喻國明?曾嘉怡?黃沁雅

【摘要】? 以ChatGPT為代表的生成式AI預訓練語言大模型的豐富應用，提供了具體有效的關于智能物聯(lián)時代的想象，而在現(xiàn)實世界、實體經(jīng)濟的“產(chǎn)業(yè)數(shù)智化”過程中，新興職業(yè)提示工程師走進了人們的視野。隨著生成式AI語言大模型越來越復雜，其回答質量不僅取決于底層算法和訓練數(shù)據(jù)，還取決于其接收的提示（問題表達）的有效性。以生成式AI語言大模型的訓練與應用為例，闡述提示工程師作為數(shù)智產(chǎn)業(yè)化、智能傳播生態(tài)格局變化過程中的重要中介變量所起到的加速器價值與作用。

【關? 鍵? 詞】大模型；數(shù)智時代；提示工程；ChatGPT；生成式AI

【作者單位】喻國明，北京師范大學新聞傳播學院；曾嘉怡，北京師范大學新聞傳播學院；黃沁雅，北京師范大學新聞傳播學院。

【中圖分類號】G253【文獻標識碼】A【DOI】10.16491/j.cnki.cn45-1216/g2.2023.11.005

生成式AI（生成式人工智能）浪潮極大地改變了內(nèi)容生產(chǎn)的傳統(tǒng)范式，以ChatGPT為代表的生成式AI將進一步實現(xiàn)人類自由度的擴張，將人類從繁雜的機械性、重復性的智力勞動中釋放，實現(xiàn)真正意義上微?；瘋€體的激活。依托生成式AI的文案撰寫、插畫師、虛擬數(shù)字人、營銷策劃師等新興職業(yè)大量出現(xiàn)［1］。2023年4月12日，知名公關公司藍色光標宣布無限期停止創(chuàng)意設計、方案撰寫、文案撰寫等相關外包支出，遏制核心能力空心化趨勢，全面擁抱AIGC［2］。這不禁引人深思：AIGC具備替代人類的完全或絕大部分能力嗎？答案顯然是否定的。就現(xiàn)狀而言，在沒有專業(yè)提示工程師（Prompt Engineer）幫助的情況下，AIGC只能滿足人們一般性、非結構性、層次單一的提問需求，難以滿足針對特定領域、特定人群的高層次、結構化、復雜專業(yè)的需求。提示工程師作為一種新職業(yè)應運而生，其憑借專業(yè)素養(yǎng)和數(shù)智素養(yǎng)彌合了人類高層次需求與AIGC之間能力溝的“最后一公里”，協(xié)同需求者實現(xiàn)生成式AI較為深層意義上對用戶的重大賦能賦權。

一、問題提出的背景

1．應用之殤：預訓練語言大模型與應用之間的溝壑

“數(shù)智時代”勾勒出數(shù)字智能世界中各生產(chǎn)要素的升維融合與結構化的重新連接能產(chǎn)生的巨大價值增值。這里的連接指的不僅僅是生產(chǎn)要素和知識的連接，更是各領域技術之間有機的連接與整合，從而呈現(xiàn)一種全新的文明狀態(tài)。當前，ChatGPT為生成式AI預訓練語言大模型應用提供了具體有效的關于智能物聯(lián)時代的想象，而在現(xiàn)實世界、實體經(jīng)濟的“產(chǎn)業(yè)數(shù)智化”過程中，新興職業(yè)提示工程師走進了我們的視野。

本文將以生成式AI語言大模型的訓練與應用為例，闡述提示工程師作為數(shù)智時代產(chǎn)業(yè)化、智能傳播生態(tài)格局變化過程中的重要變量所起到的加速作用。隨著ChatGPT等人工智能語言大模型越來越復雜，其回答質量不僅取決于底層算法和訓練數(shù)據(jù)，還取決于其收到的提示問題的有效性。當用戶提出的問題越來越具有挑戰(zhàn)性，人工智能也就需要更多的提示來理解問題，從而生成更準確的答案。設計良好的提示可以引出有意義和信息豐富的回答，而構造不良的提示可能導致不相關或無意義的輸出。

2．小成本方案：提示學習

有研究者提出以GPT-3、PET為首的一種基于預訓練語言大模型的新范式——提示學習（prompt learning）［3］，旨在通過添加模板的方法來避免引入額外參數(shù)，讓語言大模型可以在小樣本場景下達到理想的任務效果。目前，提示學習已經(jīng)運用到分類、信息抽取、問答、文本生成、多模態(tài)學習等多個NLP領域。

提示學習是讓各種下游任務“遷就”預訓練語言大模型，需要對下游任務進行重構，使其達到適配預訓練語言大模型的效果。從本質上看，提示工程是一門給AI語言大模型提供問題或命令的藝術，并優(yōu)化模型性能來保證達到預期的結果。比如，文本情感分類任務中，輸入“我喜歡這部電影”，希望輸出的是“正面/負面”中的一個標簽，可以設置一個提示模板如“這部電影是___”，然后讓大模型用表示情感狀態(tài)的標簽，將空白部分補全預測進行輸出。所以，給定合適的提示模板，可以無監(jiān)督的方式訓練單個的語言模型，完成下游的訓練任務。

3．階段性需求：AIGC從輔助生產(chǎn)到獨立生產(chǎn)的變革

百度創(chuàng)始人李彥宏提出AIGC經(jīng)歷的三個發(fā)展階段，即輔助人類進行內(nèi)容生產(chǎn)的助手階段、以虛實并存的虛擬人形態(tài)出現(xiàn)的協(xié)作階段和獨立完成內(nèi)容創(chuàng)作的原創(chuàng)階段［4］。目前，AIGC正處在輔助用戶進行內(nèi)容生產(chǎn)和部分人機協(xié)作的發(fā)展階段，要徹底實現(xiàn)虛實并存的內(nèi)容生產(chǎn)乃至完全獨立的AI內(nèi)容生產(chǎn)還需要一定的磨合和調整。

要實現(xiàn)對AI語言大模型進行融合訓練的目標，需要對大模型精調、提示工程、知識增強、檢索增強、人類反饋的強化學習（RLHF）等大模型相關新技術進行深入探索和綜合應用，而提示工程則可能是貫穿所有技術學習過程，具有外部激發(fā)性和內(nèi)部驅動性的重要任務。

二、提示工程師“立身之本”：AIGC用戶深度價值實現(xiàn)的服務者

AIGC作為一種革命性的技術，要想真正發(fā)揮其社會價值，切實地服務用戶，就要主動地尋找符合當下用戶需求、適應當下用戶能力模型的切口，真正地做到社會性應用。提示工程師承擔的正是這樣的角色：通過對用戶需求的洞察和整合，在對大型語言模型邏輯解析的基礎上反向調控語言模型，輸出更高效的模型能力調用方案，包括單語言模型內(nèi)的能力調用和多平臺的多維深度調用，提升用戶服務效率。

提示工程師對AIGC用戶的服務實現(xiàn)路徑主要通過模型理解和輸出兩方面的能力提升來完成。從技術角度看，像ChatGPT這樣的大型自然語言模型依靠兩個關鍵性步驟來完成內(nèi)容輸出：其一是以互聯(lián)網(wǎng)上的大型語料庫訓練人工智能神經(jīng)元網(wǎng)絡；其二是確保人工智能生成的內(nèi)容更符合用戶預期，即要為人工智能撰寫文本提示語。這就催生了一種新的職業(yè)類型——提示工程師。提示工程師可以訓練大型語言模型，幫助AI更好地理解需求，完成專業(yè)任務。他們需要將復雜的任務拆分成簡單的自然語言，給出指令，以獲取更準確的答案，從而讓人工智能發(fā)揮最大潛力，為AI服務于企業(yè)使用提供更多便利。Lo.Leo S提出用于提示工程的CLEAR框架，其為AI語言大模型編寫有效提示語提供一種標準方法，強調五個基本組成部分：簡明（Concise）、邏輯（Logical）、明確（Explicit）、可適應（Adaptive）、可反思（Reflective）［5］。這就要求提示工程工作需要持續(xù)性地關注語言表達和方法調整，在人機互動中實現(xiàn)兩者思維的同頻和共通，這也成為衡量提示工程師貢獻質量的關鍵能力模型參考。

三、提示工程的服務邏輯與技術迭代

1．基本提問場景

在對提示學習的技術實現(xiàn)展開探討之前，首先要對大型自然語言模型的提問場景進行基本的區(qū)分，以便對特定的提問場景進行語言訓練和調整。在此，本文的區(qū)分標準不取決于目前以ChatGPT為主的語言大模型在實際工作學習中的應用場景（如學術論文、商業(yè)寫作、代碼撰寫等），而是對不同需求的基本場景加以區(qū)分。

（1）基本答疑

在這一場景中，可以分為基本問答、案例輔助回答以及思維推理三種情況。在基本問答場景中，語言大模型會根據(jù)使用者的問題直接給出答案；在案例輔助場景里，很難通過文字指令描述清楚答案需求的時候，可以通過使用者給出案例提示來輔助大模型回答問題；在強調邏輯思維的推理提問中，需要充分發(fā)揮提示的重要作用，引導大模型沿著特定的思考路徑進行推理演算。

這一場景也是最基礎、當前應用最廣的AIGC服務場景，通常以大模型和用戶之間多輪、遞進的“聊天”形式展開，是用戶體驗獲取最直接廣泛的接口。不同的語言大模型擅長的問題領域也不盡相同，提示工程師需要針對大模型進行內(nèi)容和形式的微調。提示工程在這一場景中往往能總結出一些重要的使用技巧，如在闡述指令時優(yōu)先告知大模型“能干什么”而非告知大模型“不能干什么”，以及增加示例等。更高階的提示工程則體現(xiàn)在對大模型推理能力的調用上，如對于應用計算的推導等。

（2）導向型內(nèi)容生成

除了回答問題，另一個重要的場景是讓大模型根據(jù)使用者的要求完成一些內(nèi)容生成任務，包括但不限于編寫代碼、撰寫腳本和創(chuàng)作故事等。提示工程在這類提問場景中的貢獻是提升目標的明確性和引導詞的正確應用。如在要求大模型提供一個宣傳文案時，“需要包括兩條活動亮點與一條標語”“字數(shù)在100字以內(nèi)”之類的明確提示能夠讓AI更直接而快速地給出需要的內(nèi)容；針對代碼生成的提問場景、引導詞（提示）的關鍵部分，在技術實現(xiàn)路徑里將進一步細化。

（3）內(nèi)容簡化、升級與拓展

內(nèi)容升級與拓展的提問場景細化到具體工作上，主要是承擔內(nèi)容改寫和信息轉換的功能。在使用者給出一段內(nèi)容并加以提示后，大模型會對其進行翻譯、轉碼、修改、潤色等改寫工作，或是將一段代碼的具體含義和運行目的加以解釋。這其中對大模型的提示將更注重調整其最終呈現(xiàn)的語言風格以迎合適應性對象，減少基礎的語義錯誤并增強內(nèi)容可讀性。

人們往往面對大量的文字材料和夾雜其中的任務要求不知所措，甚至對關鍵性信息的提取也常常存在誤差。在這一場景里，提示工程需要達成的訓練目的是對內(nèi)容文本的轉換程度通過提示語來把握，即“我需要你要簡單到什么程度”“我需要你歸納成幾個部分”。提示工程工作涵蓋歸納、解釋、提取等，除了需要對一段內(nèi)容的核心信息、中心內(nèi)容進行理解性濃縮，還要將復雜專業(yè)的內(nèi)容通俗化，輸出另一種更為基礎的、非專業(yè)人士能接受的解釋。

2．技術實現(xiàn)路徑

（1）提示元素（ICIO）

為了探索出一個更好的AI語言大模型提示框架，筆者在查閱了包括Github在內(nèi)的大量開源平臺后，發(fā)現(xiàn)一位獨立的機器學習和NLP研究人員Elvis Saravia總結了ChatGPT Prompt的四大元素［6］，筆者將其概括為IOIC框架，并嘗試將此作為提示工程的底層架構。Elvis Saravia認為，一個最基本的提示語言里需包含四個元素，由一個必要元素和三個可選元素組成：必要元素Instruction（指令），即我們希望大模型執(zhí)行的具體任務；可選元素Context（背景），即上下文信息，以引導大模型做出更好的反應；可選元素Input Data（數(shù)據(jù)輸入），即告知大模型需要處理的數(shù)據(jù)和文本；可選元素Output Indicator（輸出指示器），即告知大模型我們要輸出的類型或格式。

作為提示工程的底層架構，在撰寫提示時可以根據(jù)“必要元素+任意一個或多個可選元素”的基本框架來排列組合。以上文導向型內(nèi)容生成的提問場景為例，可以采用“指令+背景+輸出指示器”的形式來提問：“請幫我生成一篇運動員的介紹+他還沒有退役而且取得過世界冠軍+請分成三段論述并控制在500字以內(nèi)”。

（2）實踐原則（TESRS）

在問答場景里，為了讓AI語言大模型回答更加準確，提示工程可以從以下幾個具體實踐原則出發(fā)，根據(jù)其英文關鍵詞，本文用TESRS原則來概括。

第一，To do and Not to do（告訴大模型做什么&不能做什么）。在OpenAI提供的最佳實踐文檔里提到：與其告知大模型不能干什么，不妨告訴大模型能干什么。但在實際應用中，當已經(jīng)給予大模型很明確的提示點，之后想進一步縮小范圍，可以適當增加一些Not To do（不要做什么），以提高效率。比如，第一問（To do）：給我推薦一部流行的電影；第二問（Not to do）：不要日本的電影。

第二，Example（給出示例）。在某些場景下，使用者能比較簡單地向AI語言大模型描述出什么能做、什么不能做。但有些場景和需求很難通過文字指令傳遞給大模型，即使描述出來也不能很好地讓人理解。例如，給寵物起英文名，可能會夾雜著一些所謂的名字風格，相比于用“起一個帥氣的名字”提示，此時通過增加一些例子如“起一個像超人一樣的英雄風格的名字”，更恰當些。

第三，Select（使用Select等引導詞）。在代碼生成環(huán)境里，可以通過增加一個代碼的引導，告知大模型已經(jīng)將條件描述完了，可以輸出代碼了。如使用Select可以提示大模型輸出SQL代碼，使用import可以提示大模型輸出Python代碼。

第四，Role（增加假設角色）。這個技巧強調在提示語中增加一些角色相關的內(nèi)容，讓大模型生成的內(nèi)容更符合人們的需求。例如，在改寫的提問場景可以在案例前加入一段提示語，讓大模型假設自己是一個小學老師，并且很擅長將復雜的內(nèi)容轉變成七八歲小朋友也能聽懂的話。

第五，Symbol（使用特殊符號分隔文字）。不管是信息總結還是信息提取，在輸入大段文字甚至多段文字時，可以用"""或###將指令和文本分開。根據(jù)一些開發(fā)人員的測試，當文本有多段時，增加"""或###可提升AI反饋的準確性。

3．大模型迭代反饋

傳統(tǒng)的自然語言處理技術通常需要在大量標注數(shù)據(jù)上進行有監(jiān)督的訓練，以便大模型可以對特定任務或領域進行準確的預測或生成輸出。但如Zero-Shot Prompting、Few-Shot Prompting等自然語言處理技術，往往可以通過預先訓練的語言大模型和一些示例或提示，來幫助大模型實現(xiàn)推理和生成輸出，即在經(jīng)過提示工程師的訓練后，計算機模型就能根據(jù)簡單的提示或指令進行任務處理，不需要根據(jù)特定的任務范圍和領域加大訓練。如向大模型提問關于一部電影的具體情節(jié)，其不再需要就電影領域的相關知識提前進行預測和訓練即可輸出答案。

四、提示工程價值作用的關鍵性特征

1．生成性人本化

提示工程的關鍵性特征之一是對人工智能語言大模型生成性提升的全面加速，降低用戶使用門檻，提升技術服務效率。提示工程師將場景理解、話語表達的結構以簡明扼要的形式快速輸入大模型中，力求高效地指導模型識別、學習和整合用戶的個性化要素并有機呈現(xiàn)，彰顯當下人工智能語言大模型將要素結構化的能力特征，使人工智能語言大模型更好地理解更復雜、更專業(yè)的任務指令，并以一種用戶能聽懂、愿意聽的形式輸出結果。

人工智能的優(yōu)勢在于能夠通過結構性的、跨領域的、無邊界限制的知識、技術間的連接重組突破人類認知的新邊界，最終與人類相互耦合形成“具身關系”［7］，成為人類能力的強大補充。這種狀態(tài)對AIGC的生成性提出了高要求：以一種和人類的語義表達習慣接近的結構將海量的資料梳理整合并輸出。這就要求人工智能對文本，對與用戶、場景的關系有快速理解與高超的表達能力。而當下的AIGC更多地以一種原始、共情、討好與知識提供的形式出現(xiàn)在傳播世界中，預訓練語言大模型與實際的用戶應用之間依然存在使用溝壑，用戶短期內(nèi)依然需要較大的學習成本來實現(xiàn)人工智能語言大模型的真正應用。這實質上就是在“教導”人工智能語言大模型完成用戶關系建立，從“聽懂”到“讓用戶聽懂”，在連續(xù)性對話中持續(xù)提升生成內(nèi)容和任務需求的匹配度，加速生成式AI語言大模型的生成性形成。

2．連接性升維

提示工程師極大地推動人工智能的連接性提升，走向智能互聯(lián)時代。這種連接性的推動可按中短期和長期兩個階段來討論。

在AIGC發(fā)展初期，提示工程師能夠實現(xiàn)各個大模型功能性的深度調用，在充分理解剖析各大模型的優(yōu)劣基礎上按需調用，為用戶提供綜合性的AIGC需求解決方案，彌補AIGC技術發(fā)展初期各個獨立大模型之間的能力壁壘。在這個階段，提示工程師實現(xiàn)的是用戶和語言大模型之間以及不同模型之間的連接，是為大模型進一步發(fā)展完善后的互聯(lián)互通搭建基礎能力。

當提示工程師幫助人工智能完成對于個性要素識別、場景和關系的理解識別以及表達能力的提升后，生成式AI語言大模型能夠實現(xiàn)海量的個性化需求定制，滿足“微價值”的實現(xiàn)，以極大滿足長尾需求和邊緣價值要素重新連接的方式給社會提供更深層次的連接可供性，為全方位智能互聯(lián)時代的到來提供更完備的連接能力基礎。在此基礎上，人與人、人與物、物與物的連接也將進一步升維，媒介能進一步突破信息的有限邊界，進一步挖掘并滿足用戶沒有感知到的、潛在的、隱性的需求，使人類憑借媒介的升級迭代不斷突破現(xiàn)實世界的限制，獲得更大的發(fā)展空間。

3．語言大模型“賦魂”

技術的社會化本質是技術邏輯與社會互構的結果［8］。技術落地的最終呈現(xiàn)形式并不僅僅取決于技術邏輯，還有在和社會的互動中逐漸形成并展現(xiàn)的終態(tài)。在生成式AI語言大模型訓練中，大模型投喂的廣泛語料與提示工程師重構工作時投喂的語料與結構模型都會對語言大模型理解和表達方式形成重要影響。

此時，提示工程師區(qū)別于語言大模型“自投喂”訓練模式的另一關鍵特征得以顯現(xiàn)：來自人類必要的社會補充。這種社會價值補充包括人類常識性、直覺性知識結構的輸入，更包括預防或解決算法失靈問題的人工干預。其中，圍繞倫理界限、道德規(guī)則等建立有效的、以人為本的“防火墻”機制尤為重要。

五、提示工程難以突破的困境

1．AIGC內(nèi)容知識產(chǎn)權界定存疑，制約產(chǎn)業(yè)應用與發(fā)展

從著作權法角度來看，AIGC生成內(nèi)容屬于重組式內(nèi)容創(chuàng)新，AIGC目前主要進行人機協(xié)作共創(chuàng)，尚不具備真正的內(nèi)容自主創(chuàng)造能力。其不僅能夠進行語言文字的自動學習生成，AI多模型的圖像整合技術還能生成或修改圖像、視頻，讓人難以察覺。但AIGC引發(fā)的新型知識產(chǎn)權風險正成為知識生產(chǎn)相關行業(yè)領域面臨的迫切問題，尤其在教育、咨詢、藝術等行業(yè)產(chǎn)生極大的法律危機。目前我國現(xiàn)行著作權法中尚未對生成式內(nèi)容的知識產(chǎn)權進行明確界定，這意味AIGC內(nèi)容生產(chǎn)始終游走在法律的邊緣，對內(nèi)容產(chǎn)業(yè)的合規(guī)化運營和發(fā)展造成潛在的威脅，這也將打擊行業(yè)與AI技術融合發(fā)展的積極性和主動性。

2．AIGC內(nèi)容質量尚無保證，缺乏社會化傳播基礎

AIGC模型的內(nèi)容生成是以網(wǎng)絡中大量的現(xiàn)有數(shù)據(jù)為基礎的，通過捕捉上下文內(nèi)容的邏輯結構進行語言重組和表達，但在此之外，AIGC本身會對許多其無法檢索到的信息及訓練數(shù)據(jù)中不存在的內(nèi)容強行捏造，根據(jù)自身預設對后續(xù)詞語進行連接擴充，導致其內(nèi)容輸出在錯誤的方向上越走越遠。就像OpenAI團隊發(fā)布自動生成語言文本的ChatGPT在用戶的提示語下，會生成一定的虛假內(nèi)容，其隱藏在完美的邏輯和語言下，令人難以分辨。

同時，虛擬世界倫理道德的問題也是AIGC發(fā)展的重要阻礙。在與AI技術有關的內(nèi)容生產(chǎn)中，所謂的道德準則、潛在的偏見或歧視性內(nèi)容以及敏感話題和潛在傷害性內(nèi)容如何處理，所屬權或對人的主體性、人腦“意識”定義的沖擊等問題在數(shù)智時代將愈加凸顯。

3．AIGC數(shù)據(jù)收集無序，隱私和數(shù)據(jù)安全隱憂

AIGC生成內(nèi)容所依賴的數(shù)據(jù)可能涉及用戶隱私，為了訓練和改進人工智能生成內(nèi)容的算法，大量的數(shù)據(jù)通常是必需的，這些數(shù)據(jù)可以包括用戶的個人信息、文本、圖像等。同時，在人工智能生成內(nèi)容的領域，可能存在不同組織之間的數(shù)據(jù)共享和合作，這其中的傳輸過程如何保證數(shù)據(jù)不被泄漏或將成為另一大技術性問題。

六、媒介視角下的數(shù)智時代人機深度融合加速

1．提示工程師推動人工智能媒介加速進化

媒介進化理論強調媒介對社會交流和知識傳播的影響，人在這一過程中持續(xù)發(fā)揮著主體性作用。隨著人工智能生成內(nèi)容技術的進步，大型語言模型（如GPT-3）的出現(xiàn)可以使人工智能更好地理解自然語言，而提示工程師則利用這些語言大模型進行訓練，將復雜任務拆分為簡單的自然語言指令，在訓練人工智能更準確地理解人類用戶需求并提供更好答案的過程中，實現(xiàn)對人類工作生活的服務升級。智能媒介進化帶來人類工作效率的提升和信息量邊界的擴展，勢必會給人們帶來生活與傳播在方式、習慣以及理念上的變革［9］，達成保羅·萊文森“服務和滿足人類的需求”這一媒介進化的終極目標。

2．新世界的擺渡者：提示工程師將降低數(shù)智時代的“門檻”

匹配數(shù)智時代的三大入口，具身入口是個體存在感的實現(xiàn)基礎，空間入口與社交入口分別指涉空間存在感和社會存在感兩個維度［10］。從當下現(xiàn)實到數(shù)智時代的虛實接口，需要AI、大數(shù)據(jù)等技術提供支撐，而提示工程師的出現(xiàn)不斷探索人工智能內(nèi)容生產(chǎn)如何更好地服務于人類需求，個人用戶在人工智能的實際應用中獲得感、體驗感、存在感都得到全面的升級。在未來的發(fā)展中，AIGC全方位融入數(shù)智時代入口的構建過程，個體在技術嵌入與虛實融合下的延伸將感知到自身邊界的擴張、身體再造下與萬物互通連接的升級。

概言之，伴隨生成式AI的崛起，生成式AI與新聞傳媒工作者，乃至未來新聞傳媒業(yè)的關系受到前所未有的關注。以ChatGPT為代表的生成式AI具備的強大文本生成能力究竟是造就新聞傳媒業(yè)還是顛覆新聞傳媒業(yè)？這是新聞傳媒工作者在生成式AI浪潮下不得不考慮的問題。對于傳媒組織而言，始終保持對新技術的關注，并不被其固有模式裹挾至關重要［11］。未來新聞傳媒工作者的重要角色之一就是扮演提示工程師的角色，成為自然語言和機器語言的積極中介，并通過中介機制的反饋為語言大模型“賦魂”——不斷注入人本要素。新聞傳媒工作者是客觀事實和新聞傳媒消費者的中介，是以獨特的提示語言幫助新聞傳媒消費者認知和理解相關的世界。因此，新聞傳媒工作者在新形勢下的身份轉變和邏輯重構不僅是順應時代浪潮的選擇，也是媒介發(fā)展的必然。

｜參考文獻｜

［1］張智雄，曾建勛，夏翠娟，等. 回應AIGC的信息資源管理學人思考［J］. 農(nóng)業(yè)圖書情報學報，2023（1）：4-28.

［2］科技圓桌派｜藍色光標全面停用文案外包 GPT開搶廣告行業(yè)飯碗？［EB/OL］. ［2023-04-13］（2023-06-12）. https：//baijiahao.baidu.com/s？id=1763062951314401808&wfr=spider&for=pc.

［3］曾慧玲，李琳，呂思洋，等. 提示學習驅動的新聞輿情風險識別方法研究［J/OL］. 計算機工程與應用，2022：1-8. https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD652m6Nu8km6WbBXXhldTwCzfngMKlwCdm4xecfv0f_aNtAkNh3rRcZN&uniplatform=NZKPT.

［4］郭全中，袁柏林. AIGC與WEB3.0有機融合：

數(shù)智時代內(nèi)容生產(chǎn)的新范式［J］. 南方傳媒研究，2023（1）：36-47.

［5］LO. LEO S. The CLEAR Path： A Framework for Enhancing Information Literacy through Prompt Engineering［J］.The Journal of academic librarianship， 2023（4）：102720.

［6］Prompting Introduction［EB/OL］.［2023-06-12］.https：//github.com/dair-ai/Prompt-Engineering-Guide/blob/main/guides/prompts-intro.md.

［7］喻國明，蘇健威. 生成式人工智能浪潮下的傳播革命與媒介生態(tài)：從ChatGPT到全面智能化時代的未來［J］. 新疆師范大學學報（哲學社會科學版），2023（5）：81-90.

［8］喻國明. ChatGPT浪潮下的傳播革命與媒介生態(tài)重構［J］. 探索與爭鳴，2023（3）：9-12.

［9］郭婧一，喻國明. 數(shù)智時代新“入口”：智能網(wǎng)聯(lián)汽車作為未來媒體的新樣態(tài)［J］. 傳媒觀察，2022（6）：17-21.

［10］喻國明，趙秀麗，譚馨. 具身方式、空間方式與社交方式：數(shù)智時代的三大入口研究：基于傳播學邏輯的近期、中期和遠期發(fā)展分析［J］. 新聞界，2022（9）：4-12.

［11］張建中，坎貝爾西莉亞. 面對ChatGPT，新聞記者不應該有身份危機［J］. 青年記者，2023（5）：97-98.