跳到主要内容

提示词工程

prompting meme

今天我们将掌握提示词工程——成为“LLM的心理学家”的技能。

通常，一旦我们的聊天机器人或代理出现问题，我们会：

  1. 首先尝试通过提示词工程解决问题
  2. 更改架构
  3. 改进LLM本身

如你所见，提示词工程位于首位。这是因为改进提示词非常容易（与重做系统或LLM相比），而且最坏的情况是零增长，最好的情况是成倍增长。因此，我们掌握提示词工程

Questions​

我们将讨论的问题：

  • 什么是系统提示词？
  • 什么是用户提示词？
  • zero-shot 和 few-shot 请求有什么区别？
  • 什么是思维链 (Chain of Thought)？

Steps​

0. 观看 x2 倍速​

接下来，我提供以下选择：简单地阅读关于技术的文章并继续前进；在 jupyter notebook 中以交互方式掌握它们；或者支付谷歌的课程费用，并在 AI Studio 中观看漫长而轻松的讲座并进行实践。

1A. 提示词工程基础​

  1. 前往 https://www.promptingguide.ai/ 并阅读所有章节，包括从第一个开始到思维链 (Chain of Thought) 为止的所有章节。

1B. 交互式课程（替代方案）​

https://github.com/anthropics/prompt-eng-interactive-tutorial + use base_url

同样，仅学习到包括思维链 (Chain of Thought) 在内的内容，再往后就过头了。

1Б. 谷歌课程（替代方案）​

https://www.coursera.org/learn/google-prompting-essentials ($60) - 谷歌提供的 9 小时课程

Extra Steps​

E1. 阅读官方建议​

E2. 阅读 Cursor AI 的系统提示词​

E3. 阅读 Sutskever 的帖子​

E4. 用于比较提示词并在基准测试中运行提示词的服务​

E5.​

如果您仍然感到不自信，并且对我们在这里所做的事情没有一个完整的概念，那么此视频将再次从头开始用另一种语言解释所有内容。

Now we know...​

我们学习了提示词工程的基础知识，包括系统提示词和用户提示词之间的区别、zero-shot 和 few-shot 方法，以及思维链 (Chain of Thought) 方法。现在我们理解了为什么提示词工程是改进 LLM 系统工作方式的第一个也是最容易获得的方法，它只需要最小的成本，同时有可能显着提高结果。这些知识将使我们能够更有效地与 AI 代理交互，更准确地表达请求，并从模型中获得更高质量的响应。

Exercises​

  • 如果根本不写系统消息会怎样？
  • 为什么我们在提示词中指定角色？“你是一位专业的律师……”
  • 我们能否对 toolCall 的正确使用进行 few-shot 示例？
  • 对于哪些任务，思维链 (Chain of Thought) 不会产生任何效果？

Ask ChatGPT