教育提示語工程：構建數(shù)智時代的認識論新話語

□ 趙曉偉 祝智庭 沈書生

一、引言

從模擬心理治療師的聊天機器人Eliza 到人性化可定制的計算機實體Alice，從充滿幽默感的陪伴式虛擬朋友Kuki 到內容生成的對話式智能工具ChatGPT，自然語言的人機對話走過了漫長的道路，人類智慧與人工智能也在交匯融合中相互成就。作為人機對話新的里程碑，以ChatGPT為代表的生成式人工智能踩在了強弱智能的邊界，使人們重新燃起對AGI（通用人工智能）的希望，它超越了傳統(tǒng)基于規(guī)則的聊天機器人，在序列化指令遵循、跨模態(tài)內容生成和創(chuàng)意性靈感啟發(fā)等方面展現(xiàn)出無限潛力，并在教育領域引起笛卡爾所言的“欽嘆”效應（祝智庭等，2023;沈書生等，2023）。然而，其也因易生成虛假內容、誤導信息、隱性偏見而備受爭議，因此有人指出，類似于老式計算設備的“垃圾輸入、垃圾輸出”問題也存在于像ChatGPT 這樣的人工智能中（Gewirtz,2023）。借助生成式人工智能，我們可以發(fā)現(xiàn)模式、提取見解、產生高質量輸出并獲得個性化響應，從觸手可及的大量數(shù)據(jù)中釋放無限可能性，但要打開這個神奇的魔盒，必須掌握開啟它的鑰匙——提示語工程（Prompt Engineering）。

提示語工程是以獲得大語言模型的預期響應為目標，通過設計模型應執(zhí)行任務的自然語言文本，有組織地將提問想法轉化為具有一組輸入集或指令集的過程。將想法轉化為提示語并產生令人驚嘆的結果絕非易事，需要優(yōu)化指令輸入以便與ChatGPT 有效溝通，而這正是提示語工程的用武之地。目前，提示語工程正成為人工智能和自然語言處理的熱門子領域，ChatGPT的火爆也使得作為互補性職業(yè)的提示語工程師引起社會各界的廣泛關注，世界經濟論壇將其譽為“未來的工作”（WEF, 2023），Open AI 首席執(zhí)行官Sam Altman 將其描述為“驚人的高杠桿技能”（Clark,2023），未來人人都將直接或間接地成為提示語工程師，提示語設計技能也將融為個體技能。鑒于ChatGPT對教育領域產生的革命性影響，分析提示語所帶來的認識論話語轉向，思考提示語的教育價值及其核心類型，探索教育提示語工程的可為路徑，對教育領域釋放大語言模型的無限潛力具有重要意義。

二、認識的話語變革：數(shù)字語言中的提示語范式

提示語本質上是控制大語言模型理想輸出的語言，是一種“做事”的語言。控制大語言模型的行為就要從研究控制它的語言做起。人類對語言的使用塑造了人與世界的關系，人類在漫長的發(fā)展歷程中經歷了三次話語轉向：從古希臘時期以日常語言言說世界的本原，到近現(xiàn)代時期以符號語言言說關于世界的認識，再到數(shù)智時代以數(shù)字語言為中介認識與言說世界，每一次轉向都改變了人們對世界的看法或與世界互動的方式。正如維特根斯坦所言“我的語言的界限意味著我的世界的界限”（維特根斯坦,1996），語言既像阻礙視線的圍墻阻擋人們看到墻外之事，也像導航世界的地圖指引人們探索更多未知。數(shù)智時代的數(shù)字語言作為人機通用語言，幫助人們沖破阻隔、擴大地圖，并使用新語言（提示語）探索無限世界。艾倫·圖靈設計的機械自動化抽象計算模型，本質上是根據(jù)特定規(guī)則和輸入數(shù)據(jù)執(zhí)行一系列任務的機器，實現(xiàn)了人工智能與人類語言的最初碰撞，引發(fā)并推動了提示語的產生與設計。自此，計算機科學家嘗試設計能夠理解人類自然語言的程序，幫助人類更好地認識與改造世界。隨著自然語言的發(fā)展以及深度學習的出現(xiàn)，提示語設計愈加復雜并作為新興領域（提示語工程）而出現(xiàn)。

（一）基于先驗規(guī)則的“匹配—預測”范式

早期基于先驗知識的符號規(guī)則遵循理性主義范式，機器遵循預先設定的規(guī)則進行模式識別并生成響應，模仿人類對話，譬如在與機器人治療師Eliza 對話時患者可以在腳本中鍵入消息并收到響應，生成下一步溝通的提示。這是提示語工程的萌芽。由于人類認識無法全部形式化，也難以預設處理無限問題的所有規(guī)則，使得機器對提示語的理解和響應能力受到限制。基于概率統(tǒng)計的機器學習實現(xiàn)了從理性主義向經驗主義的過渡，利用預定義標記數(shù)據(jù)提煉規(guī)律生成模型并處理新的語言現(xiàn)象。不同于Eliza 的有限響應且受規(guī)則約束，聊天機器人Jabberwacky 沒有硬編碼規(guī)則而是依賴于反饋規(guī)則，通過上下文模式匹配識別內容，并借助機器學習改進響應；機器人Alice 則通過啟發(fā)式模式匹配規(guī)則與人類對話。隨著自然語言處理以及理解技術的發(fā)展，提示語被廣泛應用于語音識別系統(tǒng)、聊天機器人和虛擬助手等應用中，Siri、Watson、Alexa 等綜合運用進階自然語言處理、自動推理、監(jiān)督/無監(jiān)督學習等開放式問答技術，基于提示語的語境與語義從海量數(shù)據(jù)庫中提取答案，實現(xiàn)人機對話。隨著世界范圍內的數(shù)據(jù)擴張與算力提升，基于神經網絡的深度學習則使用神經網絡架構，以半/無監(jiān)督學習的方式訓練標記數(shù)據(jù)、特征提取與建模，形成了具有代表性的靜態(tài)語言模型，盡管如此，提示語設計并未取得突破性進展。

（二）基于預訓練模型的“提示語—響應”范式

自2018 年以來，對原始大規(guī)模文本進行自監(jiān)督學習的預訓練語言模型備受矚目，OpenAI 逐步形成了“預訓練—微調”范式，通過無監(jiān)督學習訓練基于Transformer的生成語言模型，并在下游任務中對預訓練模型進一步微調。數(shù)據(jù)集的豐富和模型容量的擴大，使預訓練模型進入大語言模型階段，在GPT-2多任務學習和GPT-3 情境學習的基礎上，研究者注意到，使用更大的語言模型本身并不能使它們更好地遵循用戶的意圖，因此ChatGPT及其后的GPT-4補充了指令微調、獎勵建模、人類反饋強化學習等技術，嘗試從原始數(shù)據(jù)中學習更復雜、更高階的特征，使大語言模型具有更好的通用性與泛化能力，由此提示語工程發(fā)展成為新興領域并迎來重大突破。首個Chat-GPT模型是由人工標注者撰寫提示語并訓練，標注者需要努力推斷出用戶撰寫提示語的意圖，并跳過任務模糊的提示語。這些提示語可由自然語言指令直接指定，也可通過少量示例或隱含意圖間接指定，此外早期提交給API 的提示語也成為預訓練模型的數(shù)據(jù)集。該模型通過監(jiān)督模型、獎勵模型、近端策略優(yōu)化等進行微調，預測并輸出人類偏好的響應（Ouyang,et al.,2022），涌現(xiàn)出“提示語—響應”的會話輪轉，實現(xiàn)從數(shù)據(jù)理解到數(shù)據(jù)生成的轉變，幫助人們萃取數(shù)據(jù)、建立關聯(lián)并生成內容，擴展人類認識世界的能力并啟發(fā)人類創(chuàng)造力。

隨著ChatGPT 逐步從GPT-2 的“預訓練”范式、GPT-3的“預訓練—提示語”范式轉變?yōu)椤邦A訓練—提示語—微調”范式，機器不斷具備理解和處理提示語的通用能力，能夠與人類意圖盡可能地保持一致。然而，隨著人工智能技術在回答問題方面能力的顯著提高，這種進步也暴露出人類在提問方面所面臨的挑戰(zhàn)和不足。提示語作為數(shù)智時代認識論的新話語，有望通過建立人類語言與人工語言之間的對話一致性擴大人類的認知視野并打破限制人類的認知壁壘。未來，人類的每次求問都將借助提示語并為機器提供語料，機器響應的數(shù)據(jù)又將優(yōu)化模型并啟發(fā)人類新的求知。提問的水平越高，提示語設計得越有針對性，越能獲得高質量的響應。在人類參與下大語言模型可以通過持續(xù)“提示語—響應”輪轉創(chuàng)建更可靠的語言模型。因此，更好地設計提示語對于人機對話至關重要。

三、提示語工程：大語言模型教育應用的加速力量

生成式人工智能強勢進軍教育領域并表現(xiàn)出前所未有的通用性，引發(fā)了教育者的思考：如何在教育領域應用大語言模型做我們期望之事？由于簡單的提示并不總是產生預期結果，因此教育相關者必須探索設計高質量的提示語以便引發(fā)期望的行為。提示語工程作為新興領域，為大語言模型的教育應用提供新思路與新動能。

（一）內涵釋義：設計指令引發(fā)預期響應的過程

在自然語言處理和人工智能領域，提示語（Prompt）是用戶向計算機程序或大語言模型提供的一組輸入集或指令集，以引導其響應或行動。教育提示語是學習者或教育工作者為了幫助機器理解人類意圖，使用適合機器理解的自然語言重新組織設計的一組指令集，可以是與教育相關的問題、陳述或帶有參數(shù)的文字描述。通常來說，教育提示語中會包括明確的指令或查詢，便于告訴大語言模型自身的教育需求、意圖或任務類型，以獲得預期的響應。教育提示語工程將專注于教育領域提示語的開發(fā)和優(yōu)化，融合人類思想編程與機器自然語言編程，針對大語言模型應執(zhí)行的任務設計、實施、改進自然語言文本，進而引發(fā)預期準確響應的過程。教育提示語工程能夠幫助教育相關者有效地將大語言模型用于各種教育場景與研究領域，提升大語言模型處理復雜任務場景的能力。

（二）教育價值：人機對話促進教育樣態(tài)的革新

提示語在人類與大語言模型間的高效交互中發(fā)揮重要作用，推動教育場景從數(shù)字化向智能化加速躍遷，通過革新自主學習樣態(tài)、變革教學設計流程、豐富數(shù)據(jù)決策方式，有助于學習者、教育者和管理者更好地掌握開啟大語言模型教育應用潛能的鑰匙（如圖1所示）。

第一，提示語以因人而異的對話內容，能夠為學習者創(chuàng)造定制化學習體驗。借助良好的提示語設計，可以讓生成式人工智能化身數(shù)字規(guī)劃師與個人學術教練，實時回應學習者的需求、偏好與提問指令，按需定制個性化任務清單、工具策略集、學習資源包等，為學習者目標生成有針對性的指導與建議，引導他們在認知建構與問題解決時理解新知、批判思考并提升問題解決能力，支持學習者在測試迭代中識別問題并優(yōu)化改進、在反思評價時獲取測驗練習、在交流展示時結合所學知識釋放想象力。此外，學習者還可以設計提示語定制背景信息與對話規(guī)則，按需添加生成響應時所需考慮的首選項或需求，以便將答案限定在特定主題并以特定格式呈現(xiàn)，設定特定對話規(guī)則以獲得理想答案（如表1 所示）。借助提示語，學習者向機器提問以求知，真正實現(xiàn)個性化生成式學習，使人們期盼了千年的因材施教愿景有了實現(xiàn)的可能。

第二，提示語以循環(huán)連貫的對話進程，能夠為教育者提供全流程設計支持。教育者在定制背景和偏好后，可將大語言模型轉換為對話代理，通過向模型提供對話提示語啟動對話。對話提示語通常包括序言，為對話設置場景，隨后可以提供一些與代理之間的示例對話。在提示語一步步追問指引下，生成式人工智能將化身虛擬教學設計師，協(xié)助教育者制定學習目標，創(chuàng)建適合特定需求的課程大綱與課程計劃，設計定制化的教案學案、作業(yè)測驗、評分細則和其他材料；幫助教師收集并分析數(shù)據(jù)，提供策略支持建議，為差異化教學設計提供創(chuàng)新思路；借助文本轉圖片的提示語設計，實現(xiàn)跨模態(tài)內容生成，啟發(fā)教育者設計引人入勝的教學內容。可見，提示語有助于提高教育者的工作效率，優(yōu)化與改進教學（如表2所示）。

表2 教育者提示語設計示例

第三，提示語以高質穩(wěn)健的對話產出，有望為管理者帶來針對性決策見解。大語言模型可能會產生不真實或不正確的虛構知識，而良好的提示語設計可引導大語言模型快速響應并生成上下文相關、連貫的輸出，允許管理者以有意義、啟發(fā)性方式解釋生成的內容。在提示語指引下，生成式人工智能可化身為戰(zhàn)略分析師，支持管理者把握技術變革動向并建立正確的技術心智模式。譬如，設計提示語“你作為推動變革的領導者，分析AIGC 發(fā)展趨勢，確定三個顛覆性改變學校教育的機會，找出可能徹底改變學校教育的潛在需求、新興技術和創(chuàng)新形態(tài)，為每個顛覆性機會提供詳細描述，包括目標受眾、價值主張、潛在挑戰(zhàn)和實現(xiàn)路線圖，并提供戰(zhàn)略建議”生成的規(guī)劃建議有助于啟發(fā)管理者建立變革意識，洞察智能技術的教育價值及其之于學校變革的重要契機。此外，管理者還可設計提示語對學校教學、管理數(shù)據(jù)進行分析與可視化，識別潛在問題，通過人機協(xié)商與人際協(xié)商，利用大語言模型獲取數(shù)據(jù)并進行循證學校改進。

四、教育提示語工程：數(shù)智時代提示語設計的新話語

提示語工程起初是由提示語工程師使用精心設計的提示將聊天機器人以及生成式人工智能的價值發(fā)揮到極致。然而，與大語言模型對話并非提示語工程師的專利，為了釋放大語言模型在教育中的潛力，教育相關者必須學會設計精巧的提示語以便產生理想的輸出。然而研究發(fā)現(xiàn)，對于非技術用戶而言，為ChatGPT 編寫適當?shù)奶崾菊Z并不簡單，需要經歷試錯過程（Woo,et al.,2023）。

（一）設計框架：提示語設計的“CORE”要素

設計出良好的教育提示語框架，有助于為Chat-GPT 等大語言模型滿足特定教育需求提供更好的指導。吉拉伊（Giray,2023）提出了提示語設計的ICIO關鍵要素，一是指令（Instruction），指導模型行為并引導預期輸出特定任務；二是語境（Context），為模型提供背景知識或額外情境；三是輸入數(shù)據(jù)（Input data），期望模型處理并提供響應的輸入，可以是人工智能生成響應時需考慮的一組數(shù)據(jù)點或示例；四是輸出指標（Output indicator），指定所需輸出的格式、結構或呈現(xiàn)方式，如帶有項目符號的文本層級、信息順序或所需長度等。泰勒（Taylor,2023）提出了提示語設計的五個支柱，包括示例、方向、參數(shù)、格式和鏈接；羅（Lo,2023）提出了教育提示語的CLEAR 框架（簡潔、邏輯、明確、可適應、可反思）。

由于提示語工程可被視為“言說”的邏輯，即以提示輸入指導機器做事，遵循言語行為理論“以言行事”的思想，該理論也被廣泛用于指導人機交互中的協(xié)商對話，因此借助言語行為規(guī)則能夠有效設計提示語。塞爾（2017）認為言語行為的成功需要具備命題內容條件、預備條件、真誠條件、實質條件，以便言者向聽者傳達信息；呂生祿（2015）將上述條件優(yōu)化調整為命題、先決、意圖和語境知信四個條件。借此，我們提出教育提示語設計的“CORE”框架由兩個必備要素（C、O）和兩個可選要素（R、E）構成。其中，“C”代表語境，幫助大語言模型掌握與任務相關的背景信息，涉及主題領域、目標受眾等信息；“O”代表目標，闡明個人意圖并以命題形式表述希望大語言執(zhí)行的任務，包括提出問題、闡明需求或指定格式等，目標的清晰度和特異性直接影響生成內容的相關性和準確性；“R”代表角色（Role）或規(guī)則（Rule），可以增加假設角色讓大語言模型進行思想實驗，也可以預設交互規(guī)則約定對話方式，以便創(chuàng)建定制化交互；“E”代表示例，為大語言模型提供準確的模板，啟發(fā)其生成預期內容。

（二）提示語類型：從基礎到進階的五類指令

教育提示語的分類方式多樣，了解提示語的類型有助于根據(jù)目標響應靈活設計提示語。從言語行為分類看，Halliday 將語言交際過程解析為“任務—內容”兩組變項，涉及“給予—索取”兩類基本任務以及“信息—服務/動作”兩種交流內容，進而構成提供、陳述、提問、命令四種功能（胡壯麟等，2005）。結合“CORE”框架，我們形成了教育提示語設計的分類方式（如表3 所示）。由于教育相關者往往設計提示語以向機器求新知，在此重點關注“索取”和“給予+索取”任務中的提示語設計。前者可稱為基礎提示，僅涉及語境、目標兩個必備要素，后者作為進階提示，可根據(jù)“必備要素+任意一/多個可選要素”方式排列組合。

表3 教育提示語設計的分類方式

基礎提示為大語言模型提供了基于特定情境的簡單命令或待回答的問題，當提問者期望獲得簡短的事實性答案或完成某項任務（如總結一篇文章或回答多項選擇題）時，基礎提示很有幫助。譬如“為六年級地理課設計一個項目化學習作業(yè)”“我是七年級學生，你能幫我解釋工業(yè)革命對現(xiàn)代社會的影響嗎”。提問者通過提出一個暗含言語意圖的問題或命令，并告知大語言模型語境信息，以便建立兩者“認知”關聯(lián)，使大語言模型在特定情境下理解提問者的意圖與指令并做出恰當回應。圖2 呈現(xiàn)了不同語境下大語言模型的響應，使用“語境+目標”的提示語更具針對性，且更能獲得符合特定情境的響應結果。

圖2 不同語境下大語言模型的響應

進階提示結合了給予與索取任務，通過告知大語言模型特定信息與要求以獲取預期響應，包括四類提示（如圖3 所示）：一是示例提示，借助少樣本示例為大語言模型提供準確模板，指導其產生與示例近似的結果，譬如“這是朱自清描寫春天的片段‘……’，模仿其為七年級學生寫出關于夏天的描述”。二是角色提示，為模型分配特定角色或視角以增強人工智能生成的內容，譬如“作為學術導師，根據(jù)我最近對高數(shù)考試的反思，幫我為下次考試設定SMART目標”。三是規(guī)則提示，給予大語言模型約束規(guī)則，引導它遵循設定規(guī)則響應或執(zhí)行對話，譬如“幫助我學習任何科目。先問我要學習的科目，我回答后繼續(xù)提問，確定我感興趣的子主題，給我編號的選項。根據(jù)我的回答，為我提供定制課程，將信息量限制在總范圍的20%左右，這樣我可以自學80%的知識。在課程結束后，針對你希望我關注的特定領域，請給我五個測試題”。四是組合提示，綜合上述多種類型的提示將產生更強大的提示語、獲得更好的響應。

圖3 基于CORE框架的進階提示語類型

“CORE”框架體現(xiàn)了提示語內容設計的結構化思維，為了使大語言模型在教育應用中獲得可靠、一致的結果，還可以運用設計智慧以結構化方式設計提示模板，通過預定義提示語角色、規(guī)則，定制大語言模型輸出方向，降低用戶與ChatGPT 的“認知”負擔，提高二者對提示語的語義認知。在結構化提示語設計中，可以自定義特定屬性詞設計提示語模板，如預設角色，使大語言模型聚焦在對應領域進行信息輸出；明確角色技能，描述期望角色具備的工作技能；定義規(guī)則，限定角色需遵循的規(guī)則要求；約束限制條件，幫助大語言模型減少不必要分支的計算；定義工作流，設置滿足上述角色的工作流程，定義角色與用戶交互的方式；進行初始化，提供語境與提問規(guī)則，描述提示語的目標。通過設計提示語模板，使其像面向對象編程一樣直觀，允許用戶在執(zhí)行其他任務時直接調用。譬如，可以設計促進概念理解的結構化提示語幫助學習者自主提問，并生成關于概念的基本介紹（Lijigang,2023）（如圖4所示）。

五、教育提示語工程的實現(xiàn)：釋放大語言模型的潛力

當前，生成式人工智能在教育應用領域仍處于探索階段，教育提示語工程作為釋放大語言模型潛力的驅動引擎，為新一代人工智能賦能教育變革注入新活力。發(fā)展教育提示語工程，明晰其實踐路向，有望加速教育生態(tài)格局變革與數(shù)字化轉型。

（一）創(chuàng)建面向不同場景的教育提示庫

隨著教育通用人工智能大模型建設的加快，教育提示庫的創(chuàng)建也應納入日程。教育提示庫作為教育提示語工程的基石，是借助計算機技術對海量提示語進行處理，以供索引存儲、自動檢索和統(tǒng)計分析的資源庫。用戶借助經過測試和優(yōu)化的精選指令集能夠簡化提示語設計過程，以高效靈活的方式控制大語言模型的運行，進而獲得更加準確、一致的響應結果，這種方式也能夠降低自然語言存在的靈活性挑戰(zhàn)。理想的教育提示庫應當能夠嵌入不同的大語言模型且具備以下功能：第一，面向多元教育者的全場景應用。教育提示庫應面向管理者、教師、學生甚至家長等教育利益相關者進行創(chuàng)建，覆蓋“教—學—管—評—研”等應用場景，構建面向不同應用場景的特定主題指令集或任務指令模板，對提示語加以組織分類。第二，允許多檢索方式的查找與使用。教育提示庫應支持多種方式的檢索，用戶既可以直接檢索，也可以根據(jù)特定用戶、特定場景、特定主題分類選擇所需提示語，還可以根據(jù)性能指標（如響應時間與準確性、用戶使用率與滿意度等）篩選提示語。第三，支持參數(shù)可選擇的自定義設計。教育提示庫能夠支持用戶按需自定義設計新的提示語，包括提示語標題、描述、模板等，可以根據(jù)“CORE”框架為用戶提供提示語設計支架，如“請?zhí)峁┠谋尘靶畔ⅰ⒄執(zhí)峁┠男枨蠡蛑噶睢⒄堉赋瞿谕野缪莸慕巧?遵守的規(guī)則（可選）、請?zhí)峁┦纠蛇x）”；可以提供多種可選的參數(shù)設計供用戶調整設置（如輸出格式、字數(shù)、質量），譬如Midjourney 作為文本轉圖像平臺，支持用戶在提示語設計時通過調節(jié)參數(shù)調整圖像的生成方式，如設置權重、圖片風格、迭代次數(shù)、縱橫比等。教育提示庫應支持用戶公開分享所設計的提示語，建立獎勵與審核機制，以便他人測試使用。第四，適應針對需求的多層級指引。教育提示庫中可提供提示語設計指南、智能問答助手等，為用戶提供個性化支持服務。第五，提供持續(xù)性更新的可擴展方案。隨著大語言模型的進化和新應用的出現(xiàn)，教育提示庫應持續(xù)更新，及時擴展應用場景、任務主題并更新指令庫，提升其實用性與穩(wěn)健性。

（二）研制教育提示語工程的技術規(guī)范

生成式人工智能作為技術發(fā)展的新興力量，面臨的最大挑戰(zhàn)之一是缺乏標準化，導致不同模型和系統(tǒng)間難以通信和交互，進而引發(fā)混亂、低效甚至不一致的響應。加強GPT 相關技術規(guī)范研制，有助于構建可信安全、好用高效的教育通用人工智能大模型。其中，研制教育提示語工程技術規(guī)范，能夠通過定義清晰的專業(yè)術語、程序步驟、方法技巧等，明確用戶需要遵守的知識性、智能型行為規(guī)范，確保提示語的開發(fā)部署過程高效、規(guī)范且可靠，解決技術規(guī)范滯后于技術發(fā)展的問題。

參照《生成式人工智能服務管理暫行辦法》（國家互聯(lián)網信息辦公室等七部門，2023）、《教育通用人工智能大模型標準體系研究報告》（吳永和，2023）等文件，我們初步構建了教育提示語工程技術規(guī)范（如圖5所示）。第一，總體規(guī)范：作為教育提示語工程的總體框架性規(guī)范，涉及對教育提示語工程中通用術語的統(tǒng)一界定、整體規(guī)范的體系框架以及實施效果的測試評估等，有助于利益相關者建立關于教育提示語工程的統(tǒng)一話語體系。第二，基礎環(huán)境規(guī)范：從基礎硬件、操作系統(tǒng)、輸入輸出接口等方面進行規(guī)定，要求用戶使用具有合法來源的數(shù)據(jù)和基礎模型獲取、處理提示語，并確保教育提示語在不同平臺或模型中部署和使用的兼容性。第三，數(shù)據(jù)處理規(guī)范：定義提示語數(shù)據(jù)的標注方式和格式（如意圖標注、實體標注、槽值標注、意圖關聯(lián)標注等），規(guī)定每個提示語所屬的類別或意圖的標注規(guī)范，確保一致性和可解析性，還可提供明確的標注指南和示例，使標注人員正確理解標注任務。第四，技術支撐規(guī)范：定義模型的數(shù)據(jù)輸入、輸出格式，確保提示語與響應的一致性、可讀性，模型輸入規(guī)范涉和提示語類型、長度、編碼等方面的規(guī)則，以及關于特征提取和預處理方面的規(guī)范；模型輸出規(guī)范涉及響應類型、長度、解碼方式以及后處理流程等方面的規(guī)定；錯誤處理規(guī)范則規(guī)定未知提示語輸入或對錯誤處理提示語時應返回的響應。第五，領域應用規(guī)范：用于指導用戶在不同教育場景下設計與使用提示語。第六，安全隱私規(guī)范：確定用戶對提示語的收集和使用規(guī)范，保障用戶隱私和數(shù)據(jù)安全；定義敏感信息的處理方式和存儲加密措施；規(guī)定模型的權限管理，確保僅授權人員可以訪問并使用模型。第七，部署維護規(guī)范：規(guī)定提示語插入、監(jiān)控和日志記錄要求，及時發(fā)現(xiàn)問題并修復，確保教育提示語的穩(wěn)定性和可擴展性。

圖5 教育提示語工程技術規(guī)范

（三）培養(yǎng)教育領域的“提示語設計師”

提示語設計師作為聯(lián)結個體思想和大語言模型的擺渡者，能夠憑借自身領域知識與數(shù)智素養(yǎng)彌合個體高意識需求與AIGC 能力溝的“最后一公里”。區(qū)別于大語言模型“自投喂”訓練模式，提示語設計師通過使用數(shù)智時代認識論的新話語，為大語言模型提供了來自人類常識性、直覺性經驗的必要補充（喻國明等，2023）。需要指出的是，提示語設計師并非必須具備編程技能或人工智能技術知識，而是需要具備多種軟技能。優(yōu)秀的提示語設計師應該擁有較強的提問和問題解決能力，還應具備領域知識、溝通技能、語言技能、批判性思維、創(chuàng)造力等（Sarah,2023），以便開發(fā)用戶友好、高效可靠的人工智能驅動解決方案。

隨著教育通用人工智能大模型成為教育創(chuàng)新的重要驅動力量，提示語工程逐漸成為教育工作者與學習者需要掌握的新領域，每個個體都將作為提示語設計師直接或間接地設計提示語以指導大語言模型執(zhí)行任務。目前一些在線教育網站（如Udemy、Coursera）推出提示語設計教程，OpenAI 與Deep-Learning.AI 也聯(lián)合推出一小時的提示語設計免費課程，支持學員基于Jupyter Notebook 交互式環(huán)境實時設計提示語，快速積累實踐經驗（DeepLearning.AI,2023）。此外，可借助PromptPerfect 優(yōu)化個體所設計的提示語，借助Chatsonic Prompt Library 提示庫、AIPRM 提示語插件等，通過示例學習為提示語設計提供支架。隨著MidJourney Prompt Helper、Prompt Generator等提示語中介平臺的涌現(xiàn)，未來個體的提示語設計技能將逐步弱化，提問技能、批判技能與創(chuàng)造能力將成為提示語設計師需要具備的關鍵能力，個體需要運用設計智慧搭建基于問題的思維架構，根據(jù)大語言模型的輸出結果進行基于數(shù)據(jù)的批判反思與科學決策，實現(xiàn)面向未知的創(chuàng)造性問題解決。

（四）測評提示語表現(xiàn)性能并防范風險

隨著教育提示語的設計變得愈加復雜且應用范圍不斷擴大，對于充分利用大語言模型而言，測試、評估提示語并持續(xù)迭代顯得尤為重要，需要開發(fā)新的測評方法，衡量提示語在不同教育場景下的表現(xiàn)。ChatGPT 開發(fā)了用于測試提示語的有效性及其引發(fā)響應的RACCCA 框架，涉及相關性、準確性、完整性、清晰性、連貫性和適當性，該框架有助于評估提示和響應，幫助用戶通過迭代提高ChatGPT輸出的質量（Maynard, 2023）。波希明（Beauchemin,2023）建議以測試驅動的方式（Test-Driven Development）發(fā)展提示語工程，以便通過測試提示語擁抱大語言模型的不可預測性，處理由引擎、型號版本、溫度和提示語變化帶來的復雜性，降低提示語設計與模型響應時存在的潛在風險；引入開源評估工具包Promptimize，允許用戶將提示語案例定義為代碼，以便跨越各種應用程序管理，修改和重用提示語；支持創(chuàng)建各種提示變量，將評估功能與提示語關聯(lián)起來，幫助用戶試驗不同的短語、情境或約束，客觀評估生成的響應并優(yōu)化模型性能；允許用戶在不同AI 引擎上運行提示語，并根據(jù)評估指標對輸出進行排名，簡化識別最佳執(zhí)行提示語的過程。此外，該工具包提供了匯總不同提示語性能的報告功能，使用戶能夠做出數(shù)據(jù)驅動的決策，有效迭代所設計的提示語。

由于大語言模型缺乏針對提示語的嚴格驗證機制，導致其易受惡意提示語的干擾輸出不恰當、有偏見或有害的內容，造成“提示語注入（prompt injection）”風險。常見的提示語注入攻擊會讓系統(tǒng)做一些未設計的事情：輕易改變模型的完整性（目標劫持），從初始提示語中獲取敏感或機密信息（提示泄露），繞過模型限制進而執(zhí)行任意任務或輸出違規(guī)任務（越獄攻擊），等等。為了防御提示語注入攻擊，我國大數(shù)據(jù)協(xié)同安全技術國家工程研究中心發(fā)布《大語言模型提示注入攻擊安全風險分析報告》，建議一方面進行網絡安全測評，檢測模型軟件、插件等是否存在安全漏洞，另一方面進行內容安全測評，訓練定制化的提示語測評數(shù)據(jù)集，檢測模型輸出是否安全有效。此外，還建議構建多層次的協(xié)同防御體系以及大語言模型安全風險監(jiān)測預警平臺，推動我國構建安全可信的人工智能（大數(shù)據(jù)協(xié)同安全技術國家工程研究中心AI 安全實驗室,2023）。

六、結語

如果說教育通用人工智能大模型是一幅充滿無限可能性的畫布，教育提示語則是我們在這幅畫布上繪畫的精巧畫筆。無論是教育領域的資深研究者還是充滿好奇心的學習者，掌握教育提示語都將幫你敞開一個充滿無限發(fā)現(xiàn)與創(chuàng)意的大門。嘗試運用教育提示語的設計藝術與大語言模型交互，將會真正釋放人工智能的創(chuàng)造潛力，在教育數(shù)字化轉型中探索無盡的可能性。本研究試圖拋磚引玉，提出教育提示語的設計框架以及教育提示語工程的實現(xiàn)思路，以求更多教育共同體致力于教育提示語設計的方法探索與實踐應用。