What You Prompt is What You Get: Increasing Transparency of Prompting Using Prompt Cards
该论文针对大语言模型提示工程缺乏标准化文档与评估的难题，提出受模型卡片启发的“提示卡片”方法，通过结构化记录提示目标、设计决策及评估实践，以提升提示过程的透明度、可复现性并优化文本生成质量。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文提出了一种解决人工智能（AI）领域“黑箱”问题的新方法，叫做**“提示卡”（Prompt Cards）**。
为了让你轻松理解，我们可以把大语言模型（LLM，比如 ChatGPT）想象成一位才华横溢但性格多变的“超级厨师”。
1. 现在的困境：只给菜名，不给食谱
以前，我们评价一位厨师（AI 模型）好不好，主要看他的**“招牌菜”（模型本身）。我们会给模型做各种标准测试（比如“切菜速度测试”或“调味准确度测试”），这就像给厨师发一张“模型身份证”（Model Card）**，上面写着他的学历、擅长菜系和使用的食材。
但是，现在的 AI 时代变了。我们不再只是依赖厨师的“招牌菜”，而是开始**“点菜”（Prompt Engineering）**。我们会给厨师写非常详细的指令：“请用四川口味，把这块牛肉做成像红烧肉一样，但不要放糖，还要加一点柠檬汁。”
问题出在哪？
- 指令太随意： 每个人写的指令（Prompt）千差万别。同样的厨师，你让他“做红烧肉”，他可能做出来是甜的；你让他“做微辣红烧肉”，他可能做出来是辣的。
- 无法复现： 如果你今天写了一个完美的指令，明天换个说法，或者换个时间，厨师做出来的味道可能完全不一样。
- 缺乏记录： 很多人只把“菜”（结果）端上桌，却把“食谱”（指令细节、数据来源、思考过程）扔进了垃圾桶。如果别人想学做这道菜，或者想检查这道菜里有没有毒（偏见、错误信息），根本无从下手。
这就好比厨师说：“我凭感觉做的。”但没人知道他的“感觉”到底是怎么来的。
2. 解决方案：给“指令”也发一张身份证
这篇论文的作者们提出：既然“模型”需要身份证，那么“指令”（Prompt）也需要一张身份证，我们叫它“提示卡”（Prompt Card）。
这就好比在餐厅里，不仅要有厨师的简历，还要在每道菜的菜单上，附带一张**“烹饪说明书”**。
这张“提示卡”里应该包含什么？作者用了一个叫**“文字化”（Wordalisation）**的例子（把枯燥的数据变成生动的故事）来演示，卡片里必须包含：
- 厨师是谁（模型详情）： 你用的是哪个版本的 AI？（因为 AI 经常更新，就像厨师换了新菜谱，味道会变）。
- 这道菜是给谁吃的（预期用途）： 这个指令是给学生看的，还是给专业球探看的？警告： 别拿这个去给职业球队做签约决定，因为数据可能过时了。
- 食材从哪来（数据集）： 你的数据是哪里来的？是维基百科？还是某个问卷调查？有没有包含偏见？（比如，如果数据只来自男性球员，那生成的描述可能就不适合女性）。
- 烹饪环境（上下文）： 你给厨师提供了什么背景信息？比如，“请扮演一个严厉的球探”或者“请引用维基百科关于性格的描述”。
- 烹饪步骤（指令架构）： 你是怎么一步步引导厨师的？先让他看什么，再让他想什么？
- 安全与隐私（数据安全）： 你有没有把客户的隐私（比如病人的名字、身份证号）直接发给云端？如果发给了，有没有风险？
- 伦理与偏见（伦理考量）： 这道菜会不会冒犯某些人？比如，用性格测试来招聘，会不会导致公司只招同一类人，从而失去多样性？
3. 为什么要这么做？（核心比喻）
比喻一：从“考试”到“日记”
以前，我们评价 AI 就像**“考试”**（Benchmarking）。我们给 AI 一套标准试卷，看它考多少分。
- 缺点： 就像如果题目稍微改一个字，分数就天差地别。而且，很多现实世界的问题（比如“把球员数据写成感人的故事”）根本没法出标准试卷。
现在，作者提倡像**“写日记”**一样。
- 优点： 你不需要考满分，但你需要诚实。你记录下：“今天我用这个指令，是因为我想强调球员的团队精神，但我忽略了年龄因素，所以结果可能有点偏颇。”
- 好处： 这样，别人看到你的“日记”（提示卡），就能明白你的思路，知道哪里可能出错，也能放心地模仿或改进你的做法。
比喻二：透明厨房
现在的 AI 应用就像**“透明厨房”**。
- 如果没有提示卡，顾客（用户）只能看到端上来的菜，不知道里面有没有放老鼠药（偏见），也不知道厨师是不是偷工减料（幻觉/胡编乱造）。
- 有了提示卡，就像在厨房墙上贴了**“透明菜单”**。顾客可以清楚地看到：
- “这道菜用了 2022 年的数据（可能过时）。”
- “厨师在描述时，特意强调了‘外向’，但忽略了‘内向’的优点。”
- “这道菜不适合对花生过敏的人（伦理限制）。”
4. 总结：这篇论文想告诉我们什么？
这篇论文的核心思想是：在 AI 时代，光有强大的模型（厨师）是不够的，我们更需要透明的指令（食谱）和诚实的记录（提示卡）。
- 不要只盯着“考试分数”： 传统的 AI 评测（Benchmark）在很多复杂任务上已经失效了。
- 要追求“透明度”： 通过“提示卡”，把那些原本藏在脑子里的、隐形的决策（比如“我为什么选这个数据”、“我为什么这么写指令”）全部显性化地写出来。
- 为了负责任： 这样不仅能防止 AI 胡说八道（幻觉）或带有偏见，还能让普通人、监管者和开发者都能理解 AI 到底是怎么工作的，从而更安全、更信任地使用它。
一句话总结：
以前我们只关心 AI 这个“大脑”聪不聪明；现在，我们要给 AI 的“说话方式”（指令）发一张**“透明身份证”**，告诉全世界：我是怎么想的，我用了什么材料，我可能有什么缺点。这样，大家才能放心地吃下这碗“人工智能”做的饭。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。