的风格要专业、客观、informative”
通过这种逐步完善提示的方法，你可以更快地获得一篇符合你要求的文章。
结论
懒惰提示是一种在特定情况下可以提高效率和节省精力的技巧。它通过先使用简单的提示来试探LLM的能力，然后根据LLM的输出逐步完善提示，从而更快地获得满意的结果。然而，懒惰提示并不适用于所有场景，它需要你能够快速评估LLM的输出质量，并且对LLM的能力有充分的了解。因此，在使用懒惰提示时，你需要根据具体情况，谨慎选择。在LLM技术日新月异的今天，掌握懒惰提示这一技巧，无疑将为我们更好地利用LLM，提升工作效率提供新的思路。
