在构建AI驱动的应用程序时,提示(prompt)的质量对结果有重大影响。然而,编写高质量的提示具有挑战性,需要深入了解应用程序需求以及大语言模型(LLM)。为了加快开发速度并提升结果,Claude简化了这个过程,使用户能够更轻松地创建高质量提示
现在,你可以在Anthropic Console中生成、测试和评估你的提示。Claude增加了新功能,包括自动生成测试用例和比较输出的功能,让你能够利用Claude生成最佳响应
生成提示
编写一个好的提示就像向Claude描述任务一样简单。Console内置了一个提示生成器,由Claude 3.5 Sonnet驱动。你只需描述任务(例如“分类处理客户支持请求”),Claude就会为你生成一个高质量的提示
你可以使用Claude的新功能生成测试用例,为提示提供输入变量,例如客户支持消息,并运行提示查看Claude的响应。或者,你也可以手动输入测试用例
生成测试套件
通过将提示与一系列真实世界的输入进行测试,你可以在将提示部署到生产环境之前,对其质量有更高的信心。使用新的评估功能,你可以直接在Console中进行此操作,而无需手动在电子表格或代码中管理测试
手动添加或从CSV文件导入新的测试用例,或者使用“生成测试用例”功能让Claude自动生成。根据需要修改测试用例,然后一键运行所有测试。查看并调整Claude对每个变量生成要求的理解,以便更精细地控制生成的测试用例
评估模型响应并迭代提示
现在,优化提示变得更加简便,你可以创建提示的新版本并重新运行测试套件,以快速迭代和改进结果。Claude还增加了并排比较多个提示输出的功能
你甚至可以让专家对响应质量进行5分制评分,以评估更改是否提高了响应质量。这些功能使改进模型性能的过程更加快捷和易于访问
使用
测试用例生成和输出比较功能对所有Anthropic Console用户开放。要了解更多关于如何使用Claude生成和评估提示的信息,请查阅文档
文档地址:
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
除此而外,Claude另外一个重磅功能也来了
Artifacts分享
真正的技术平权,每个人都可以用 AI 编写代码生成和发布自己的内容,也可以在别人的基础上修改,现在你可以分享Claude 的 Artifacts了(分享你的作品),别人也可以修改 Artifacts
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。