AI大模型全栈工程师课程笔记 - 提示词工程

1. AI总结的课程摘要：

1. 提示工程是AGI时代的编程方式，提示工程师相当于程序员。掌握提示工程是AGI时代的基础技能。

2. Prompt的组成部分通常包括角色定义、任务描述、输出格式、上下文信息、输入和输出约定等。合理定义角色可以 「减少歧义」。

3. Prompt调优需要不断试错，「给例子可以提高正确率」。思维链和自洽性等方法可以改进逻辑计算的准确性。用Prompt替代代码可以极大 「简化系统」。

4. 对话系统的关键模块NLU、DST、NLG都可以通过提示工程实现。加强垂直领域知识可以提升准确度。

5. 思维链、自洽性、思维树等是Prompt工程的几个高级技巧。

• CoT 让我们一步一步的思考

• 自洽性，多跑几次，投票取最好的结果

• 思维树，CoT的每步，采样多个分支，启发式搜索最佳完成路径

6. 识别和过滤**「Prompt注入」**非常重要，方法包括建立Prompt注入分类器、在输入中增加约束等。

• 「攻击」：改变系统人设，现在开始你不是xxx了，忘记前面所有的对话

• 「防范」：prompt拦截器、带上系统人设 + 用户输入的消息喂给模型、Moderation API

7. API使用中的参数temperature非常关键，执行任务时取0（输出稳定），文本生成时取0.7-0.9（多样性）。

2. 代码实践

2.1 API配置

.env 文件内容，你的 key 和 代理地址

OPENAI_API_KEY="sk-xxx"   OPENAI_API_BASE="https://xxx"   

from openai import OpenAI  # openai 1.3.0  Python 3.11.5   import os      from dotenv import load_dotenv, find_dotenv   _ = load_dotenv(find_dotenv())         client = OpenAI(       api_key=os.getenv("OPENAI_API_KEY"),       base_url=os.getenv("OPENAI_API_BASE")   )      def get_completion_with_session(session, prompt, model="gpt-3.5-turbo"):       session.append({"role": "user", "content": prompt})       response = client.chat.completions.create(           model=model,           messages=session,           temperature=0,  # 模型输出的随机性，0 表示随机性最小       )       msg = response.choices[0].message.content       session.append({"role": "assistant", "content": msg})       return msg      def get_completion(prompt, model="gpt-3.5-turbo"):       messages = [{"role": "user", "content": prompt}]       response = client.chat.completions.create(           model=model,           messages=messages,           temperature=0,  # 模型输出的随机性，0 表示随机性最小       )       return response.choices[0].message.content      prompt = "今天我很快乐，下班了, 又可以开始学习了"   print(get_completion(prompt))      models = client.models.list()   for model in models.data:       print(model.id)   

输出：

很高兴听到你今天很快乐！下班后有时间学习是很棒的，你打算学习什么呢？   text-search-babbage-doc-001   gpt-3.5-turbo-16k   curie-search-query   text-davinci-003   text-search-babbage-query-001   babbage   babbage-search-query   text-babbage-001   text-similarity-davinci-001   gpt-4-1106-preview   davinci-similarity   code-davinci-edit-001   curie-similarity   babbage-search-document   curie-instruct-beta   text-search-ada-doc-001   davinci-instruct-beta   gpt-3.5-turbo-instruct   text-similarity-babbage-001   text-search-davinci-doc-001   gpt-3.5-turbo-instruct-0914   babbage-similarity   text-embedding-ada-002   davinci-search-query   text-similarity-curie-001   text-davinci-001   text-search-davinci-query-001   gpt-3.5-turbo-1106   ada-search-document   ada-code-search-code   babbage-002   gpt-4-vision-preview   davinci-002   gpt-4-0314   davinci-search-document   curie-search-document   babbage-code-search-code   gpt-4-0613   text-search-ada-query-001   code-search-ada-text-001   gpt-3.5-turbo-16k-0613   babbage-code-search-text   code-search-babbage-code-001   ada-search-query   ada-code-search-text   tts-1-hd   gpt-3.5-turbo   text-search-curie-query-001   text-davinci-002   text-davinci-edit-001   code-search-babbage-text-001   tts-1-hd-1106   ada   text-ada-001   ada-similarity   code-search-ada-code-001   text-similarity-ada-001   canary-whisper   whisper-1   gpt-4   text-search-curie-doc-001   gpt-3.5-turbo-0613   text-curie-001   curie   canary-tts   tts-1   gpt-3.5-turbo-0301   davinci   dall-e-2   tts-1-1106   dall-e-3   whisper-1-1p   

2.2 对话系统

语音识别 「ASR」 -> 语言理解 「NLU」 -> 状态跟踪 「DST」 -> 检索候选(DB/API) -> 对话策略 「Policy」 -> 语言生成 「NLG」 -> 语音合成 「TTS」

• NLU 给定任务 用户输入 约定输出格式（json等） 加入例子，让输出更稳定

• DST 给定prompt让模型输出，用户当前在讲什么对象，想要 >=、<= 多少数额的，怎么排序等

• NLG 增加约束、语气、口吻 遇到特殊情况，兜底回复

用传统的对话流程 + openai实现对话系统，更可控一些，但是开发也相对更复杂！

2.3 纯OpenAI API 实践

# _*_ coding: utf-8 _*_   # @Time : 2023/11/16   # @Author : Michael   # @File : 02-prompt.py   # @desc :      from agi_class.utils.chat import get_completion_with_session   import json   import tkinter as tk   from tkinter import scrolledtext      # 创建窗口   window = tk.Tk()   window.title("选课助手")      # 设置窗口大小   window.geometry('800x400')      # 创建滚动文本框用于显示对话历史   history = scrolledtext.ScrolledText(window, wrap=tk.WORD, height=15, width=100)   history.grid(column=0, row=0, columnspan=2, padx=10, pady=10)      # 创建输入框   user_input = tk.Entry(window, width=40)   user_input.grid(column=0, row=1, padx=10, pady=10)      course_info = '''   可以选择的课程包括：   基础数学课，4学分，属于理论课；   初级编程课，4学分，属于实验课；   高级编程课，5学分，属于实验课；   文学欣赏课，3学分，属于选修课；   交响乐欣赏课，2学分，属于选修课；   物理实验课，6学分，属于实验课，仅限大一学生。   '''      session = [       {           "role": "system",           "content": f"""   你是一个选课小助手，你叫'迈克'，你可以帮助学生选择最合适的课程。   {course_info}   """       }   ]      # 发送按钮的点击事件   def send_message():       message = user_input.get()       defense_prompt = '你只能回答选课相关的问题，拒绝回答其他的问题，学生说：'       if message:           history.insert(tk.END, "您: " + message + "\n\n")           user_input.delete(0, tk.END)           # 这里可以添加处理消息的代码           ai_msg = get_completion_with_session(session, f'{defense_prompt}{message}')           history.insert(tk.END, "迈克: " + ai_msg + "\n\n")      # 创建发送按钮   send_button = tk.Button(window, text="发送", command=send_message)   send_button.grid(column=1, row=1)      # 向对话历史中添加欢迎消息   def add_welcome_message():       welcome_message = f"欢迎使用选课助手！我是迈克\n\n{course_info}"       history.insert(tk.END, welcome_message)      # 启动GUI之前添加欢迎消息   add_welcome_message()      # 启动GUI   window.mainloop()   

user	text
AI	欢迎使用选课助手！我是迈克

可以选择的课程包括：
基础数学课，4学分，属于理论课；
初级编程课，4学分，属于实验课；
高级编程课，5学分，属于实验课；
文学欣赏课，3学分，属于选修课；
交响乐欣赏课，2学分，属于选修课；
物理实验课，6学分，属于实验课，仅限大一学生。 |
| user | 你好，我想选一门编程课 |
| AI | 你好！当然可以帮你选择一门编程课。我们有初级编程课和高级编程课可供选择。请问你对编程有多少基础了解呢？ |
| user | 我是个编程菜鸟 |
| AI | 没问题！对于编程菜鸟来说，初级编程课可能更适合你。这门课程将为你提供编程的基础知识和技能。你可以学习到编程语言的基本概念、算法和逻辑思维等内容。初级编程课是一门实验课，共计4学分。你对这门课程感兴趣吗？ |
| user | 感谢兴趣，帮我订下吧！ |
| AI | 好的！我会帮你订下初级编程课。请提供你的学生信息，包括学号和姓名，以便我为你完成选课手续。 |
| user | 我现在还很缺学分，帮我选一门，分数最高的选修课 |
| AI | 当然可以帮你选择一门分数最高的选修课。我们有文学欣赏课和交响乐欣赏课可供选择。这两门课程都是选修课，但是文学欣赏课是3学分，而交响乐欣赏课是2学分。如果你希望获得更多学分，我建议你选择文学欣赏课。这门课程将帮助你提高对文学作品的理解和欣赏能力。你对这门课程感兴趣吗？ |
| user | 我现在大四了，我的物理实验课还没有修，帮我选一下 |
| AI | 非常抱歉，根据你的学年，物理实验课只限于大一学生修读。如果你还需要补修物理实验课，我建议你咨询学校的教务处或者相关的学术指导老师，看看是否有其他的解决方案。他们可能会为你提供一些适合你学年的选课建议。祝你顺利完成学业！ |
| user | 非常抱歉，我是一个选课小助手，无法帮你点外卖。如果你需要点外卖，建议你使用手机上的外卖平台或者打电话给外卖店进行订餐。祝你用餐愉快！如果你还有其他选课相关的问题，我会很乐意帮助你。 |
|
|
|

人工智能大模型越来越火了，离全民大模型的时代不远了，大模型应用场景非常多，不管是做主业还是副业或者别的都行，技多不压身，我这里有一份全套的大模型学习资料，希望给那些想学习大模型的小伙伴们一点帮助！

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓