吴恩达提示词系列解读（一）

用好AI,提示词是绕不开的一个关键点，最近从网上找了一些提示词课程学习，有些还付了费，然质量参差不齐，有时候在想，这么水的东西也拿出来卖吗？

之前看了吴恩达老师提示词的系列课程，非常的不错，由于时间关系，没有深入研究。也有一些人做了笔记，但不够深入。学习效果不太良好。

所以准备将吴恩达老师的提示词课程做一个较为深入的学习，总共有9节课程，公众号将分四期进行解读学习，今天是第一期，对前两节课进行深度解读。

lesson 1 引言

在人工智能领域，如ChatGPT等大型语言模型（LLM）的潜力，特别是在软件开发中的应用，常常被低估。

许多用户通过Web界面与AI大模型进行一次性的交互任务。然而，通过API调用，开发者可以更有效地利用这些模型的能力，快速构建复杂的软件应用。在这门课程中，我们将探索这一被低估的领域。首先我们来认识一下大语言模型的分类

大语言模型的两种分类

Base LLM

Instruction  Tuned LLM

1.Base LLM

基础LLM基于大量的文本数据进行训练，通过预测序列中最可能的下一个词或词组来工作。

例如，如果你提示它“从前，有一个独角兽”，它可能会完成这个句子，预测接下来的几个单词是“住在一个充满独角兽朋友的神奇森林里”。

但是，如果你用“法国的首都是什么”来提示它，那么根据互联网上的文章，基础LM很可能会以“法国的最大城市是什么”、“法国的人口是多少”等来完成这个句子，因为互联网上的文章很可能是关于法国的一系问答列表。

2.Instruction  Tuned LLM

相比之下，指令调谐LLM经过训练，以遵循指令。所以，如果你问它“法国的首都是什么”，它更有可能输出类似“法国的首都是巴黎”的答案。

通常，指令调谐LLM的训练方式是首先使用大量的文本数据训练一个基础LLM，然后通过输入和输出进一步训练或微调它，这些输入和输出是指令和尝试遵循这些指令的良好尝试。然后通常使用一种称为人类反馈的强化学习来进一步优化系统，使其更能够提供帮助并遵循指令。因为指令调谐的LLM已经被训练得更有助于、诚实和无害，所以比如说&#