概述
前段时刻在 DeepLearning 学了一门 Prompt 的课程，感觉受益匪浅，因而在这儿总结分享一下学习笔记，期望能够帮到我们。
为什么要学习 Prompt ？
因为在未来的 AIGC 时代，学习有用的 Promot 提示词有用的运用 AI 来完成一些重复性的作业。这也我认为未来每个人都必备的技能之一。
以下是我个人学完这门课程的总结：
- 更好的完成任务：试想一下，假如你给 AI 一个模糊的问题，那么你得到的只会是一个模糊的答复
- 多元化的成果：能够让 AI 更多维的成果，但不限于：代码，JSON，XML，HTML 等格式文本，甚至是图片，视频等
- 避开 AI 的局限：喜爱假造现实，这是现在 AI 已知的缺点，但有用的 Prompt 能够协助你有用的避开这个已知，但现在还无法解决的缺点
- 不再迷信完美的 Prompt：了解本相后，你将不再迷信相似于 awesome-chatgpt-prompts-zh 各种所谓的魔法，速成的调教攻略，因为不存在完美的 Prompt
- 了解 AI 的才干：现在大模型的才干局限在：摘要，推理，转化，扩展等才干上，现在的 AI 并非无所不能，不要过火神话，也不要过火降低它
总而言之，学习 Prompt 提示词能够协助您更好地与 LLM 模型进行交互，指导其生成契合您需求的文本，并提高效率和精确性。也推荐我们有时刻能够看完完好的视频课程。我就不过多展开了。以下是我对课程的学习笔记。
第一章： Introduction 导言
第一章节，导言首要介绍和 ChatGPT 或相似的 LLM 沟通时，要遵从的几个根本原则，如下：
- 明确的指令：明晰的指令会得到更精确的回复。例如，而不是问 “我应该吃什么?”，你能够问 “我应该在素食饮食中增加哪些蛋白质来历 ？”
- 合理的期待：模型的常识储藏和它的练习参数和练习方向有关，例如关于
ChatGPT这样一个作为通用范畴的大模型，关于一些特别杂乱、需求深度专业常识，它是无法供给精确的答案的，特定范畴的问题有必要由特定范畴的专用模型来解决。 - 验证成果：如上，关于特别杂乱和专业的问题，AI 有时候会虚拟信息，你有必要对 AI 的回复进行验证，假如发现了过错，能够测验用不同的办法发问。
- 等待 AI 考虑的时刻：AI 需求了解你的问题，并生成一个有用的呼应，这或许需求一些时刻，特别是关于杂乱的问题。要有一点耐心
以上便是向第一章课程中包含的向 AI 发问的根本原则，期望对你有所协助。
第二章：Guidelines 攻略
第二章首要介绍以下内容：
- 怎么运用 ChatGPT 进行结构化输出，例如 JSON，HTML，XML 等等
- 假如运用 Prompt 有用的防止 AI 虚拟现实的办法（上面提到过）
生成结构化数据
在数据处理与分析**，**API 开发和测试等常见的场景中你或许需求生成或解析 JSON 数据。你能够运用 ChatGPT 协助你完成这些任务。
例如，假如我们想让ChatGPT生成一个包含某人信息的JSON目标，能够依照以下办法问询：
指令： “请生成一个包含名字（John Doe）、年纪（30）和职业（Software Engineer）的 JSON 目标。”
ChatGPT 或许会生成以下的输出：
{
"name": "John Doe",
"age": 30,
"profession": "Software Engineer"
}
这是一个根本的示例，你能够依据需求自定义属性和值。甚至让它生成一个虚拟的 JSON 数组目标也是很简略的
怎么防止 AI 假造现实 ？
ChatGPT 是一个依据很多文本练习的言语模型，因而，它或许会生成包含过错、过时或猜测的信息的答案。
可是，经过优化你的问题或提示（prompt），你能够降低这种状况的或许性。办法如下：
- 要求引证来历：在问询现实性信息时，要求模型引证其信息来历。（现在 GPT-4 现已实现联网功能）
- 寻求解说而不是现实：假如你想了解一个详细的概念或理论，考虑寻求对它的解说，而不是一个详细的现实。例如，问 “什么是深度学习?” 或许比问 “深度学习最重要的研讨是什么?” 得到更精确的答复，因为后者或许引导模型进行猜测或假造。
- 运用多个问题：假如你对一个问题的答案不确定，能够测验用不同的办法重复发问，或许向模型要求解说它的答案。这能够协助你从不同的角度了解问题，并或许提醒模型的不精确之处。
示例如下：
假定你想了解电池的作业原理，你能够依照以下办法发问：
- 直接发问： “电池是怎么作业的?”
对此，ChatGPT 或许会给出一个根本的答案，解说电池的化学反应和能量转化。
可是，你或许期望得到更详细的答案，或许验证模型的答复。你能够用以下办法改善你的发问：
寻求详细的解说： “能否详细解说一下电池的作业原理，特别是化学反应是怎么发生电流的?”
这个问题要求模型供给更详细的答案，并专心于电池的特定方面。再者，你能够要求模型引证其信息来历，尽管它不能实时查阅互联网，但能够供给它的练习数据中的一些信息：
要求引证来历： “能否详细解说一下电池的作业原理，特别是化学反应是怎么发生电流的? 并请供给你的信息来历。”
这样的问题能够让模型生成一个更完好和详细的答案，并尽或许地供给一些源于其练习数据的信息来历。
最后，假如你对模型的答复有疑虑，你能够经过不同的办法重复发问，或要求模型解说它的答案：
运用多个问题和要求解说： “你能解说一下电池内部的化学反应是怎么发生电流的吗?它是怎么转化为我们所用的电力的?你的答案是依据什么样的科学原理的?”
这样的发问办法不只能够从不同的角度了解问题，还能够应战模型的答复，查看其是否依据合理的科学原理。
第三章：Lterative 迭代
本章首要解说怎么经过满足的迭代（上下文和语境）让 AI 更好的解决问题，这也是吴恩达所说的 不要迷信完美的 Prompt，简略的 Prompt 只能解决简略的问题，只有满足的迭代（上下文和语境）才干真正的解决问题你当时遇到的问题，首要原因如下：
- 了解问题的全貌：供给更多的上下文能够协助 ChatGPT 更好地了解你的问题。例如，假如你仅仅简略地发问“它多大？”，ChatGPT 无法知道你在问什么。但假如你先说“我刚买了一部新手机，”然后再问“它多大？”，ChatGPT 就能了解你在问手机的巨细。
- 消除歧义：上下文能够协助消除言语的歧义。许多单词和短语在不同的上下文中或许有不同的含义。例如，“行”能够指的是做某事，也能够指的是一行文本。假如你供给满足的上下文，ChatGPT 就能更好地了解你的意思。
- 了解问题的布景：在一些状况下，了解问题的布景信息关于生成有用的答案是很重要的。例如，假如你在问有关一部电影的问题，供给电影的名字和你现已知道的相关信息能够协助 ChatGPT 生成更相关的答案。
- 跟踪对话的连贯性：在一个持续的对话中，供给上下文能够协助 ChatGPT 保持对话的连贯性。例如，假如你在之前的对话中提到过某个主题，将这个信息包含在新的提示中能够协助 ChatGPT 了解和回应你的问题。
总的来说，供给更多的上下文信息能够协助 ChatGPT 更精确、更有用地答复你的问题。这也是开端说的 不要迷信完美的 Prompt 的原因地点了。
第四章：Summarizing 摘要
本章首要介绍 ChatGPT 的总结冗余信息的才干，信息大爆炸和快节奏的时代，要读完一本学术巨著，或许是冗长的商业陈述，法律文书等长篇文章几乎是不或许了，有用的运用 ChatGPT 的摘要才干，它能够从一篇长文中提取要害信息并生成一个总结，协助我们压缩，但又不错过要害信息，提高阅览效率。生成总结提示词的办法很简略，你能够上传一份文档（运用 AskYourPDF 插件），或许给他一串长文本，然后发问：请为这篇文章生成一个总结。 即可。这章比较简略，就会持续展开了。
第五章：Inferring 推理
本章首要介绍 AI 的推理才干，推理才干是 AI 才干十分风趣的才干，当你给它一个问题或一个话题，它就会依据现已学到的常识和技能，测验生成一个合理且有协助的答复。它是依据零样本学习（Zero-Shot Learning）来实现的。通俗的解说便是：
模型运用已有的常识或信息来处理新的、不知道的状况。在进行推理时，模型或许需求依据已知的现实或规矩来猜测不知道的成果。
能够经过一个例子来了解：
比方说，假如你告知 ChatGPT，“今日下雨，我没有带伞，我会湿吗？”
ChatGPT 会结合它“学习”到的关于雨、伞和湿度的常识，给出 “是的，假如你在雨中行走而没有伞，你或许会变湿。”这样的答复。
这就涉及到了一种简略的推理：雨会让人湿，伞能够防止人淋湿，没有伞的人在雨中会湿。
第六章：Transforming 转化
Transforming 转化可谓是 AI 的十分拿手的才干，算是看家本领。关于 Transforming 的学术描绘是这样的：
Transforming 才干首要是指它能够把一种方法的信息转化为另一种方法，或许把信息从一种语境、口气、风格转化到另一种。
这么了解或许比较抽象，以下是一些经常会运用到的运用场景：
- 从非结构化信息到结构化信息：能够从非结构化的文本数据中提取要害信息，并将其转化为结构化的格式，如 JSON，XML 等。这在处理很多非结构化数据时很有用，比方从社交媒体帖子、新闻文章或产品谈论中提取要害信息。
- 从一种言语到另一种言语：尽管 AI 并不是一个专业的翻译东西，可是 AI 现在表现出来的翻译才干，真的是现在是吊打市面上的一切翻译软件，包含 Google 翻译等等，这儿安利一款我现在在用的依据 AI 转化东西：OpenAI Translator，这是款开源软件，你能够在 Github 上找到它
- 从一种口气或风格到另一种口气或风格：能够把一个文本从一种口气或风格转化为另一种。例如，它能够把一段正式的商业陈述转化为更为口语化、易于了解的言语，或许把一段平淡的描绘转化为更具有创造性的表达。例如指令：”运用苏格拉底的口气对计算机基础理论某一个常识点进行解说”等
- 把杂乱的概念或信息转化为易于了解的方法：能够把杂乱的概念、数据或信息转化为更易于了解的方法。例如，它能够把一段关于气候变化的科学陈述转化为一段合适儿童阅览的故事，或许把一组杂乱的数据转化为简略的图表或信息图。
- 从文字到音频或视频脚本：能够将一段文字转化为合适录制为音频或视频的脚本。例如，它能够把一篇博客文章转化为一段播客剧本，或许把一段对话转化为电影脚本。
以上仅仅一些或许的运用场景，AI 的转化才干能够在许多其他场景中发挥作用，取决于详细的需求和环境。
第七章：Expanding 扩展
扩展 Expanding 才干首要指它能够从给定的初始信息或提示中生成更多的内容或信息。简略来说摘要（Summarizing）的运用场景相反，便是依据短文生成长文。比方文章、故事、对话等。以下是一些或许的运用场景：
- 写作辅佐：假如你在写作时卡住了，你能够给它一个简略的提示，然后让它生成更多的内容。这能够协助你开拓思路，找到新的创意或创意。
- 陈述生成：假如你需求编写一篇关于特定主题的文章或陈述，你能够给它一个简略的概述或大纲，然后让它生成完好的文章或陈述
- 写小说：假如你想创作一个新的故事，你能够给它一个简略的剧情概要，比方主角的描绘或故事的开头，然后让它生成完好的故事。
- 教育和学习：在教育和学习的场景中，它能够用来生成教育资料，比方解说、事例研讨、问题和答案等。这能够协助学生更好地了解和掌握常识。
示例：
假定我们给出 AI 一个如下的提示词：
请依据以下提示词生成一个故事：在一个风和日丽的早晨，杰克醒来，发现他的宠物鹦鹉消失了。
它会生成如下的故事：
在一个风和日丽的早晨，杰克醒来，发现他的宠物鹦鹉消失了。他的目光立即被笼子空荡荡的一角所招引，笼门半开，鹦鹉的食物未动，一切都显得分外安静，与往日的欢声笑语形成了鲜明对比。
他心急如焚，匆促在家里找寻，但是，家里并没有找到鹦鹉的踪影。他的心沉了下来，他想，也许鹦鹉仅仅飞出去玩了一会，很快就会回来的。但是，整个上午过去了，鹦鹉仍是没有回来。
午后的阳光照在花园里，杰克决议到花园和附近的森林里寻找鹦鹉。他呼喊着鹦鹉的名字，但只有微风吹过树叶的声响回应他。杰克心里越来越不安，他知道鹦鹉不或许走得太远。
就在此刻，他看到了一片鹦鹉的茸毛，旁边还有一些了解的爪印。他心跳加速，紧跟着这些线索深入森林。在森林的深处，他看到了他的鹦鹉，它正站在一个高大的橡树上，旁边是一窝刚刚孵化的小鸟。
本来，鹦鹉是跟着母鸟来到这儿，协助它照顾刚刚孵化的小鸟。看到这一幕，杰克笑了，他知道他的鹦鹉是一只善良的生物，它的消失是为了做一件功德。
那一天，杰克和他的鹦鹉一起在森林里度过了夸姣的一天。他们协助小鸟找食物，一起在树林里游玩。晚上，鹦鹉回到了笼子，杰克知道，不管鹦鹉飞到哪里，它都会回到他身边，因为这便是它的家。
在这个示例中，ChatGPT 从一个简略的提示扩展出一个完好的故事，包含角色的动作、感情以及故事的发展和结局。
总结 Conslusion
吴恩达的这门 Prompt Engineering 课程，首要解说了运用 Prompt 的根本原则，还有 LLM 大模型在各个场景下的运用办法。
关于运用 Prompt 要记住以下原则：
- 明晰详细的指令
- 满足的上下文和满足多的对话
- 提出展示信息源，防止 AI 假造现实
- 运用结构化的输出办法，例如 JSON， XML，HTML 等，这是 AI 拿手的输出办法
- 合理的期望，AI 并不是全能的
以上是课程的全部内容，课程内容不长，有爱好能够去官网学习。
本文运用 mdnice 排版
