吴恩达讲prompt
- 关键原则
- 原则一:清晰明确的指令
- 原则二:给模型时间思考
- 局限性
- 迭代提示词
- 总结文本
- 推断
- 转换文本
- 扩写
- 聊天机器人
关键原则
原则一:清晰明确的指令
1.使用符号、标点等等对输入的不同部分进行分割,比如将“待处理文本“和“提示词“进行分割。
2.结构化输出。 要求模型将结果以结构化形式输出,比如将书名、编号、作者、类型以json格式输出。
3.如果任务具有假设条件,要求模型检查假设是否满足,可以减少幻觉发生。比如给出一段描述泡茶步骤的文本,在prompt可以加入一段“如果文本中不包含一系列步骤,则返回"为提供步骤”。
4.少样本提示(few-shot prompting)。执行任务前,给模型一个成功的例子····
原则二:给模型时间思考
1.指定完成任务的所有步骤。对于复杂任务,给出完成任务的步骤。
2.要求模型在得出结论前先给出自己的解决方案,并比较所给方案的正确性。比如一道题目和答案,可以让模型先自己做,再比较自己的答案和所给答案的正确性,而不是让模型直接判断所给答案的正确性。
局限性
1.幻觉。模型会编造看起来真实的回答
一个减少幻觉的方法是让模型注明回答的引用信息,根据既有的资料来回答问题。
迭代提示词
refine the idea, refine the prompt, and go around thisloop multiple times until you end up with a prompt thatworks for your application.
e.g.:1. 根据所给信息,为线上家具商家写一段家具营销描述。
2.(返回结果太长了),于是让模型最多使用50词
3.(由于营销面向的是家居零售商),希望模型更加详细地描述其技术细节。
4.(希望包含产品id)要求模型在结尾给出产品id。
迭代提示词
提炼想法,提炼提示,并多次循环,直到得到适用于应用程序的提示。
e.g:1.根据所给信息,为线上家具商家写一段家具营销描述。
2.(返回结果太长了),于是让模型最多使用50词:
3.(由于营销面向的是家居零售商),希望模型更加详细地描述其技术细节。
4.(希望包含产品id),要求模型在结尾给出产品id。
总结:
1.首先根据前面所给的两大原则进行第一次尝试。
2.分析回答的哪些方面不够理想。
3.进一步完善指令,给模型更多时间思考。
总结文本
1.限制字数。
2.明确总结的目的。比如对于一段消费者评论,作为商家,可以提示模型总结的目的是帮助物流部分优化,这样模型输出结果会更关注产品物流。
3.同时总结多条文本。
推断
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。