ChatGPT Prompt Engineering for Developers¶
参考¶
- 代码参考：https://github.com/datawhalechina/prompt-engineering-for-developers/tree/main/content/Prompt%20Engineering%20for%20Developer
- Deeplearning.AI 原版课程：https://learn.deeplearning.ai/chatgpt-prompt-eng/lesson
- B 站搬运视频：https://www.bilibili.com/video/BV1Bo4y1A7FU/
1 基本概念¶
指令学习 LLM：通过对训练好的 Base LLM，调整输入和输出，实现 Instruction Tunned LLM 指令学习 LLM。
Prompt：就是用户发送给 LLM 的指令，它可以由不同部分组成。
提示词注入：用户被允许在提示中添加的一些输入
2 Prompt 两大原则¶
Prompt 提示工程的两大准则：
- 写出清晰明确的提示
- 给 LLM 时间来进行思考
2.1 指令清晰明确¶
Tactic 1：使用分割符来明确指出输入的各个不同部分，避免不同部分的内容互相干扰
- 可以是：```，""，<>，:，\
\ 等。
Tactic 2：可以控制输出内容变得结构化
- 可以是 json、html、markdown 等格式，方便 Python 读取信息进行存储
Tactic 3：可以要求模型检查输入内容是否满足条件
Tactic 4：提供少量的示例
2.2 给模型时间思考¶
Tactic 1：对于一个复杂任务，可以把任务拆分成几个所需的步骤，给模型更多的时间去思考
Tactic 2：让模型在下决定之前，找出自己的解法，思考出一份解决方案
2.3 模型的局限性¶
幻觉：模型有时可能会说一些听起来似是而非的话
减少幻觉的策略：
1、首先让模型从文本中找到任何相关信息引用
2、然后要求模型根据这些相关信息回答问题
3 Prompt 优化迭代¶
通过不断地完善提示，让输出越来越接近需求。
迭代过程
1、粗略尝试分析结果
2、控制输出的 字符\句子\单词 的长度。
3、指定提示的偏向性，比如更专注于材料，更偏向于技术……
4、让模型分步骤去思考回答问题，并用一批示例完善提示
5、指定输出内容的格式化
4 大模型的多种能力¶
Summarizing 文本总结：
- 可以对单一文本或多个文本进行概括性描述
- 可以设置总结的角度侧重，比如侧重于某一具体业务
- 也可以从文本中提炼出关键信息
Inferring AI 推理：
- 推断文本中的情绪
- 文本信息提取，提取关键信息
- 从大量文本中推理出文本主题
Transforming AI 转译：
- 文本翻译
- 文本格式转换
- 文本语气口吻的转换
- 拼写和语法检查并重写，可以引入
Redlines包，详细显示并对比纠错过程
Expanding AI 扩写：
- 利用语言模型参数
temperature，改变模型响应的多样性，数值越大越容易分心，但也许更有创造力。
5 构建简单的对话机器人¶
利用上下文和 message 响应，实现基于 GPT API 的问答机器人构建。
最后更新:
2023-08-16
创建日期: 2023-08-16
作者:
创建日期: 2023-08-16
作者: