当今的生成人工智能模型可以创建从图像到计算机应用程序的一切，但其输出质量在很大程度上取决于人类用户提供的提示。

卡内基梅隆大学的研究人员提出了一种新方法，用于教导日常用户如何创建这些提示并改善他们与生成人工智能模型的交互。

这种方法被称为面向需求的提示工程(ROPE)，它将提示写作的重点从巧妙的技巧和模板转移到清晰地阐述人工智能应该做什么。随着大型语言模型(LLM)的改进，编码技能的重要性可能会下降，而提示工程专业知识的重要性可能会上升。

“你需要能够准确地告诉模型你想要什么。你不能指望它能猜出你所有的定制需求，”人机交互研究所 (HCII) 的博士生 Christina Ma 说道。“我们需要训练人类掌握快速的工程技能。大多数人仍然难以准确地告诉人工智能他们想要什么。ROPE 可以帮助他们做到这一点。”

即时工程是指用户向生成式AI模型提供的精确指令(即提示)，以便生成所需的输出。用户的即时工程能力越强，AI模型就越有可能生成用户想要的结果。

在《计算机协会计算机-人机交互学报》上发表的题为《我们应该在提示中设计什么?在需求驱动的 LLM 使用中对人类进行培训》的文章中，研究人员描述了他们的 ROPE 范式以及他们为教授和评估该方法而创建的培训模块。

ROPE 是一种人与法学硕士 (LLM) 合作的策略，通过明确 LLM 题目的要求，人类可以掌控目标并自主完成。该模式强调制定准确完整的要求的重要性，以取得更好的结果，尤其是在处理复杂的定制任务时。

为了测试 ROPE，研究人员要求 30 名参与者为一个 AI 模型编写提示，以完成两项不同的任务，作为预测试：创建一个井字游戏，并设计一个工具来帮助人们制定内容大纲。随后，一半的参与者通过 ROPE 接受了训练，其余参与者则观看了 YouTube 上的提示工程教程。之后，各小组分别针对不同的游戏和不同的聊天机器人编写了提示，作为后测。

研究人员对比了练习结果后发现，接受过ROPE训练的参与者表现优于观看YouTube教程的参与者。接受过ROPE训练的参与者，前测到后测的得分提高了20%，而未接受过ROPE训练的参与者仅提高了1%。

“我们不仅提出了一个用于教授即时工程的新框架，还创建了一个培训工具，用于评估参与者的表现以及该范式的运作效果，”HCII 大学教授 Ken Koedinger 说道。“ROPE 法不仅有效，而且培训模块也支持了这一点。”

随着传统编程逐渐演变为自然语言编程，生成式人工智能模型已经改变了入门编程和软件工程课程的内容。工程师不再需要编写软件，而是可以编写一个提示来指导人工智能开发软件。

这种范式转变可以为学生创造新的机会，使他们能够在学习早期从事更复杂的开发任务并推动该领域的发展。

研究人员并非仅为软件工程师设计 ROPE。随着人类不断将人工智能融入日常生活，与机器的沟通显然将成为数字素养的一个重要方面。只要掌握了如何编写成功的提示以及能够胜任这项任务的人工智能模型，即使没有编程或软件工程背景的人也能创建出对自己有益的应用程序。

马云说：“我们希望让更多来自普通大众的终端用户能够使用法学硕士 (LLM) 来构建聊天机器人和应用程序。如果你有一个想法，并且知道如何传达需求，你就可以写一个题目来实现这个想法。”

研究人员已经开源了他们的培训工具和材料，旨在让非专业人士更容易掌握快速工程技术。

更多信息： Qianou Ma 等，《我们应该在提示中设计什么?在需求驱动的 LLM 应用中训练人类》，ACM 计算机人机交互学报(2025)。