最近好多人在推荐这个课程，学习记录一下~

原视频

【中文完整版全9集】ChatGPT提示工程师｜AI大神吴恩达教你写提示词｜prompt engineering_哔哩哔哩_bilibili

完整笔记

prompt-engineering-for-developers/content at main · datawhalechina/prompt-engineering-for-developers · GitHub

一、 简介

LLM 大致分为两种类型：

• 基础LLM：基于文本训练数据，训练出预测下一个单词能力的模型

       如果你以“从前有一只独角兽”作为提示，可能会继续预测“生活在一个与所有独角兽朋友的神奇森林中”。

       如果你以“法国的首都是什么”为提示，则基础LLM可能会根据互联网上的文章，将答案预测为“法国最大的城市是什么？法国的人口是多少？”

• 指令微调LLM：通常是从已经训练好的基本 LLMs 开始，然后，使用输入是指令、输出是其应该返回的结果的数据集来对其进行微调，要求它遵循这些指令。

       如果你问它，“法国的首都是什么？”，它更有可能输出“法国的首都是巴黎”。指令调整的 LLMs 的训练，该模型已经在大量文本数据上进行了训练。

二、 编写 Prompt 的原则

1. 原则一：编写清晰、具体的指令

• 使用分隔符区分不同部分，可以是：```，""，<>，<tag>，<\tag>等

text = f"""
你应该提供尽可能清晰、具体的指示，以表达你希望模型执行的任务。\
这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。\
不要将写清晰的提示与写简短的提示混淆。\
在许多情况下，更长的提示可以为模型提供更多的清晰度和上下文信息，从而导致更详细和相关的输出。
"""
# 需要总结的文本内容
prompt = f"""
把用三个反引号括起来的文本总结成一句话。
```{text}```
"""
# 指令内容，使用 ``` 来分隔指令和待总结的内容
response = get_completion(prompt)
print(response)

• 要求结构化输出：例如 Json、HTML 等
• 要求模型检查是否满足条件：如果任务做出的假设不一定满足，我们可以告诉模型先检查这些假设，如果不满足，指示并停止执行。你还可以考虑潜在的边缘情况以及模型应该如何处理它们，以避免意外的错误或结果。

课程中的案例分别是制作茶的步骤以及一段没有明确步骤的文本。要求模型判断其是否包含步骤，包含则按照给定格式重新编写指令，不包含则回答未提供步骤。

• 提供少量示例：即在要求模型执行实际任务之前，提供给它少量成功执行任务的示例。

例如给出一些某人的发言，让gpt模仿说话

2. 原则二：给模型时间去思考

• 指定完成任务所需的步骤：告诉它具体要干什么，还可以结合前面指定输出格式

案例中给出一个比较长的故事，以及具体要求：

• 用一句话概括三个反引号限定的文本
• 将摘要翻译成法语
• 在法语摘要中列出每个名称
• 输出包含以下键的 JSON 对象：法语摘要和名称数，并用换行符分隔答案

• 指导模型在下结论之前找出一个自己的解法：有时候，在明确指导模型在做决策之前要思考解决方案时，我们会得到更好的结果。

3. 局限性

• 虚假知识：模型偶尔会生成一些看似真实实则编造的知识，一本正经的胡说八道

三、 迭代优化

       不要期待在第一次就能获得完美答案，应该根据gpt给出的答案多次追问，直到获得符合要求的答案。

四、 文本概括

        gpt擅长对一段长文本进行概括，另外还可以给它如下要求：

• 限制输出文本长度：例如不超过30词

• 关注角度：例如对于商品评论文本，物流会更关心运输时效，商家更加关心价格与商品质量，平台更关心整体服务体验。

• 关键信息提取：如果只想要提取某一角度的信息，并过滤掉其他所有信息，则可以要求进行“文本提取(Extract)”而非“文本概括(Summarize)”

五、 推断

• 推断情感：正面、负面；开心、伤心、愤怒
• 提取信息：标签、公司名、配置信息、商品名
• 推断主题：给定一段长文本，这段文本是关于什么的？是否包含指定的话题内容？

六、 文本转换

• 多语言翻译
• 风格、语气调整：正式、非正式；对上司、同事、朋友的不同语气
• 格式转换：例如TXT、JSON、HTML、XML、Markdown、表格的互转等

• 拼写及语法纠正：例如要求模型校对文本，如果正确则输出“未发现错误”，如果错误则输出纠正后的文本，并基于Redlines输出纠错过程

七、 扩展 

        跟4相反，给定一些主题或短文本，要求gpt扩写或生成文本。

• 定制回复：结合前面的情感推断，可以自动回复客户对商品的评价
• 温度系数：其实就是随机性。如果希望构建一个可靠和可预测的系统，温度应该设置为0。如果希望更具创意、更广泛地输出不同的结果，那么可能需要使用更高的温度（例如0.7）