GPT
GPT通俗点来理解就是「顺口溜」,当你背过很多古诗后,别人说「锄禾日当__ 」时,你可以直接说「午」,甚至接上「汗滴禾下土」。GPT里的数据训练可以理解我们大脑的知识库,而GPT生成出来的数据可以理解为人检索大脑中的数据说出来的话。
核心原理:每次输出下一个字,都由前面用户的输入 + GPT 已经输出的内容来决定。
- 先得有训练好的数据,作为知识库
- 基于训练好的数据,将输入的数据转化成输出数据
GPT的整个转换过程更像是老师在检查我们背古诗,古诗背熟了当然能够对答如流,没背熟当然就会说错啦。
- 在系统内数存储数据==大脑在学习知识(背古诗)
- 大模型对数据进行训练==老师告诉我们「锄禾日当午」后面接「汗滴禾下土」才是正确的
Chat GPT
Chat GPT只是GPT的一种表现形式,通过聊天的方式来回答你的内容。
prompt
如何让计算机更好的帮助我们生成数据,解决问题呢?
于是prompt来了,prompt顾名思义提示词,你只有更明确的描述你的需求后,计算机才能更好的回答你,知道你想问什么。最早接触 Prompt engineering 时,学到的 Prompt 技巧都是
你是一个 XX 角色…
你是一个有着 X 年经验的 XX 角色…
你会 XX,不要 YY.
对于你不会的东西,不要瞎说!
直接给个模板,按规范生成我想要的数据
从上面的 Prompt 中最直观的感受就是 结构化,将各种想要的,不想要的,都清晰明确地 表述在设计好的框架结构中:
语法 这个结构支持 Markdown 语法,也支持 YAML 语法,甚至纯文本手动敲空格和回车都可以o结构 结构中的信息,可以根据自己需要进行增减,从中总结的常用模块包括:
- Role: :指定角色会让 GPT 聚焦在对应领域进行信息输出
- Profile author/version/description : Credit 和 迭代版本记录
- Goals:一句话描述 Prompt 目标,让 GPT Attention 聚焦起来
- Constrains: 描述限制条件,其实是在帮 GPT 进行剪枝,减少不必要分支的计算
- Skills: 描述技能项,强化对应领域的信息权重
- Workflow: 重点中的重点,你希望 Prompt 按什么方式来对话和输出
- Initialization: 冷启动时的对白,也是一个强调需注意重点的机会
相关文章: