大模型技术浪潮下，传统的 对话设计 正在经历一场深刻的变革。作为一名长期从事对话设计的从业者，我常常思考如何应对这种变化，并发现许多同行也面临着相似的困惑。本文将围绕混合体验、Prompt工程、版本控制、A/B测试、系统设计和作品集展示这几个关键问题，探讨大模型时代下对话设计的新挑战与机遇，并尝试寻找一些可能的答案。

对话设计的范式转移：从脚本到Prompt

传统的对话设计往往依赖于预先编写的脚本，通过详细的流程图和分支逻辑来控制对话的走向。这种方式在处理简单、线性的对话场景时非常有效，但在面对复杂、多变的用户需求时，显得僵化且难以维护。

大模型技术的出现，为对话设计带来了新的可能性。基于Prompt的对话设计，允许开发者通过精心设计的提示词（Prompt）引导大模型生成自然、流畅的对话内容。这种方式具有更高的灵活性和适应性，能够更好地满足用户个性化的需求。

然而，完全放弃脚本式设计并不现实。更理想的方案是构建混合体验，将脚本式对话和Prompt式对话有机结合，取长补短。例如，在处理核心业务流程或关键信息时，可以采用脚本式对话，确保信息的准确性和一致性；而在探索性对话、闲聊或需要个性化推荐的场景中，则可以利用Prompt式对话，提升用户的参与度和满意度。

如何设计这种混合体验，如何清晰地向开发团队传达Prompt的意图和预期行为，成为了当前对话设计面临的一大挑战。

Prompt工程：精雕细琢的艺术

Prompt工程（Prompt Engineering）是指设计和优化提示词（Prompt）的过程，它直接影响着大模型生成内容的质量和相关性。一个好的Prompt能够引导大模型生成更符合用户期望的答案，而一个糟糕的Prompt则可能导致模型产生错误、无关或甚至有害的内容。

Prompt工程并非一蹴而就，而是一个迭代优化的过程。它需要对话设计师深入理解大模型的原理和特性，掌握各种Prompt设计技巧，例如：

• 明确目标： 明确Prompt的目标，例如是生成答案、进行分类、总结内容还是进行翻译。
• 提供上下文： 为大模型提供足够的上下文信息，例如用户的问题、对话历史、相关背景知识等。
• 设定约束： 设定大模型生成内容的约束条件，例如长度限制、风格要求、信息来源等。
• 利用示例： 提供一些示例，帮助大模型理解用户的意图，并模仿所需的输出格式。
• 迭代优化： 不断测试和优化Prompt，根据实际效果进行调整和改进。

以电商客服机器人为例，如果希望机器人能够为用户推荐合适的商品，可以设计如下Prompt：

你是一名专业的电商客服，请根据用户的需求推荐商品。

用户需求：我想要一款适合跑步的运动鞋，要求轻便、透气、缓震好。

请从以下商品中选择：
- 商品A：XX品牌跑步鞋，轻便透气，缓震效果好，适合日常跑步。
- 商品B：YY品牌跑步鞋，专业级跑步鞋，缓震效果极佳，适合长跑。
- 商品C：ZZ品牌跑步鞋，价格实惠，适合入门级跑步者。

你的推荐是：

通过不断调整Prompt中的信息和约束条件，可以提高推荐的准确性和相关性，提升用户体验。

版本控制与协作：Prompt的管理难题

在传统的对话设计中，脚本通常存储在专门的平台或工具中，例如Voiceflow、Dialogflow等。这些平台提供了版本控制、协作编辑、测试和部署等功能，方便团队进行协同工作。

然而，对于基于Prompt的对话设计，如何进行有效的版本控制和协作，仍然是一个难题。Prompt通常以文本形式存在，难以进行版本追踪和冲突解决。此外，由于Prompt的调整可能会对整个对话系统的行为产生影响，因此需要建立一套完善的测试和验证机制，确保Prompt的修改不会引入新的问题。

一些公司开始尝试使用Git等版本控制工具来管理Prompt，但这种方式仍然存在一些局限性。例如，Git主要用于管理代码文件，对于文本形式的Prompt，难以进行有效的差异化比较和合并。

目前，市面上也出现了一些专门用于管理Prompt的平台，例如PromptLayer、Arize AI等。这些平台提供了版本控制、测试、监控和优化等功能，可以帮助团队更好地管理Prompt，提高开发效率和质量。

A/B测试与性能追踪：量化Prompt的效果

A/B测试是评估Prompt效果的重要手段。通过比较不同Prompt在相同场景下的表现，可以确定哪个Prompt能够更好地满足用户需求。

然而，由于大模型生成的内容具有随机性，传统的A/B测试方法可能不再适用。例如，即使使用相同的Prompt，大模型也可能生成不同的答案。因此，需要采用更复杂的统计方法，例如多臂老虎机算法，来评估Prompt的真实效果。

此外，还需要建立一套完善的性能追踪机制，监控Prompt的各项指标，例如点击率、转化率、用户满意度等。通过分析这些指标，可以及时发现Prompt存在的问题，并进行优化。

目前，一些平台提供了Prompt的A/B测试和性能追踪功能，例如Google AI Platform、Amazon SageMaker等。这些平台可以帮助团队更好地量化Prompt的效果，并进行持续改进。

系统设计：Prompt的全局考量

在大型对话系统中，Prompt的数量可能非常庞大。如何组织和管理这些Prompt，使其能够高效地协同工作，是一个重要的系统设计问题。

一种常见的做法是将Prompt分为全局Prompt和局部Prompt。全局Prompt用于控制整个对话系统的行为，例如设定机器人的角色、风格和目标。局部Prompt则用于处理特定的对话场景或问题。

如何确定哪些Prompt应该应用于整个系统，哪些Prompt应该只应用于特定场景，需要根据实际情况进行权衡。一般来说，对于需要保持一致性的行为，应该使用全局Prompt；对于需要个性化的行为，则应该使用局部Prompt。

此外，还需要考虑Prompt之间的依赖关系。例如，一个Prompt的输出可能是另一个Prompt的输入。因此，需要建立一套清晰的Prompt关系图，方便团队理解和维护。

作品集展示：如何证明Prompt工程的能力

对于对话设计师来说，如何将基于Prompt的对话设计作品展示在作品集中，是一个新的挑战。传统的作品集通常包含流程图、脚本和设计文档，但这些材料难以展示Prompt的精妙之处。

以下是一些可能的展示方法：

• 展示Prompt本身： 将精心设计的Prompt直接展示在作品集中，并解释其设计思路和意图。
• 展示对话示例： 展示使用不同Prompt生成的对话示例，并比较其效果。
• 展示A/B测试结果： 展示不同Prompt的A/B测试结果，证明其有效性。
• 展示性能指标： 展示Prompt的性能指标，例如点击率、转化率、用户满意度等。
• 提供交互式体验： 创建一个交互式演示，让用户可以亲自体验Prompt的效果。

总而言之，展示Prompt工程的能力，需要突出Prompt的设计思路、效果和价值。

持续演进：拥抱变化，不断学习

大模型技术正在快速发展，对话设计领域也在不断演进。作为一名对话设计师，需要保持开放的心态，拥抱变化，不断学习新的技术和方法。

正如文章作者所说，我们都在一起摸索前行。没有谁拥有所有答案，重要的是保持好奇心，积极交流，共同探索对话设计的未来。 通过持续学习和实践，我们可以更好地应对大模型时代带来的挑战，并创造出更加智能、人性化的对话体验。

在这个充满机遇与挑战的时代，让我们一起努力，共同推动对话设计的进步！