,提示词是开发大模型智能体的编程语言。提示词工程是为了让我们更好地与大模型打交道,也可以说是调教大模型更好地为人类服务。常言道,实践出真知,本文是将提示词工程的原则技巧应用到实际工作中的尝试。
内容如下:
-
提示词工程原则
-
编写提示词的方法
-
应用案例
-
结束语
1.提示词工程原则
根据吴恩达的《ChatGPT提示词工程》视频课内容,提示词工程有两条基本原则:
-
指令清晰且具体
-
给大模型思考时间
为什么会有这两条原则呢?
我们可以把大模型想象成刚毕业的应届大学生,TA在图书管里博览群书(大规模数据集训练),吸收了浩如烟海的知识,这些知识存储在神经网络的参数里。TA具有完成各种任务的潜力,但没有实际工作经验。做过管理的人可能都有这样的体会:当你带一个新人,给他安排工作任务的时候,下达的指令越清晰越具体,他完成的效果可能会越好,否则,他很可能一头雾水,按照自己的想法乱做一通,结果差强人意。同时,一项工作任务,新人往往需要花费更长的时间才能完成。培养新人是不是完美契合上面两条原则?
调教大模型和调教职场新人是非常类似的。
①人工智能/大模型学习路线
②AI产品经理入门指南
③大模型方向必读书籍PDF版
④超详细海量大模型实战项目
⑤LLM大模型系统学习教程
⑥640套-AI大模型报告合集
⑦从0-1入门大模型教程视频
⑧AGI大模型技术公开课名额
2.编写提示词的方法
光有原则是不够的,要想编写出好的提示词,还需要有一套科学实用的方法。
编写提示词是一个逐步迭代的过程,对于复杂的任务,很难一蹴而就,因此,我们可以按以下方法来编写并逐步完善提示词:
1. 明确目标:
这个不用多说了,你想让大模型做某件事情,一定会有一个目标。如果是漫无目的闲聊,那就自由发挥了。
2.从简单的描述开始:
例如,如果你想生成一幅山水画,可以先写“一幅山水画,包含山峦、流水、树木等元素”。当生成结果不满意时,再按下述方法修改。
3. 添加细节:
在初始描述的基础上增加更多细节,使内容更丰富、更具体。例如,“高耸入云的山峰,山脚下潺潺流淌的小溪,茂密的树林环绕”。
4. 使用分隔符
可以使用各种标点符号(如引号、分号、换行、<>等)将提示词中不同部分隔开,以便让大模型更容易理解和响应。例如:
将<>包围的文字翻译成英语:``<提示词是开发大模型智能体的编程语言>``下面开始翻译:
5. 指定风格或格式:
你可以指定生成内容的风格或格式。例如:“用中国传统水墨画风格绘制一幅山水画”,“推荐几部热播美剧,以json格式输出剧名、上映日期、主演”。
6.添加限定条件:
可以添加多种限定条件(第5条也属于是限定条件),例如:“用2~3句话概括大模型能做什么”防止大模型长篇大论,也可以限定字数。
7.增加示例:
例如,你想写一首诗,可以提供一两句古诗作为例子,让大模型模仿。
8.让大模型按照指定的步骤执行 :
例如:
输出1-100之间的素数:首先,用python实现一个查找1-100之间素数的函数
然后,调用python解释器运行上面的函数``最后将你的运行结果输出
9.使用思维链(COT)提示法:
可以使用前文介绍的零样本或少样本COT技术,让大模型输出中间推理过程。
零样本提示,即在提示词后面加上一句话“让我们一步步思考”。如:
鸡和兔共49只,一共有100只脚,问鸡和兔各多少只?让我们一步步思考
少样本提示,即在提示词中包含一个或多个带有解答过程的示例。
10.让大模型玩角色扮演:
例如:
您是一名数学老师,帮助各年级学生解答各种数学问题。您使用清晰的语言使复杂的概念更容易理解。现在请解答以下问题:``问题:鸡和兔共49只,一共有100只脚,问鸡和兔各多少只?
以上10条方法,在我们编写提示词时,可以灵活加以运用。其中:
1-6条对应原则1:指令清晰且具体。
7-10条对应原则2:给大模型思考时间。
3.应用案例
下面,我们以3个实际案例来演示上述方法的运用。为了简单起见,示例都是通过国内厂商的聊天机器人来实现的。
示例1:让大模型搜集整理相关资料
#第一次尝试,可以看到输出的内容比较多,而我实际上只需要厂商名+产品名即可。
#第二次尝试,要求大模型只输出:厂商名+产品名,这次好了很多。
#第三次,将格式转换为markdown,这次基本符合要求了。因为大模型聊天机器人可以从历史对话中获得上下文信息,因此,这次的提示词只有转换格式的描述,而没有重复前面的要求了。
示例2:让大模型总结文章重点
有一点需要说明,聊天机器人通常对输入的内容(即提示词)有最大长度限制,通常是几千个字符,对上面这篇万字长文,没法一次性发送给聊天机器人。而直接发网址也不行,试了几个厂商,都不具备爬取网页的能力。但主流的聊天机器人,除了文本输入方式,基本都支持文件和图片。所以,我们可以把文章内容打印成一个PDF文件,然后把PDF文件上传到聊天机器人,并要求总结文章重点。
如下图所示,大模型总结的结果看起来还可以。从输出结果看,后台实际上是把原文档分成了4份分别处理,再把结果合并。
示例3:让大模型帮忙写代码
作为技术人员,写代码这件事当然也可以让大模型来帮忙。不过目前大模型只能写一些通用性较强的基础代码,比如写个排序算法什么的,而对于领域比较特殊的业务逻辑,可能就不是那么擅长了。当然如果有足够多的该领域数据,也可以通过微调或RAG等方式让大模型学习领域知识,从而能够生成特定领域代码。
下面是我让大模型写的一个五子棋小游戏,生成的结果挺像那么回事的,文件名都给起好了,我直接按文件名将内容保存下来,在浏览器打开,确实能运行。不过它原来生成的是黑色+白子棋子,白色跟背景色相同,所以我给改成了红色,确实能下。
4.结束语
本文介绍了调教大模型的技巧,包括提示词工程的原则以及编写提示词的10个方法。当然,学习提示词工程的目的是为了能在实际工作生活中能够更好地与大模型打交道,让大模型的能力充分为我所用,我以三个真实案例演示了提示词工程方法的应用。你也可以尝试一下。
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓