大模型Prompt技巧

提示工程（Prompt Engineering）

提示工程不仅仅是关于设计和研发提示词，还包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。提示工程可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型能力（例如RAG）。

链式思考（CoT）

链式思考是提示通过中间推理步骤来实现复杂的推理能力，以获得更好的更正确的推理结果。

思维链的主要思想是通过向大语言模型展示一些少量的 exapmles，在样例中解释推理过程，大语言模型在回答提示时也会显示推理过程。这种推理的解释往往会引导出更准确的结果。

论文地址：https://arxiv.org/pdf/2005.14165

零样本思维链（Zero-shot-CoT）

在问题的结尾附加“Let’s think step by step”这几个词，大语言模型能够生成一个回答问题的思维链。

Zero-shot-CoT 是一个 pipeline。也就是说“Let’s think step by step”这句话，只是通过这个 prompt 让LLM 尽可能生成一些思考过程，然后再将生成的 rationale（理由） 和 question 拼在一起，重新配合一个answer 指向的 prompt 如“The answer is ”来激励模型生成答案。

自动思维链（Auto-CoT）

Auto-CoT 主要由两个阶段组成：

• 阶段1：问题聚类：将给定问题划分为几个聚类

• 阶段2：演示抽样：从每组数组中选择一个具有代表性的问题，并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链

CBR模式（Case-Base Reasoning）提升任务成功率

核心思想：他山之石，可以攻玉。利用以往解决类似问题的经验来解决新问题。

• 

• 首先检索出与任务相关的人类专家知识，并获取对应详细的案例。

• 根据详细案例，进行新的任务推理。

基本结构

[任务]   {}   [解决方案]   {}   现在请根据上述文本洞察解决以下任务。   [任务]   {}

role:你是一个客户端高级测试工程师，能够对客户端UI界面的各种问题进行判断，这里是一些发生过问题页面的例子，能够帮你完成页面显示问题的分析任务：      [任务]   你是一个客户端高级测试工程师，下面是之前发生过UI问题的例子描述，请按图片顺序进行分析。   内容要求：   1.分析传入的图片，识别出页面中所有的控件和文本，忽略顶部系统通知栏和底部菜单栏。   2.对每一个控件元素和文本元素都进行判断(顶部的通知栏和底部的菜单栏不需要参与分析)，分析元素本身的问题，一般存在的问题是缺失、不完整、展示不全、颜色过浅、没有单位、小数点错乱等，   3.基于整个UI界面的布局进行分析，一般存在的问题是按钮未对齐高度不一致、元素位置错乱、元素之间遮挡、整体布局错乱等   4.按顺序分析每张图片，后一张图片的分析需要借助之前的图片分析结果，很有可能出现类似的问题，保证你的判断结果准确，并且给出对应的判断理由，当判断为符合时，需要说明符合的校验条件是什么，当判断为不符合时，需要说明不符合的校验条件是什么。如果无法从给定的图片中判断出结果，判断结果为不符合   5.你需要在判断结果中，输出以下信息：   a.判断结果：   b.判断理由：      格式要求：   请按照如下json格式输出，reason使用中文，不要输出其他无关内容：   {   "result":"pass/fail/error",   "reason":"...."   }      如果没有问题，result=pass,有问题result=fail，如果无法进行准确判断或者依据不足，则result=error   6.请分步骤思考这个问题   7.你要对输出结果认真检查，对你的答案负责，其中大概率不会发生UI问题，所以一定要仔细判断，给出足够可信赖的判断依据，如果如法判断,就将结果置为error,只需要输出一条结果         [解决方案]   第一张图片分析后组合成JSON结果输出   {   "result":"fail",   "reason":"识别到右下角两个蓝色按钮，都存在问题，第一个按钮的红色标签没有显示完全，第二个按钮的文本存在缺失问题，没有下发券后价"   }      现在请根据上述文本洞察解决以下UI问题分析任务。   [任务]你需要分析的图片是输入图片的最后一张，需要借助之前的图片分析结果，很有可能出现类似的问题，保证你的判断结果准确，并且给出对应的判断理由，只需要给出最后一张图片的分析结果，   格式要求：   请按照如下json格式输出，reason使用中文，不要输出其他无关内容：   {   "result":"pass/fail/error",   "reason":"...."   }      如果没有问题，result=pass,有问题result=fail，如果无法进行准确判断或者依据不足，则result=error

特点

CBR模式基本还是一个方法和策略，需要配合其他prompt工程一起使用。

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】