研究背景

大型语言模型（LLMs）是一种旨在理解和生成人类语言的人工智能（AI），已成为多个领域的变革性工具，包括自然语言处理、编程、生物学和化学研究。在化学领域，LLMs显示出分析大量文献、预测分子特性、优化实验设计的能力，提高化学领域的研究。与人工方法不同，LLMs可以以更具成本效益的方式处理重复和耗时的任务，例如组织和总结文献；由于其强大的学习和生成能力，LLMs 具有提供建设性科学见解和实验指导的巨大潜力，从而加快研究和决策速度；相比传统模型（通常是基于特定任务的），LLMs更具灵活性，且通常性能更优，其大规模训练数据进一步增强了他们处理各种任务的能力。并且，LLMs用户友好界面使没有计算机专业知识的化学研究人员能够轻松地与他们互动。然而，将LLMs直接应用于化学研究仍然面临显著的挑战。首先，LLMs的化学领域的专业知识不足，这限制了他们提供可靠实验指导的能力。其次，由于LLMs依赖于广泛的语言模式，而不是特定领域的、上下文准确的报告，因此生成了不准确或误导性的信息，即“幻觉”。化学知识复杂，实验数据离散，信息非结构化，进一步加剧了这一问题。

文章简介

提示工程可增强LLMs理解用户意图的能力，不仅可以指导模型正确满足用户的需求，还可以全面了解对特定领域至关重要的底层知识结构，从而释放LLMs的全部潜力。提示工程也称为上下文提示，涉及输入提示的设计和优化，以便与 LLM 交互以实现最有效的输出。这种方法降低了与重新训练相关的高成本，并促进了大模型的高效应用。因此，提示工程对于促进LLMs和化学研究之间交互至关重要，有必要系统性的对其进行总结。

相关综述以题为“Leveraging Prompt Engineering in Large Language Models for Accelerating Chemical Research”在国际知名期刊ACS Cent. Sci.上发表。

文章要点

首先介绍了LLMs应用于化学研究的基本挑战；讨论并总结了几种提示工程技术的原理、应用以及缺陷；最后，分享了对LLMs用于化学研究发展前景的观点以及限制，期望对LLMs for martials的进一步发展提供有价值的指导。

文章链接

https://doi.org/10.1021/acscentsci.4c01935

第一作者简介

罗菲菲，天津大学化工学院2024级硕士，导师为杨春鹏教授，本科毕业于湖南大学。致力于卤化物固态电解质的研究。

张静朗，天津大学智算学部2023级硕士，导师为王旗龙教授。

2025-03-30