原贴链接

我常常陷入编写、重写和优化提示的无尽循环中。到目前为止，我可能已经写了一千页甚至更多，足以填满一本书。

有些日子，一切都很顺利，模型产生了惊人的结果。其他时候，我不得不回溯甚至从头开始。当然，还有无尽的测试。

我对编写完美提示的痴迷几乎占据了全部精力。我甚至在梦中都在思考提示。

AI建议我休息、散步等。我发现玩游戏有帮助，比如玩《地狱潜兵》和《瓦尔哈拉》。

但我很好奇——你们会因为编写提示而感到疲劳或倦怠吗？你们是如何应对的？

讨论总结

原帖作者阐述在提示词创作过程中面临的倦怠，写了大量的提示词且不断修改完善，有时结果不佳，甚至梦里都在想提示词。评论者们纷纷提供自己的看法和应对方法，涵盖从调整心态看待完美提示词、利用各种工具和模型辅助创作、优化提示词创作的流程等方面，讨论氛围积极且富有建设性。

主要观点

  1. 👍 明确提示词创作目标并接受不完美
    • 支持理由：清楚创作目的有助于更好地创作，认识到无法达到绝对完美但仍朝着目标努力能减轻心理负担。
    • 反对声音：无明显反对。
  2. 🔥 不过度优化提示词
    • 正方观点：过度优化花费时间多收益小，还可能因小失大，新模型不断推出也不存在通用完美提示。
    • 反方观点：无明确反驳，但部分人认为在特定任务下需要一定程度的优化。
  3. 💡 利用外部工具或模型减轻创作负担
    • 解释：如使用LLM聊天机器人、DSPy和Zenbase工具、系统提示生成器等，或利用其他AI模型的能力来生成或优化提示词。
  4. 💡 通过休息和调整生活方式缓解倦怠
    • 解释：包括休息、进行身体活动、玩游戏等方式让大脑放松，从而更好地应对提示词创作。
  5. 💡 优化提示词创作流程
    • 解释：例如将提示分解为小块或具体指令分别测试完善，记录LLM调用进行数据驱动评估等。

金句与有趣评论

  1. “😂 ArsNeph：What you need to understand is that prompt engineering is like most things, 20 - 30% of the knowledge will get you 80 - 90% of the results.”
    • 亮点：用数据直观地表达在提示词工程中过度优化后面部分收益低。
  2. “🤔 GimmePanties：Does the 80:20 rule not apply? Ie you could spend 80% more time to get 20% results.”
    • 亮点：引用80:20法则来阐述在提示词创作中不应过度投入。
  3. “👀 Everlier：I feel for you. I’ve spent the whole last weekend mixing in spaces and l33t speak into prompts to see how it changes output on a few baseline questions.”
    • 亮点：分享自己的独特实验经历，体现提示词创作的复杂性和探索性。
  4. “🤔 Slight - Living - 8098: Ummm… I feed my base prompt into a LLM and let it generate hundreds of new prompts based on my criteria while I go do other things.”
    • 亮点：提供一种利用LLM减轻自己编写提示词负担的有趣方法。
  5. “😂 MrSomethingred：Is this the AI trying to convince us to stop pestering it with questions?”
    • 亮点：以幽默讽刺的方式对AI的建议提出质疑，引发思考。

情感分析

总体情感倾向积极，大家都在积极为原帖作者出谋划策。主要分歧点在于是否需要追求完美的提示词以及如何更好地利用AI工具。可能的原因是大家对提示词创作的目的、价值以及AI能力的理解和期望有所不同。

趋势与预测

  • 新兴话题：自托管LLMs以及编写微调数据集相关书籍调整模型的话题可能会引发后续讨论，因为这涉及到从根本上改善提示词创作的方式。
  • 潜在影响：如果这些方法被广泛认可和应用，可能会改变提示词创作的模式，提高创作效率，减少创作者的倦怠感，也可能影响到相关AI技术的发展方向。

详细内容：

《探讨提示写作的疲劳与应对策略：Reddit 热门讨论》

在 Reddit 上，一则题为“Prompt-Writing Burnout? How Do You Cope?”的帖子引发了热烈讨论。该帖作者倾诉了自己在提示写作过程中的困扰，称已写了大量内容，却时常陷入反复修改甚至从头再来的困境，甚至做梦都在思考提示。这篇帖子获得了众多关注，引发了大家对于提示写作疲劳的深入探讨。

讨论的焦点主要集中在如何应对提示写作带来的疲劳与压力。有人认为，要明确写作目标，不断学习优秀范例并向他人请教，同时保持对目标的清晰认知，如此或许能改进提示写作。还有人觉得应接受当前 AI 的局限性，着眼于其优势，避免过度追求微小的提升而忽略大局。

有用户分享自己的经历，比如整个周末都在尝试不同的提示方式以观察输出变化。也有人指出，不同的模型工作方式不同，提示写作并非能在所有模型间通用的技能，且每次版本更新也会有所差异。但也有人认为，提示写作存在一定的工程性，通过开发基础提示并为特定模型定制提示是具有可转移性的。

一些用户提出了有趣的观点和应对方法。比如利用“提示之提示”，将提示生成外包给 LLM 聊天机器人；有人通过让 LLM 根据自己的标准生成大量新提示，再进行筛选和编辑；还有人使用特定工具如 DSPy 和 Zenbase 来自动化提示生成过程。

然而，也有观点认为追求完美提示并非必要，大多数时候结果“足够好”就行。有人建议保持简单，避免过度复杂的提示，当出现疲劳时适当休息，将提示拆分成小块分别测试完善。

总之，这场讨论展现了大家对于提示写作这一新兴领域的多样观点和思考，让我们更深入地理解了其中的挑战与应对策略。