课程简介

• 目标：帮助开发者理解如何有效地使用大语言模型（LLMs），提升通过提示词解决问题的能力。
• 适用对象：开发者、AI从业者、产品经理等，希望通过提示词优化生成模型性能的人。

---

第1章：提示词工程基础

1. 什么是提示词工程

• 提示词工程是一种优化与大语言模型（如 GPT）交互的技术，旨在通过设计有效的提示词（prompts）引导模型生成所需的输出。
• 主要思想：用正确的方式提问以得到最佳答案。

2. 提示词的组成

• 指令：明确告知模型需要完成的任务。
• 上下文：提供任务相关的背景信息。
• 示例：给出输入和期望输出的实例。
• 格式要求：定义输出的结构（如 JSON、表格）。

---

第2章：提示词优化技巧

1. 明确具体

• 提示词越具体，结果越可靠。
  • ❌ 不明确：帮我写个简历。
  • ✅ 明确：帮我写一份软件工程师的简历，包括工作经验和技能，控制在300字内。

2. 使用分步指导

• 引导模型逐步解决复杂问题，分解为多个小步骤。
  • 示例：首先分析问题的需求，然后给出解决方案，最后提供相关代码示例。

3. 增加示例

• 提供一组输入-输出对，帮助模型理解任务模式。
  • 输入：输入一个学生名单，返回按年龄排序的名单。
  • 示例：

    输入: ["Alice: 24", "Bob: 20", "Cathy: 22"]
    输出: ["Bob: 20", "Cathy: 22", "Alice: 24"]
    

---

第3章：常用提示词设计模式

1. 文本生成

• 任务：生成文章、邮件、内容摘要等。
  • 提示词：根据以下关键信息生成一封商业合作邮件。
  • 优化：限制字数、语气（正式/轻松）。

2. 信息提取

• 任务：从文本中提取关键信息（如日期、地址）。
  • 提示词：从以下文字中提取所有日期并按升序排列。

3. 文本分类

• 任务：将文本分为不同类别（如情感分析）。
  • 提示词：判断以下评论是正面还是负面：
  • 示例：评论：这款产品太棒了！

4. 数据格式化

• 任务：将数据转换为结构化形式（如 JSON）。
  • 提示词：将以下非结构化数据转换为 JSON 格式：

---

第4章：高阶技巧

1. Few-shot Learning（少样本学习）

• 通过提供几个示例，提升模型对任务的理解。
  • 示例：

    输入: "我爱Python编程。"
    输出: "正面情感"
    

2. Chain-of-Thought（思维链提示）

• 要求模型模拟推理过程，逐步解决复杂问题。
  • 提示词：先解释计算逻辑，再给出最终答案。

3. 自我校验（Self-Consistency）

• 多次运行模型提示，选取出现频率最高的答案。

4. 使用系统消息

• 明确模型身份以提升结果一致性。
  • 示例：你是一个专业的英语语法检查工具，负责指出错误并提供修正建议。

---

第5章：实际案例与实践

1. 案例：生成产品描述

• 场景：为电商网站生成商品描述。
  • 提示词：根据以下产品规格生成吸引人的商品描述。

2. 案例：数据清理

• 场景：从文本中提取规范化数据。
  • 提示词：从以下数据中提取电话号码并按国家代码分组。

3. 案例：代码生成

• 场景：生成特定功能的代码片段。
  • 提示词：为以下需求编写Python函数：从列表中移除所有重复项。

---

第6章：常见问题与解决方法

1. 模型输出错误

• 问题：模型输出不符合预期。
• 解决：优化提示词，明确输入、示例和输出格式。

2. 模型生成结果不稳定

• 问题：多次运行结果差异较大。
• 解决：增加示例或采用自我校验方法。

3. 输出信息冗长

• 问题：生成文本过多或不够简洁。
• 解决：限制字数并要求模型生成重点内容。

---

第7章：最佳实践总结

1. 简洁清晰：设计简单直接的提示词。
2. 添加示例：通过示例让模型学习任务模式。
3. 迭代优化：不断测试并调整提示词。
4. 利用高级技巧：结合思维链、自我校验等增强模型能力。

---

以上为课程的完整笔记，建议配合实际练习和工具（如 OpenAI Playground 或 API）进行实践，加深对提示词工程的理解和应用。