【LLM大模型】大模型涌现能力及 Prompt Engineering提示词

Langchain

于 2024-08-20 17:08:29 发布

阅读量368

点赞数 17

文章标签： prompt 人工智能 llama langchain ai大模型 LLM

本文链接：https://blog.csdn.net/Langchain/article/details/141363057

版权

涌现能力

GPT3是第一批拥有“涌现能力”的大语言模型，即模型未经特定任务的训练，但在适当的提示下，仍然能够解决某些特定领域的问题。

例如大语言模型可以解答数学问题、辅助进行编程、甚至是进行问答等，其实都属于模型的涌现能力。作为概率模型，大语言模型甚至不知道数字代表的真实含义，模型只是在学习了无数的语料之后，发现了一些数学结论之间的潜在概率关系，才最终涌现出了数学运算或者复杂推理的能力。

但是“涌现能力”并不稳定，在不修改模型本身参数(微调)的情况下，模型涌现能力极度依赖对模型的提示过程，即对同样一个模型，不同的提示方法将获得质量完全不同的结果。而一个完整的用户和大语言模型的交互流程，也被称为大语言模型的提示工程(Prompt engineering)，

提示工程(Prompt engineering)

提示工程是激发模型涌现能力(激发模型潜力)的非常关键的技术。

提示词与提问技巧

提示工程是极容易上手、但同时上限很高的一项技术。对于初学者来说，只需要掌握一些提示词模板、就能很好的提升模型效果。

而提示工程技术最终的目的是更好的激发大模型的涌现能力，本质上其实是“和大模型对话的艺术”，是在长期的经验积累过程中积累和总结得到的技巧，这些技巧因模型的不同而不同、因任务不同而不同，很多时候甚至需要考验大模型工程师自身的“语感”。

无处不在的提示工程

时至今日，大多数模型进行性能评测时，都不是简单的围绕问题进行回答，而是在某项提示工程技术加持下测试模型回答准确率。如近期发布的Gemini模型，标榜的性能评测结果是是使用了COT(思考链)提示工程技术下模型问答的准确率。当然，与Gemini对应的进行比较的则是GPT-4模型，但该评测结果饱受诟病的是对比模型采用了另一种提示工程方法——Few-shot，在相同数据集下使用不同提示工程方法并将结果在同一水平上进行比较，确实很难确保评判的公平性。更为关键的是，相比COT，5-shot(Few-shots) 提示方法要“弱”很多。

在这里插入图片描述

如何写好prompt

清晰明确的指令

原指令：扩写这句话：今天天气真好
优化后指令：用生动的写法将这句话扩写为一个含有八句话的段落

给模型思考的时间

在这里插入图片描述

原指令：扩写这句话：今天天气真好
优化后指令：用生动的写法将这句话扩写为一个含有八句话的段落

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

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
- L2.3 流水线工程
- L2.4 总结与展望