提示工程推荐：《第7章形式语言风格提示》读书笔记-优快云博客

本文链接：https://blog.youkuaiyun.com/alphaAIstack/article/details/147342997

探秘 AI 原生应用开发：〈提示工程原理与实战〉研读笔记系列
🛒 京东图书：https://item.jd.com/14976580.html

最近，我阅读了《AI
原生应用开发：提示工程原理与实战》一书，它为我打开了大语言模型与提示工程领域的新视野。为了更好地消化书中的知识，加深对相关内容的理解，我决定撰写一系列的读书笔记。

在这里插入图片描述

一、核心内容概述

本文聚焦于形式语言风格提示在大语言模型与AI原生应用开发中的应用。自然语言灵活但模糊，形式化语言规范精确，大语言模型能融合两者。文章引入“flp”形式化提示语言，详细介绍其在增强提示方面的多种应用，如编译器提示、数据类型定义、运算指令和控制结构等。同时探讨大语言模型在编写代码、代码解释与改写、错误检查等方面的提示技术，旨在为开发者提供利用形式语言提升大语言模型应用效果的方法。

二、重点知识梳理

（一）形式语言增强提示

编译器提示：通过特定格式“#！flp”及对语言的描述，让大语言模型识别代码语言类型，明确代码段与其他部分，便于其解析和执行代码，与常见脚本文件开头声明类似。
数据类型
- 字符串：用双引号包裹文本定义字符串变量，可方便拼接和输出，简化文本处理描述。
- 列表：以“[]”定义，能存储和操作同类型数据，通过索引或循环访问内容，实现数据管理和处理。
- 字典：利用“{}”表示键值结构，通过键读取或修改值，高效管理大量关联数据。
- XML和YAML：作为标记语言，可清晰描述数据结构和内容，在“flp”中用类似XPath语法操作，方便数据交换和处理。
- 表格：以CSV、HTML - Table、Markdown等多种形态呈现，在“flp”中可通过类似Pandas或SQL的方式进行查询、插入和更新等操作，实现对表格数据的灵活处理。
运算指令：“flp”的运算指令丰富，包括自然语言任务描述、输出执行结果、赋值运算、字符串占位、连接字符串、属性/索引选择、执行字符串代码、判断字符串是否在序列中、比较运算和逻辑运算等，增强了自然语言提示表现力，帮助大语言模型处理复杂逻辑。
控制结构
- 函数调用：采用后置返回类型写法提升提示模块化和可维护性，支持函数重载，使大语言模型根据不同参数执行不同功能。
- 条件控制：通过“if”语句和比较操作符，依据特定条件执行不同代码块，可结合“IN”关键字检查数据，还能按语义或字符串绝对相等判断。
- 循环控制：“for”循环用于遍历数据结构，进行相似度比较等操作；“while”循环可实现持续交互，如问卷调查中的问题生成和数据收集，直到满足特定条件。

（二）利用大语言模型编写代码

代码生成提示
- 基于需求生成：简单任务可直接描述需求生成代码；复杂任务分澄清需求、生成初版代码、优化代码细节三个阶段，逐步完善代码。
- 单元测试代码生成：大语言模型可利用pytest框架编写单元测试代码，提升测试编写效率，开发人员在此基础上调整补充细节。
- 基于文档生成：依据设计文档、API说明等文档的功能描述和接口规范，大语言模型可生成相应代码，提高开发效率。
- 场景模拟生成：对于涉及大量背景知识的代码生成任务，模拟特定编程环境（如Linux操作系统、MySQL终端），帮助大语言模型获取先验知识，生成相关代码输出。
- 跨语言迁移代码：大语言模型能在不改变功能的前提下，将代码从一种语言转换到另一种语言，解决跨语言迁移难题。
- 代码补全：大语言模型不仅能在语法层面补全代码，还能结合代码语境、语义和特定领域知识，提供更智能的补全建议，提升编程体验。
代码解释与改写提示
- 代码解释：大语言模型可分析代码结构、语法和语义，解释代码功能，还能生成UML图展示代码调用关系等，帮助开发者理解代码。
- 代码改写：简单改写可直接对话告知，复杂任务通过在代码注释中使用类似<Modify>标签标记修改范围，指导大语言模型改写代码并遵循代码规范添加注释。
错误检查提示
- 错误分析：从源代码分析，大语言模型可根据代码功能和代码内容查找潜在问题；从错误日志分析，结合错误信息和源代码排查错误，提出修改建议。
- 代码审查：大语言模型通过学习代码特征，能深入理解代码逻辑，发现潜在问题并提供优化和重构建议，弥补传统代码审查工具在理解代码语义和上下文方面的不足。

三、学习收获与思考

（一）收获

学习本文后，我深入了解了形式语言风格提示在大语言模型应用中的重要性和多样性。掌握了“flp”形式化提示语言的各种用法，以及大语言模型在代码编写全流程中的提示技术。认识到形式语言能增强提示准确性和表现力，大语言模型可大幅提升编程效率，但也需开发者结合专业知识评估和修正。同时，理解了不同提示技术的适用场景，为在实际开发中选择合适方法提供了依据。

（二）思考

在实际应用中，大语言模型的提示技术虽强大，但存在模型生成结果不稳定、对复杂业务逻辑理解不深入等问题。如何进一步优化大语言模型提示技术，提高其稳定性和准确性，是需要研究的方向。不同提示技术在不同开发场景下的组合使用也有待探索，以实现开发效率和代码质量的平衡。此外，随着技术发展，新的编程语言和开发框架不断涌现，如何让大语言模型和形式语言风格提示更好地适应这些变化，也是开发者面临的挑战，需要持续关注技术动态，探索新的应用方式。