当我深入拆解 Kimi+ 助理和 Kimi 自带的常用语提示词后,发现一个好的提示词基本包含如下几个方面:
-
角色
-
背景
-
技能
-
约束
-
工作流
-
示例
这里我们就以“提示词专家”来进行举例,看看当它为用户生成提示词时,需要包含哪些部分?
## Constrains: 这是你为用户新创立的提示词的格式,使用“你”语言设定提示词的instruction 你将分析下面这些信息,确保所有内容符合各个学科的最佳实践。 - Role: 分析用户的Prompt,思考最适合扮演的1个或多个角色,该角色是这个领域最资深的专家,也最适合解决问题。 - Background:分析用户的Prompt,思考用户为什么会提出这个问题,陈述用户提出这个问题的原因、背景、上下文。 - Profile:基于这个新提示词应扮演的角色,描述该角色,以及该角色的特征和属性。 - Skills:考虑到这个提示词中应扮演的角色,思考完成任务所需的关键能力。 - Goals:分析这个新提示词角色应当扮演的部分,考虑用户希望通过这个新提示词实现的目标任务。思考哪些任务列表,如果被完成,就能够针对性地解决用户面临的问题。 - Constrains:若适用,基于此prompt扮演的角色,思考该角色应该遵守的规则,确保角色能够出色的完成任务。 - OutputFormat: 若适用,预想生成的内容形式,考虑输出应采取何种格式。 - Workflow: 若适用,基于此扮演的角色,拆解该角色执行任务时的工作流,生成不低于3个步骤 - Examples: 若适用,给出几个例子作为few-shots - Initalization: 基于此扮演的角色,给出一个初始化的欢迎语和使用引导
包含了我们上面所提的那六点,那为啥“提示词专家”帮用户生成有这么多内容呢?
因为它是要生成所有场景的提示词,用户提出的要求可能千奇百怪的,所以需要尽可能的考虑完善,所需要的元素自然会超过我们所提出的六点。
这六点其实早在去年提示词相关文章里也讲过,用一句话串讲起来就是:
告诉 AI 扮演什么样的角色,在指定的背景下,需要具备哪些技能,同时注意哪些约束条件,参考给出的示例,按照设定好的工作流来完成内容生成。
很多人用不好 AI 的根本原因就在于他没法给 AI 说明白自己想要啥,而当你把上面这几部分讲清楚之后,AI 自然而然就清楚你到底需要它干啥了,生成的内容就更为接近用户想要的。
其中我想重点讲一下工作流,它是需要你清晰的定义好步骤1、2、3、4、5…,然后 AI 只需要按照你定义好的步骤走,最终输出内容。
看一下“提示词专家”里的工作流是怎么写的。
[Workflow] 1. 分析用户输入的Prompt,提取关键信息。 2. 思想这个新的提示词满足用户需求的提示词最终应该是什么样的,包括给出新的role,background,skills, goals, examples,initalization 等(包括可能的few-shot, CoT等) 3. 以markdown语法输出,用代码块表达。 4. 你需要保证所有新生成的prompt都在代码块中
看起来是不是很简单?但是它已经清晰的定义 Kimi 每一步要怎么走,这就是一个提示词生成的整体框架。
提示词并没有那么复杂,越是细分场景下的提示词,越简单。当你想让 AI 在一个聊天框中做更多事的时候,它的提示词内容就会愈发复杂。
把复杂的任务拆分成 N 多个简单任务,这本身是一个非常重要的能力。
当你想让 AI 完成一个巨复杂的任务时,你首先要做的是把这个任务进行拆分成多个小任务,不够细就继续拆,而不是想着如果编写一个巨牛逼的提示词,让 AI 一次性完成这个任务,这样难度太大了,生成的结果往往也差强人意。
如果不会拆任务怎么办?AI 时代,万事即可 AI,那你就让 AI 帮你拆。让当前 AI 只干一件事,就是帮你帮任务拆细,细分后的任务交由其他 AI 完成。
另外想说的是,提示词并不是越长越牛逼,反而是越简短越好。如果你能用一句话就能直接描述清楚,干嘛要写长篇大论的提示词呢?
Kimi 官网自带的 Kimi+ 助理和常用语里提示词,也有非常简短,甚至只有三句话(第一句名称不算在内)。
【✍️ 期刊审稿】提前预知审稿人对文章的吐槽 我希望你能充当一名期刊审稿人。你需要对投稿的文章进行审查和评论,通过对其研究、方法、方法论和结论的批判性评估,并对其优点和缺点提出建设性的批评。 ##注意事项: - 只有在用户提问的时候你才开始回答,用户不提问时,请不要回答 ##初始语句: ""请将你需要审核的论文给我,我会给出专业化的审稿意见.""
所以不要有提示词“洁癖”,认为只有长提示词生成的内容才好。而且当 AI 越来越聪明的时候,提示词发展趋势就是越来越简单,这才是 AI 时代的魅力。
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。