AI应用开发会接触很多英文术语，为了方便行文理解，有必要解释一下相关的术语及其缩写，比如下列几个常见的英语单词：
AI：全称 Artificial Intelligence ，意思是人工智能。AI是能自己学习、理解、判断、模仿人的机器智能。
LLM：全称 Large Language Model ，意思是大语言模型。LLM是只懂文字的大模型，它只处理文本信息。
VLM：全称 Vision-Language Model ，意思是视觉语言模型。VLM是既能看懂图片又能看懂文字的模型，它对图文都能处理。
Prompt：用户给 AI 下达的指令、提示词、问话，比如“帮我写个请假条”、“请列个杭州五日游攻略”、“今天天气怎样？”等等。
用户发给AI的文字信息，有的是命令，有的是问题，既有肯定句式，又有疑问句式，方便起见就统一成中性的“提示词”了。
提示词很简略的话，AI会无法准确理解用户的需求，给出的回答就跟用户的期望有偏差。
比如“帮我写个请假条”，这里既没说请假的理由（生病还是私事还是别的），也没有请假的时间（包含开始时间、结束时间、请假天数等），那么AI给出的请假条很可能就不符合用户的要求，要么请假理由不对，要么请假时间不对。
再看“请列个杭州五日游攻略”，这里不仅给出了旅游地点（杭州），也给出了旅游时间（五日），可见包含时间地点在内的提示内容足够清晰，那么AI会返回详细的杭州五日游推荐行程：第一天去哪里、第二天去哪里……第五天去哪里等等。
当然AI不是单纯的机器，并非每个细节都要一五一十地告诉它，AI自己也会根据周围环境来判断用户要什么。
比如“今天天气怎样？”，这里只说今天没说哪天，那么AI会自动获取系统时间，然后把系统日期作为用户的“今天”。该问题也没指出哪个城市，那么AI会自动获取当前设备的位置信息，然后把当前城市作为用户询问天气的地点。于是“今天天气怎样？”就被AI自动识别成“在系统日期的当天，设备所在城市的天气怎样”，最后AI查询并返回该城市的当天天气情况。
由此可见，用户若想AI返回的结果正确，一方面要保证发给AI的提示词准确无误，另一方面要保证周围的环境信息可信可靠。
提示词准确无误很好理解，就像交待一件事情，必须具备时间、地点、人物三要素，最好还要提供事情缘由、事件内容、人或物的数量等等，这样AI才能给出符合要求的回答内容。
环境信息可信可靠也很重要，因为如果设备时间没跟北京时间校准，而是设在了2000年，那么提示词中的“今天”会被AI当成是2000年的1月1日。同理，如果设备没开启定位功能，或者APP未被授予定位权限，那么AI就无法取到当前位置与所在城市，要么取到上回最后一次的定位信息，要么取到设备默认的位置信息如北京市正阳门。
当然，周围环境通常默认都是准确的，因为如果系统时间不对或者取不到位置信息的话，不光AI用起来有问题，其他APP也都无法正常使用，用户肯定早就发现并解决了的。
所以，在进行AI应用开发的时候，更关注用户发给AI的文字内容（提示词）是否准确无误。不过，用户怎么晓得问个问题还这么讲究呢？果真这么讲究的话，用户多半会想：太难用了，问个问题还要考验我的提问技巧，你这AI就这么傻愣吗？
一边是AI大模型要求输入准确无误的提示词，另一边是用户千奇百怪且不容置疑的命令，夹在中间的AI应用开发者就得想办法弥合二者之间的沟壑。
用户给的文字语焉不详，AI应用就得想办法补全提示词，比如根据用户之前提问的上下文，或者根据用户所处的环境等等。
AI大模型想要固定格式的指令，AI应用就得想办法把用户给的文字转换成对应指令，比如把“好的”、“可以”、“同意”等转成表示肯定的“是”，把“不行”、“别”、“不要”等转成表示否定的“否”。
AI应用搭建的提示词转换桥梁，又被称作“提示词工程”，它其实不是高深莫测的东西，仅仅是一种文字游戏，把众多用户稀奇古怪的命令和提问转换为AI大模型容易理解的提示词而已。
本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。