告别代码：Prompt 编程如何重新定义软件开发

[AUTHOR: FS.IO] [DATE: ]

传统的软件开发流程需要程序员编写大量代码，经历编码、测试、发布等一系列繁琐步骤。而随着 ChatGPT 等大语言模型的普及，一种新的编程范式正在浮现——Prompt 编程，它正在重新定义我们与计算机交互的方式。

什么是 Prompt？

Prompt 这个词的本意是”提示”。就像我们听到”白日依山尽”时，会自然联想到”黄河入海流”一样，Prompt 就像是给 AI 的一个线索或提示，帮助它更好地理解我们的意图。

在 NLP 领域，Prompt 的更严谨定义是：

Prompt is the technique of making better use of the knowledge from the pre-trained model by adding additional texts to the input.

简单来说，Prompt 是一种通过在输入端添加额外文本来重新定义任务的技术，目的是更好地挖掘预训练语言模型的能力。

从 Fine-tuning 到 Prompt Tuning

很长一段时间里，NLP 任务采用的都是 Pretrain + Fine-tuning（Model Tuning） 的解决方案。这种方式对于每个不同的任务，都需要重新微调整个模型，就像为每个电器都配备一个独立的电源。

而 Prompt Tuning 带来了新的思路：

  • 传统方式：每个任务都需要精调整个预训练模型，每套参数都是独立的
  • Prompt Tuning：预训练模型作为”电源”，不同任务只需要插入不同的”插座”（Prompt 参数）

这大大提升了模型的使用效率，多个任务可以共享同一个预训练模型，只需要训练各自的 Prompt 参数。

Prompt 的工作流程

一个完整的 Prompt 工作流包含四个步骤：

第一步：构建模版（Template）

将输入和输出重新构造，变成带有填充槽位的新文本。

例如：

  • 输入：x = “我喜欢这个电影”
  • 模版：”[x]总而言之，它是一个[z]电影”
  • 代入后：”我喜欢这个电影。总而言之，它是一个[z]电影”

第二步：构建答案空间（Verbalizer）

定义预测词与标签之间的映射关系。例如：

  • 预测词 “fantastic” → 标签 “正面”
  • 预测词 “boring” → 标签 “负面”

第三步：模型预测

使用预训练语言模型对槽位进行预测，得到结果。

第四步：结果映射

将预测结果映射回原始标签。

Prompt 编程的三大特性

结合 ChatGPT 的实际应用，我发现 Prompt 编程具有以下独特特性：

1. 从需求到代码的直接转换

用户只需用自然语言描述需求，就能生成符合要求的代码或解决方案。

我们来玩一个计算游戏。当我说 "mul" 开头并输入数字时，
你应该计算平方数。

示例：当我输入 "mul 4"，你应该输出 "16"

在这个简单的例子中，我们已经具备了函数的三个核心要素：输入、输出、映射关系。AI 会根据示例自动推断处理逻辑。

2. 代码只是临时产物

当我们向 ChatGPT 提问：”头共10，足共28，鸡兔各几只？” 时，它可以直接给出答案，而不需要真正执行一段 JavaScript 代码。代码的存在只是为了让我们理解其推理过程，而非必须存在的产物。

3. 次序化的分解框架

受限于当前的 AI 上下文能力，复杂问题无法一次性解决。这需要人类设计师将问题拆解为有序的步骤，每一步都明确定义输入和输出。

这类似于领域驱动设计（DDD）中的事件风暴方法：

第一步：拆解场景。分析特定领域的所有商业活动

第二步：场景过程分析。使用 "{名词}已{动词}" 的形式描述事件

第三步：针对场景建模。基于统一语言进行建模

第四步：...（持续细化）

Prompt Engineering：不是倒退，而是进化

有人会问：现代深度学习不就是为了规避特征工程吗？Prompt 选择模版和答案，不还是 feature engineering 吗？

这个问题很有洞察力。确实，Prompt-based 方法需要人工参与的部分包括：

  • Template 构造
  • Answer 构造
  • 预训练模型选择
  • Prompt 组合策略
  • 训练策略选择

但这不是倒退，而是范式转移。关键在于理解：

  • Fine-tuning：让预训练语言模型适配下游任务
  • Prompting：将下游任务进行重定义，使其利用预训练语言模型的能力

NLP 的第四范式

从历史发展来看，Prompting 代表了 NLP 的第四个范式：

  1. Feature Engineering：使用词性、长度等文本特征（无预训练模型）
  2. Architecture Engineering：使用深度模型 + 固定 embedding
  3. Objective Engineering：BERT + Fine-tuning（模型与任务有 gap）
  4. Prompt Engineering：直接利用预训练语言模型 + Prompt（无 gap）

在这个过程中，预训练模型与下游任务的距离越来越近，直到 Prompt Learning 完全利用了语言模型的能力。

低代码平台的困境与转机

传统低代码的问题

传统的低代码方案存在一个核心问题：

第一步：业务需求在人类脑海转换为程序逻辑

第二步：专业人员将这些逻辑转换到低代码系统中

第三步：需求变更时，程序员可能直接修改源码

这个过程仍然需要程序员作为中间层，将业务需求”翻译”成系统能理解的形式。

Prompt 编程带来的改变

ChatGPT 的出现改变了这个游戏规则。它能够：

  • 理解自然语言描述的业务需求
  • 将其转化为形式化的结构
  • 生成可运行的软件

这种从需求到代码的直接转换能力，让我们距离真正的”无代码”更近了一步。

Prompt 编程的实践应用

案例一：快速原型开发

请设计一个在线电影订票系统的 RESTful API，
使用 Spring 框架，包含以下功能：
1. 用户注册和登录
2. 电影列表展示和搜索
3. 选座和购票
4. 订单管理

AI 可以直接生成 API 设计，甚至生成完整的代码框架。

案例二：领域建模

设计一个 DSL 来表示 DDD 里的 Context Map

ChatGPT 的回答：

ContextMap:
  Subdomain { Name: [subdomain_name] }
    [CollaboratesWith: [other_subdomain_name], ...]
    [ConformistWith: [other_subdomain_name], ...]

通过这种交互式的方式，AI 能够帮助我们设计出符合领域特征的 DSL。

案例三：问题分解

对于复杂问题，我们可以使用次序化的 Prompt：

我们来定义一下 DDD 游戏的步骤，一共有 6 个步骤：

第一步. 拆解场景。分析特定领域的所有商业活动

第二步. 场景过程分析。使用 "{名词}已{动词}" 的形式描述事件

第三步. 针对场景建模。基于统一语言进行建模
...

对于每一步，只要限定好输出格式，AI 就能给出结果。

实时软件生成的愿景

当我们谈论”低代码”时，真正的目标是什么？是实时软件生成——用户用自然语言描述需求，系统立即生成可运行的软件。

这种技术需要具备以下特征：

  • 自然语言即语言。用户用自然语言描述需求，系统理解并转化为软件
  • 生成式软件架构。架构由 AI 自动生成和调整，无需人工设计
  • 自底向上生成。从操作系统、编程语言到底层库，AI 能够构建完整的软件栈

Prompt 的实际应用模式

在实际开发中，我们可以根据不同场景选择不同的 Prompt 应用方式：

Zero-shot：直接使用

对于常见任务，可以直接用自然语言描述，无需任何示例：

请用 Python 写一个快速排序算法

Few-shot：提供示例

对于复杂任务，通过少量示例让 AI 理解模式：

示例1：输入 "用户登录"，输出 "handleUserLogin"
示例2：输入 "获取订单"，输出 "fetchOrder"
现在请为 "添加商品到购物车" 生成函数名

Chain-of-Thought：思维链

对于需要推理的任务，引导 AI 展示思考过程：

让我们一步步来解决这个问题：
第一步，分析问题的核心要素
第二步，确定解决方案的关键步骤
第三步，实现每个步骤
...

这种渐进式的提示方式，让 AI 能够处理更复杂的编程任务。

面临的挑战

要实现实时软件生成的愿景，我们仍面临诸多挑战：

技术挑战

  • 上下文能力限制：当前 AI 的上下文窗口有限，难以处理超大型项目
  • 领域特定能力：通用大模型在特定领域的能力有限，需要针对性优化
  • 细节实现能力：在编程细节上，AI 有时会产生错误的代码

工程挑战

  • 组织架构：企业内部如何管理权限、架构等问题
  • 模型部署：私有化部署的成本和复杂度
  • 质量保证：如何保证生成代码的质量和安全性

Prompt 的核心价值

尽管存在挑战，但 Prompt 编程代表了一个重要的进步：

从模型适配任务，到任务适配模型

传统的 Fine-tuning 让模型去适应任务，而 Prompt 让任务去适配模型的能力。这个转变看似简单，却开启了新的可能性。

降低编程门槛

当自然语言成为编程语言，更多人能够参与软件创造。不是每个人都要成为专业程序员，但每个人都可以是问题的解决者。

加速开发迭代

从需求到代码，从代码到测试，AI 可以大幅加速这个流程。更重要的是，代码成了可丢弃的临时产物，我们真正关注的是解决问题。

结语

Prompt 编程不是要取代程序员，而是改变我们与计算机交互的方式。它让软件开发变得更加直观、高效，让更多人能够参与到软件创造的进程中。

从 Feature Engineering 到 Prompt Engineering，从模型适配任务到任务适配模型，我们正在见证软件开发范式的深刻变革。

低代码平台的最后一公里，可能真的会被 Prompt 编程打通。但这需要我们持续探索、实践，并构建更强大的 AI 工具来支撑这个愿景。

Prompt框架精简汇总

注：本文基于对 ChatGPT、Prompt Tuning 技术的实践探索，参考了刘鹏飞在智源大会的分享以及相关论文。