出自：无人之路 https://zhuanlan.zhihu.com/p/628491327
论文下载：
2303.17580.pdf
HuggingGPT是近期非常火热的Agents方向的一个代表，它让ChatGPT这样的LLM能够使用HuggingFace社区的各种模型（包括但不仅限于文生图、图生文、语音转文字、文字合成语音等），从而让LLM能驱动其他智能Agent，实现多模态能力。
论文原文和中文介绍如下：
其工作原理如下图：
LLM作为控制器（Controller），用来理解用户需求，然后结合HuggingFace社区的模型，将用户任务分解为任务规划（Task Planning）、模型选取（Model Selection）、任务执行（Task Execution）和响应生成（Response Generation）等四个步骤。这是一个比较复杂的工作流，一个典型的任务执行过程如下：
在阅读原文的过程中，我发现HuggingGPT的Prompt设计也是相当“硬核”的：虽然是自然语言的表达，但是其间充满精巧的工程设计心思。下面就来解析一下整个过程中充满匠心的Prompt。
步骤1：任务规划（Task Planning）
该阶段，ChatGPT分析用户请求，理解其意图，将其分解成能被解决的子任务。那么，它的Prompt是什么样的呢？
在上面的Prompt设计中，HuggingGPT综合使用了“基于规范的指令”（specification-based instruction）和 “基于示范的解析”（demonstration-based parsing）的方法。
“基于规范的指令”是指对Task做了规范约束，必须是下面的这种格式，包含任务内容（task）、任务id（id）、任务依赖（dep）和参数（args）等四个要素：
[{"task": task, "id", task_id, "dep": dependency_task_ids, "args": {"text": text, "image": URL, "audio": URL, "video": URL}}]
这种设计从浅层次上讲，是对任务分解过程输出的格式要求；从深层上讲，是对模型调度的系统设计，饱含对整个系统如何工作的深刻理解。特别是这里的dep和args，从程序员的角度看，已经是典型的系统接口设计。
大模型在训练过程中，经历过指令微调和基于人类反馈的强化学习， 已经具备一定的指令遵从能力。为了让它进一步了解要怎么做，Prompt中给它提供了若干“示例”（Demonstrations）。这会激发大模型的基于上下文学习（In-Context Learning）或者叫做Few-shot learning能力，从而产生更好的理解和生成。这就是文章中提到的demonstration-based parsing。
除此之外，Prompt还会给LLM提供Available Task List和Chat Logs，给大模型提供可用的HuggingFace模型列表和对话历史，提供更多、更准确的上下文信息。其中的Available Task List应该就是下面这些，包括自然语言处理、计算机视觉、语音和视频相关的不同类型的任务：
步骤2：模型选择（Model Selection）
为了运行步骤1中规划好的子任务，ChatGPT需要从托管在HuggingFace上的模型中选取合适的模型来执行。这个阶段的Prompt如下：
这个阶段的Prompt比较直白，不过也跟第一阶段的Prompt一样，给LLM提供了比较明确的“备选模型”（Candidate Models）的信息。不过这个“备选模型”数据，不是一个静态不变的，而是有比较精细的加工，其获取过程包括：
- 模型描述获取。需要从HuggingFace网站获取每个模型的功能、架构、领域、许可等各种信息，作为喂给LLM做模型筛选的输入。
- 模型初筛。由于Prompt有长度限制，不能在里面塞入HuggingFace社区上的所有模型描述，因此要对模型进行初筛。初筛的第一个条件是任务类型，根据步骤1的结果，得到task字段就是任务类别，比如“image-to-text”。用这个任务类别，和模型描述中的功能或者分类做匹配即可，得到该任务类型下的所有模型描述。下图就是HuggingFace官网上不同Task对应的模型数。
- 模型细筛。按照任务初筛之后，模型还是会有很多。比如文本生成类的模型，有10000+个，gpt-3.5-turbo的token限制是4096，显然不能包含这个类别的所有模型描述。于是还要进行进一步的细筛。文章中提到是根据模型的下载量取TopN来实现，下载量很大程度上反应了该模型的质量和受欢迎程度，可以作为进一步筛选的标准。
细筛之后的模型描述，就能放在一个Prompt，提供给大模型做基于上下文的学习，进而选出合适的模型。
从上面的过程可以看出，这非常能体现出Prompt Engineering的Engineering部分，要得到最终执行的Prompt，会考量比较多的限制条件，通过编程来动态生成Prompt。
步骤3：任务执行（Task Execution）
任务执行就是唤起选中的模型，执行算法，最后返回结果给到ChatGPT。这个过程不是由LLM执行的，从而不需要Prompt设计。
步骤4：响应生成（Response Generation）
最后，ChatGPT汇集各个模型的运行结果，给用户生成一个答案。这个过程的Prompt是：
再来欣赏一个例子（更多示例见论文原文）：
小结
整个HuggingGPT非常“硬核”的Prompt设计，我觉得非常好地阐释了“提示词工程”（Prompt Engineering）中的“工程性”。它包括下面几个方面：
- Prompt流设计。HuggingGPT不是一个单一的任务节点，而是一个工作流，分成了4个步骤。因此它也不是一个Prompt就能搞定的，需要设计多个Prompt，来承载整个工作流。除了每一步要设计好自己的Prompt之外，还要在Prompt上做好不同任务节点的衔接。
- Prompt动态生成。在步骤2“模型选择（Model Selection）”中，Prompt是动态生成的，其中的“备选模型”部分是通过模型描述获取、模型初筛、模型细筛等一系列过程得到的。这个过程会涉及到系统设计、编程实现等软件工程的实施。这跟传统软件开发中，动态生成用于查询和修改数据的SQL语句非常像，会有一个庞大但精巧的工程来实现它。
- Prompt静态技巧。在任务1“任务规划（Task Planning）”中，Prompt是静态的，这里综合使用了“基于规范的指令”（specification-based instruction）、 “基于示范的解析”（demonstration-based parsing）等常用的Prompt技巧。每一个动态的Prompt在给到LLM的时候，也可以看做是静态的Prompt，因此如何让Prompt更具表达力，就可以综合用到我们前面文章中提到的各种技巧。