Prompt工程全攻略：15+Prompt框架一网打尽（BROKE、COAST、LangGPT）、学会提示词让大模型更高效

已于 2024-07-22 17:07:09 修改
阅读量4.7k 收藏 32
点赞数 15
分类专栏： LLM技术汇总 文章标签： prompt 人工智能 自然语言处理 大模型 LLM Prompt工程 提示词工程
于 2024-03-25 10:16:48 首次发布
涉及博主原创类文章，未经博主许可不允许转载
本文链接：https://blog.csdn.net/sinat_39620217/article/details/137006423
版权

Prompt工程全攻略：15+Prompt框架一网打尽（BROKE、COAST、LangGPT）、学会提示词让大模型更高效

0.相关文章推荐

更多Prompt框架技术细节和原理见相关文章

  • Prompt工程原理篇

大语言模型的预训练[3]之Prompt Learning：Prompt Engineering、Answer engineering、Multi-prompt learning详情

大语言模型的预训练[4]：指示学习Instruction Learning：Entailment-oriented、PLM oriented、human-oriented以及和Prompt工程区别

大语言模型的预训练[5]：语境学习、上下文学习In-Context Learning：精调LLM、Prompt设计和打

了解本专栏 订阅专栏 解锁全文
Langchain核心模块与实战[7]：专业级Prompt工程调教LLM[输入输出接口、提示词模板与例子选择器的协同工程]
丨汀、的博客
07-23 562
Langchain核心模块与实战[7]：专业级Prompt工程调教LLM[输入输出接口、提示词模板与例子选择器的协同工程]
理论五、大模型-Prompt
热门推荐
xiaoqi270620903的专栏
03-18 2万+
当使用大型语言模型（如GPT-3）时，"prompt" 是指您向模型提供的输入文本或指令，用于引导模型生成相应的输出。
探索大模型能力--prompt工程
AAI666666的博客
05-07 2448
LLM大语言模型终究也只是一个工具，我们不可能每个人都去训一个大模型，但是我们可以思考如何利用好大模型，让他提升我们的工作效率。
Prompt 工程
qzhqbb的博客
11-07 2528
从0开始，一篇速成学会prompt
提示词（Prompt）工程入门（非常详细），零基础入门到精通，看这一篇就够了
Java癫疯的博客
11-14 1万+
提示词（Prompt）工程入门（非常详细），零基础入门到精通，看这一篇就够了
prompt提示工程
dc爱傲雪和技术
04-21 3072
提示工程也叫「指令工程」。Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等貌似简单，但意义非凡「Prompt」 是 AGI 时代的「编程语言」「Prompt 工程」是 AGI 时代的「软件工程」「提示工程师」是 AGI 时代的「程序员」学会提示工程，就像学用鼠标、键盘一样，是 AGI 时代的基本技能提示工程「门槛低，天花板高」，所以有人戏称 prompt 为「咒语」
全网最全大型语言模型Prompt工程指南---其一：介绍
Cosmops的博客
02-26 4602
本指南涵盖了Prompt的基础知识，提供关于如何使用提示来互动和指导大型语言模型（LLM）的粗略概念。本章节主题包括：基础Prompt；有关大型语言模型的参数设置；标准Prompt；Prompt所包含的元素
NL2SQL技术方案系列(2)：全系列技术选型完整版：从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示
丨汀、的博客
04-23 2520
NL2SQL技术方案系列(2)：全系列技术选型完整版：从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示
Prompt提示词——常见的Prompt框架
pumpkin84514的博客
04-07 1万+
这些框架各有特点，适用于不同的场景和需求。在实际应用中，可以根据。
2024年Datawhale AI冬令营第二期 之prompt工程
qq_61897993的博客
12-25 886
小铃铛从第一期熬到第二期，出走半生归来仍是小白（PS：不得不说，我认为在对话应用的模型这里，比MAAS平台更换模型更方便一点，MAAS需要重新创建一个微调模型，再与一个应用捆绑）切入正题，本次分享的内容是。
一文掌握Prompt：万能框架+优化技巧+常用指标
weixin_58753619的博客
07-31 2322
与现在越来越火热的 RAG 技术一样，我们更倾向于将知识通过外部注入的方式让模型试用，而能力则完全需要依赖预训练阶段。我们要做的是通过 Prompt 调用大模型的能力去解决问题，让这些能力表现的更精准，而并非把他当成一个知识库。如果与人做对比也一样能得到这个结论，人可以从外部收集信息，并利用自身的智能进行决策，而不是把知识都装到自己脑子里。Sam Altman 在早期采访中也提到，把大模型当成搜索引擎的应用方式是错误的，智能的体现才是大模型的关键。
12个精选Prompt框架，快速提升你写Prompt的能力，内附实例（上篇）
python12345_的博客
06-11 2000
想要熟练驾驭大模型，除了掌握Prompt的原则和技巧外，我们还可以参考一些成熟的Prompt框架，这样能快速提升我们写Prompt的能力，我从网上搜集到了12个精选Prompt框架，并为每一个框架附上一个实际的例子，一方面是自我学习的一个过程，另外一方面也分享给大家，共同提高写Prompt的能力，希望大家阅读后能有所收获。
【AI大模型】Prompt Engineering
weixin_53880910的博客
05-31 2294
模型训练者并没想到过会这样，完全是大家「把 Al 当人看」玩出的一个用法实在传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了先定义角色，其实就是在开头把问题域收窄，减少二义性。别急着上代码，先尝试用 prompt 解决，往往有四两拨千斤的效果但别迷信 prompt，合理组合传统方法提升确定性，减少幻觉想让 AI 做什么，就先给它定义一个最擅长做此事的角色用好思维链，让复杂逻辑/计算问题结果更准确防御 prompt 攻击非常重要。
提示工程 Prompt Engineering
JasonH2021的博客
07-15 3115
本文简单介绍了提示工程（Prompt Engineering）的基本概念，常用的方法，应用场景，主要课题和对抗性Prompt等。
Prompt工程师入门指南，零基础入门到精通，收藏这篇就够了
leah126的博客
12-01 1461
大模型现在惊艳的效果是基于 “scaling law” 的智能涌现，本质还是在应用大模型预训练阶段的能力。无论是“开源”还是“闭源”模型，一定是通过参数量的增加或其他方式，让模型本身的能力不断提升，且目前看依然保持指数级的增长。在这种情况下，过于依赖基于任务的训练是不长久的，因为大模型的本质不是通过训练构建能力，而是通过输入调度能力，并在任务维度进行对齐。即便是开源模型的应用，长期来看也不会是以任务维度进行训练。
结构化Prompt框架
weixin_42276816的博客
01-13 1494
📌 结构化的Prompt有很多种方式创作，比如MarkDown、JSON、XML，甚至可以用JAVA代码定义类、方法的方式。但是MarkDown对于不熟悉代码的人相对简单些，并且写着也很舒服，所以大多数的示例用MarkDown格式来写。我们可以直接拆解一下以上ChatGPT给出的解释1、prompt更加清晰有序和规范化2、prompt更加明确和具体3、模型更好地理解任务的上下文和约束条件。
Prompt提示工程上手指南:基础原理及实践(一)
master_hunter的博客
01-05 3642
在AI语境中，"Prompt"通常指的是向模型提出的一个请求或问题，这个请求或问题的形式和内容会影响模型的输出。例如:在一个文本生成模型中，提示可以是一个问题、一个话题或者是一段描述，模型根据这个提示生成相应的文本。Prompt工程是指人们向生成性人工智能（AI）服务输入提示以生成文本或图像的过程中，对这些提示进行精炼的过程。任何人都可以使用文言一心和DALL-E这样的生成器，通过自然语言来进行操作。这也是AI工程师在使用特定或推荐提示对大型语言模型（LLMs）进行精炼时使用的技术。
统计学导入文件
最新发布
03-22
<think>嗯，用户问的是关于统计学中如何导入文件的问题。首先，我需要确定他们使用的是什么工具，比如Python的pandas库、R语言、Excel，或者其他统计软件如SPSS、SAS。不同的工具有不同的导入方法，所以可能需要先说明这一点。 然后，我应该分步骤介绍每种常见工具的导入流程。例如，在Python中使用pandas的话，可能需要提到read_csv、read_excel等函数，以及需要注意的文件路径、编码格式等问题。对于R语言，可能会用到read.csv、read.table或者readxl包中的函数。Excel的话相对简单，直接打开文件就行，但可能需要处理数据格式的问题。 还需要提醒用户注意一些常见问题，比如文件路径是否正确、编码问题（特别是中文内容）、分隔符是否匹配，以及数据类型的自动识别是否正确。此外，检查导入后的数据结构和前几行数据是否正确也是重要的步骤。 用户可能对代码示例有需求，所以最好给出具体的例子，比如Python中如何用pandas导入CSV，R中如何用read.csv，甚至Excel的截图步骤。不过要注意用户的技术水平，避免使用过于专业的术语，保持解释清晰易懂。 另外，用户可能是在学习统计学过程中需要处理数据，所以除了导入文件，可能还需要后续的数据清洗和分析步骤的简要提及，但当前问题主要集中在导入部分，不需要展开太多。 最后，确保回答结构清晰，分点说明不同工具的方法，并给出注意事项，帮助用户顺利完成数据导入，避免常见的坑。可能还需要强调文件格式的支持，比如CSV、Excel、TXT等，以及如何处理不同格式的文件。</think>在统计学中导入文件是数据分析的第一步，不同工具的操作步骤有所差异。以下是分步指南： ### 一、常用工具及方法 1. **Python (pandas库)** ```python import pandas as pd # CSV文件 df = pd.read_csv('文件路径/data.csv', encoding='utf-8') # Excel文件 df = pd.read_excel('文件路径/data.xlsx', sheet_name='Sheet1') ``` 2. **R语言** ```R # CSV文件 data <- read.csv("文件路径/data.csv", header=TRUE) # Excel文件（需安装readxl包） library(readxl) data <- read_excel("文件路径/data.xlsx", sheet = 1) ``` 3. **Excel** - 直接打开：`文件 > 打开 > 选择文件` - 外部数据导入：`数据 > 获取数据 > 从文件` ### 二、关键注意事项 1. **文件路径验证** - 绝对路径：`C:/Users/name/data.csv`（建议使用正斜杠） - 相对路径：`./data/data.csv`（需确认工作目录） 2. **编码格式处理** - 中文文件建议指定：`encoding='GBK'` 或 `encoding='utf-8-sig'` - 乱码时可尝试：`pd.read_csv(..., encoding='ISO-8859-1')` 3. **数据预览检查** ```python print(df.head()) # 查看前5行 print(df.info()) # 检查数据类型 ``` ### 三、常见问题解决 1. **分隔符不匹配** ```python pd.read_csv('data.txt', sep='\t') # 制表符分隔 pd.read_csv('data.csv', delimiter=';') # 分号分隔 ``` 2. **缺失值处理** ```python pd.read_csv(..., na_values=['NA', 'null', '-']) ``` 3. **大文件优化** ```python # 分块读取 chunk_iter = pd.read_csv('large.csv', chunksize=10000) for chunk in chunk_iter: process(chunk) ``` ### 四、文件格式支持 | 格式 | Python | R | Excel | |------------|---------------|--------------|------------| | CSV | ✅ pd.read_csv | ✅ read.csv | 直接打开 | | Excel | ✅ pd.read_excel | ✅ read_excel | 原生支持 | | JSON | ✅ pd.read_json | ✅ jsonlite | 需转换 | | SQL | ✅ pd.read_sql | ✅ DBI | 插件支持 | ### 五、完整工作流程示例（Python） ```python import pandas as pd # 1. 导入数据 try: df = pd.read_csv('sales_data.csv', encoding='GBK') except FileNotFoundError: print("错误：文件路径不存在") # 2. 数据校验 print("数据维度:", df.shape) print("字段类型:\n", df.dtypes) # 3. 初步分析 print("描述性统计:\n", df.describe()) ``` 建议首次导入后执行： 1. 检查前/后5行数据 2. 验证字段数量是否匹配 3. 确认数值型字段范围合理性 4. 检查日期格式是否正确转换 不同数据源（数据库/API/网页抓取）的导入方法需具体场景调整，建议先完成基础文件导入后再学习高级数据获取方式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

汀、人工智能

十分感谢您的支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值