写不好提示词?可能是你忽略了这个关键——上下文

AI提示词技巧:从入门到精通的实用指南 提示词(Prompt)就是我们输入给AI的指令或问题,它决定了AI会给出什么样的回应。可以把它想象成给AI的"导航地图"——地图越清晰,AI就越容易带你到达目的地。普通提问:“写一篇关于环保的文章”优化后的提示词:“请以绿色生活从我做起为题,写一篇800字左右的科普文章,面向普通大众,语言通俗易懂,包含3个日常环保小贴士”掌握提示词技巧就像获得了一把开启AI潜能的钥匙。从简单开始,逐步增加细节多尝试不同的表述方式善用角色扮演和示例引导不断优化调整你的提示词。 阅读详情

你是否也遇到过这样的困扰:明明给AI下了指令,它却总不能精准输出?明明反复调整话术,结果还是差强人意?其实,问题的根源可能在于你对“提示词”的理解存在误区——多数人写不好提示词的核心卡点,是忽略了“上下文”的重要性。

一、纠正认知:提示词远不止是“指令”

首先需要明确两个核心认知:

第一,你与AI说的每一句话都是提示词。许多新手误以为只有第一次输入的长文本才叫提示词,实则不然。从你发送的第一句“你好”,到后续每一次对话,所有内容都会成为AI理解当前问题的依据。

第二,有效提示词=指令+上下文。当下流行的“100个高效指令”类内容,往往将提示词简化为“指令”(即“让AI做什么”),但真正有效的提示词还需要“上下文”——它是AI完成任务的背景、前提与约束条件。

举个简单例子:当领导只说“把PPT做了”,却不说明用途、受众、重点时,你往往难以精准执行;同理,若只告诉AI“写一份PPT”,却不补充“面向客户介绍新产品”“需突出技术优势”等背景,AI的输出也会偏离预期。这正是“上下文比指令更重要”的直观体现。

二、理解上下文:AI的“对话参照系”

要写好提示词,必须先理解“上下文”在AI对话中的作用——它是AI回答的“参照系”,决定了AI如何理解你的需求。

场景1:AI如何“记住”你的话?

当你与AI连续对话时,每一次提问都会将此前所有聊天记录打包,作为上下文提交给AI。例如:

  • 你说“我吃了一桶泡面”,AI回应“注意营养均衡”;

  • 你补充“是红烧牛肉面”,AI回应“经典口味”;

  • 当你问“我吃了什么味道的泡面”时,AI能准确回答“红烧牛肉面”,正是因为它接收了完整的历史对话作为上下文。

这说明,你与AI的每一次互动,都会成为后续对话的“背景板”,直接影响AI的输出。

场景2:为什么聊着聊着AI就“忘事”了?

AI的“记忆力”受限于“上下文窗口长度”——可以理解为AI的“短期记忆容量”。当对话内容超过这个容量阈值时,AI会选择性遗忘较早的信息,只保留最近的关键内容。

例如,若AI的上下文窗口是10万字,当你与它聊到第11万字时,前1万字会被截断;若你让AI总结一本100万字的书,而它的窗口只有10万字,它只能基于前10万字输出,无法覆盖全书。因此,上下文窗口长度是衡量大模型能力的核心指标之一,更大的窗口意味着AI能处理更复杂的任务(如深度话题讨论、长文本分析)。

三、写好提示词的六个思维问题

掌握了上下文的底层逻辑,如何优化提示词?分享我写提示词时的六个关键思考:

  1. 指令是否足够明确? 明确“让AI做什么”(写PPT/生成文案/总结报告),避免模糊表述。

  2. 上下文是否清晰完整? 补充任务背景(为何做)、目标(要达成什么效果)、约束(格式/语气要求)等信息。

  3. 是否需要补充额外背景? 若AI输出不符合预期,反思是否遗漏了关键信息(如“文案需成熟稳重”未明确说明)。

  4. 对话是否存在无关信息? 保持话题专注,避免中途插入无关内容(如聊A话题时突然切换B话题),否则AI会因信息混杂而偏离。

  5. 是否接近上下文窗口限制? 若对话过长,需控制内容精炼度,避免因窗口溢出导致AI“遗忘”关键信息。

  6. 如何处理超窗口场景? 若必须长对话,可选择上下文窗口更长的模型(如支持100万token的Gemini);或精炼总结已有内容,新开对话窗口继续讨论(类似与人聊天时“总结前情再续聊”)。

结语:提示词的本质是“沟通技巧”

写好提示词的核心,从来不是死记硬背模板,而是理解AI的底层逻辑(如何处理上下文),并掌握沟通的本质——换位思考、信息对齐、目标明确。当你能像与人沟通一样与AI对话,自然能最大化发挥它的能力。

目前,已有2万多个智能体通过“Coze+BotCash+支付MCP”组合打通“开发-分发-变现”闭环,真正实现“对话即服务,服务即变现”。详情参见:BotCash官网

下一次使用AI时,不妨从“指令+上下文”的框架出发,用这六个问题检验你的提示词,或许会收获意想不到的效果。

真正用好DeepSeek,你可能只缺这1000个提示词的关键认知 在“1000个提示词”中,你会高频看到角色定义(如“你是一名资深产品经理”)、背景设定(“假设你现在正为一个SaaS平台设计...”)、任务拆解(“请分步骤分析...”)这类词汇。格式(“列点”、“大纲”、“对话体”)?提示词库里的限定词(如“不少于3点论据”、“以表格形式呈现”、“避免使用专业术语”),正是帮我们主动设限,减少AI的“自由发挥”可能导致的目标偏离。提示词库的丰富词汇(如“生成”、“聚焦”、“目标读者”、“通俗且有洞察”),帮我们更自然、更结构化地描述需求,让AI“理解”更到位。 阅读详情

相关推荐

AI账单太贵?可能是你忽略了提示词缓存

本文解析三种Prompt Caching实现的主流方案:OpenAI隐式缓存、Anthropic书签模式、Gemini资源模式。附选型决策树,帮你判断什么场景选什么方案。真正省钱的AI架构 = 知道什么时候用、怎么用、怎么衡量ROI。

一勺技术,一勺思考。 703

Ai提示词不会写,看这一篇就够了!(附:套用模板)

如果你已探索过豆包Ai、Kimi、智谱清言等生成式AI工具,那么你对“prompt”(提示词)这一核心概念一定有自己的认知和理解。这里所谓的提示词,其实就是人和AI交互时的输入,是连接你与AI创意源泉的桥梁,“prompt”不仅是触发无限想象的钥匙,更是塑造AI输出内容品质的灵魂所在。它可以是一个问题,也可以是一段描述性的指示,生成式AI可以根据你的指示或者问题,输出你期望的内容。

2301_80239908的博客 8744

【backtrader保姆级教学】投资组合回测

method1:探索投资组合的最有方案,使用蒙特卡洛模拟Markowitz模型。# 提取最小波动组合对应的权重, 并转换成Numpy数组。# 绘制收益-标准差的散点图,并用颜色描绘夏普比率。# 在收益-风险散点图中突出风险最小的点。:param any_day: 任意日期。# 将该点坐标显示在图中并保留四位小数。password = “替换密码”# 找到标准差最小数据的索引值。user = “替换账号”# 计算GMV投资组合收益。# 计算每项资产的夏普比率。# 设置无风险回报率为0。

weixin_38132951的博客 2316

人人都该会写提示词(一):告别“AI小白”,为什么你与高手之间,只差一个高质量的提示词?

今天,我们将正式开启人人都该会写提示词系列。作为首篇文章,我将带你深入理解:究竟什么是提示词?为什么在 AI 时代,写好提示词是至关重要的能力?

2301_81940605的博客 1458

POWER SI仿真流程

一、打开软件Power SI二、加载PCB,可以直接使用brd文件,不用再进行格式转换三、check Stackup,与原来的PCB叠层对照一遍,检查数据加载后有没有出错。四、select Nets,加载brd文件后,可能所有的网络都处于使用状态,先在右侧net manager下面右键disable all nets,再使能需要仿真的电源网络(如果要仿真的网络没有归属到电源网络,在其上右键,选classfy as power \ground nets)

lx5213的博客 1328

Linux服务器上后台运行jupyter notebook/Lab

1 安装配置教程2 后台运行jupyter3 更改运行环境kernel4 SSH端口转发 1 安装配置教程 可以参考:https://www.cnblogs.com/thousfeet/p/10647102.html 2 后台运行jupyter screen -S jupyter # 新建一个名为jupyter的后台screen # 在base环境下,先 cd 到指定文件目录 jupyter notebook # or jupyter lab 3 更改运行环境kernel 需要手动为每个环境添加内.

strivequeen的博客 1837

AI 提示词入门:7个你必须知道的AI缺陷及应对策略(万字长文,建议收藏)

GPT-3.5 :当你发送的文字和 GPT 回复的文字大概 4000 个汉字或者 3000 个单词的时候,GPT 就可能忘记了你最开始的对话内容,按照一轮对话 500 - 1000 字的假设,也就是 4 - 8 个提问之后就可以再次发送 GPT 最开始设定的偏好或者个人信息了。然而,对于非常大的 GPT 来说,正确答案和错误答案的分布熵可能是相似的,这表明 GPT 在生成错误答案时与生成正确答案时同样自信。如果你的问题模糊不清,你的朋友可能会需要更多的信息来提供有用的答案。如果信息有误,可以选择删除。

daniellq的博客 2256

hspice2016安装教程

试装系统:win10 64bit 安装包路径和安装路径最好都不要出现中文,一般选择默认安装在C盘。 1.解压安装包压缩文件。 2.以管理员身份运行hspice_vL-2016.03-2_win.exe。 3.点击“Next”。 4.选择“I accept”,然后点击“Next”。 5.点击“Next”。 6.一般默认安装路径即可,然后点击“Next”。 7.点击“Next”. 8.点击“Next”。 9.正...

谢谢关注“小鱼教你模数电”,各平台同号 1万+

如何使用AI提问提示词(Prompt):让你的提问回答更有效

提示词(Prompt)是您向AI输入的文本,用以引导AI生成特定的内容。它可以是一个问题、一段描述、或一个任务指令。AI根据这些提示词,结合自身的训练数据,生成相应的回答或输出。

u010436243的博客 7434

从零搭建宝兰德BES单机版:分离式安装、环境变量配置到控制台访问的避坑指南

本文详细介绍了从零搭建宝兰德BES单机版的完整流程,包括分离式安装、环境变量配置和控制台访问的避坑指南。针对中间件安装部署中的常见问题,提供了账号规划、JDK配置、实例创建和防火墙设置等实用解决方案,帮助开发者和运维人员高效完成BES中间件的部署工作。

weixin_32576389的博客 375

WIFi 开关控制实现-ESP8266 物联网 android studio arduino QT多线程服务器

简介:本例子分硬件和软件两大部分, 软件又分3小部分:1 ESP8266 Arduino 嵌入部分 2 手机APP android studio 3 QT 上位机服务器程序。 总之就是一整套。有些代码会有简单备注说明,非科班出身,写这些代码纯属娱乐,写得很不好,多多包涵。 目的: 手机、被控继电器模块连接家里路由器,通过手机App控制继电器的开与断,可设置三种定时模式,即延时开、工作时间、关闭延时。可以控制单一继电器通断或者同时通断。例如,根据配置,可以控制热水器(双刀控制,主要怕漏电)...

qinyaquan1987的博客 4001

提示词写不好,AI只会帮倒忙!8个常见提示词避雷清单!

作为一名AI培训师,我经常在微信里面收到学员们的咨询:“为什么我输入的提示词,AI给的答案总是答非所问?” 或者 “同样的问题,我同事输入的提示词效果很好,为什么我却不行?” ,以及“怎么让AI的回答不那么空泛,言之有物?这些问题看似复杂,其实背后的原因很简单——提示词没有设计好。在今天的文章中,我将带你找到答案。我也会碰到很多人在当AI输出结果不理想时,会觉得AI也没有那么传说中的神乎其神嘛!很多人也会好奇,我是怎么将AI变成生产力的,以及我为啥那么爱chatGPT。

python12345678_的博客 2056

基于LSTM的多变量温度预测(python从入门到入坑)

基于LSTM的多变量温度预测(python) ——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话) 这里写目录标题基于LSTM的多变量温度预测(python)——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话)一、我为什么要写这些?二、具体做了什么?三、源代码切块加注释,恳请批评指正(●’◡’●)ノ 一、我为什么要写这些? 因为让人抓狂的课程大作业,我小组选择了一个多变量预测方面的课题,在我这个大三基本上还没接触过Python数据处理,甚至对神经网络什么的都

代码之狐的博客 1万+

Dify提示词最长能写多少?:99%开发者忽略的关键参数解析

解决提示词设计难题,详解Dify提示词的最大长度限制及优化策略。涵盖高精度生成、多轮对话等场景的适配方法,提升模型响应质量。掌握这一关键参数,让AI输出更稳定高效,值得收藏。

CodeIsle的博客 977

①电子产品拆解分析-暖手宝

电子产品拆解分析-暖手宝 ①按键三档调温暖手; ②长按进入氛围呼吸灯; ③安卓接口充电以及支持USB输出;

a6662580的博客 5300

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

【人工智能】大模型提示词:不同长度上下文下的提示词调整技巧

《大模型提示词调整技巧:不同上下文长度的优化策略》摘要:本文系统探讨了在不同上下文长度下优化大模型提示词的关键方法。短上下文(≤1000 tokens)需精简提示词,聚焦单一需求并明确输出格式;中上下文(1000-4000 tokens)应划分信息模块并控制对话节奏;长上下文(≥4000 tokens)则需标注信息优先级、拆分复杂任务。文章通过具体案例展示了如何根据上下文特点调整提示词设计,并分析了上下文长度对模型注意力分配和信息处理的影响,为提升大模型响应效果提供了实用指南。

m0_70680929的博客 1838

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

如何写好DeepSeek的提示词:从入门到专家

提示词是你与AI对话的起点,是引导AI生成内容的指令。想象一下,提示词就像是你给AI的“任务书”,写得越清晰,AI完成得越好。现在,拿起你的“钥匙”,开启AI的智慧之门吧!“你是一位宠物博主,请写一段关于猫的简短描述,突出其可爱和独立的特性,语气幽默,适合发布在社交媒体上。如果AI的输出有偏差,可以在提示词中加入对之前输出的反馈,帮助AI更好地理解需求。将提示词分成多个部分,比如“任务描述+具体要求+输出格式”,这样AI更容易理解。“写一段关于猫的简短描述,突出其可爱和独立的特性,语气幽默。

AngelCryToo的专栏 7328

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【人工智能】大模型提示词的“上下文窗口”:提示词长度与历史对话的平衡

本文探讨了大模型"上下文窗口"的概念及其使用技巧。"上下文窗口"指大模型单次对话能处理的文本总量,包括提示词和历史对话。文章分析了提示词过长或过短的问题,以及历史对话过多或缺失的影响,强调两者平衡对生成质量的重要性。提供了优化提示词、管理历史对话的具体策略,并针对不同场景(如技术文档、问题解答、创意写作)给出差异化建议。还介绍了判断提示词合适长度、历史对话保留标准的方法,以及处理窗口不足的实用技巧。最后,文章展望了大模型窗口容量增大、智能管理能力提升等趋势对使用策略的

m0_70680929的博客 1254

如何写好ChatGPT的提示词:从入门到专家

提示词(Prompt)是用户与 ChatGPT 等语言模型交互的桥梁,它用来向模型描述你的需求或问题。提示词的质量直接影响生成结果的准确性、相关性和可用性。一个好的提示词可以让模型更清楚地理解你的意图,从而提供更符合期望的回答。写好ChatGPT的提示词不仅是技术问题,更是一种艺术。通过明确需求、提供背景信息、指定格式与风格等方法,可以显著提升生成内容的质量。掌握提示词优化的技巧,将使你在工作和生活中充分利用AI的潜力,成为真正的提示词专家。

AngelCryToo的专栏 1329

【AI】大模型提示词的“上下文窗口”:提示词长度与历史对话的平衡

摘要: 大模型的“上下文窗口”决定了其处理提示词和历史对话的总容量。提示词过长会挤压历史对话空间,影响模型理解连续性;过短则信息不足,导致输出偏差。平衡策略包括:精简提示词核心需求、分阶段输入、定期清理无关历史对话、关键信息摘要替代等。不同窗口容量的模型(如GPT-3.5的4K tokens与GPT-4的16K tokens)需适配差异化管理,小窗口侧重精简,大窗口可保留更多细节。实际应用中,技术文档生成需结构化提示,问题排查应保留相关对话,创意策划可动态调整历史摘要。未来随着窗口扩容和智能管理能力提升,平

好好学习,天天向上 1599

【AI】大模型提示词:不同长度上下文下的提示词调整技巧

大模型提示词调整技巧:适配不同上下文长度的关键方法 本文系统介绍了针对不同上下文长度(短/中/长)优化大模型提示词的技巧。短上下文(≤1000tokens)需简洁直接,聚焦单一需求;中上下文(1000-4000tokens)需模块化设计,分步处理多任务;长上下文(≥4000tokens)需明确优先级,拆分复杂任务并锚定关键信息位置。文章通过具体案例展示了三种场景下的提示词优化方法,分析了大模型在各类上下文中的注意力分配特点,并提供了常见问题解答和实用工具推荐。随着技术进步,未来大模型将具备更强的上下文自适应

好好学习,天天向上 1739

Dify提示词模板循环实战指南(99%的人忽略的关键细节)

掌握Dify提示词模板循环语法,轻松实现自动化内容生成。详解其在批量处理、多轮对话等场景的应用,结合实际案例解析核心用法与避坑技巧,提升效率的关键细节全公开,值得收藏。

LogicPlex的博客 998

AI大模型时代人人都该会写提示词|什么是提示词?为什么写得好是生产力?

“ 用AI的人越来越多,但真正会用的人,还是少数。” 我相信很多人都已经接触了ChatGPT、Midjourney、Claude、deepseek等AI工具,可为什么有些人能用AI 写出专业文案、商业方案甚至创意广告,而有些人却只能把它们当成一个问答平台? 答案只有一个:提示词没写好。

2401_85325557的博客 1934

99% 的人忽略的系统提示词技巧,学会直接碾压同龄人

沉淀成几条稳定可复用的系统提示词模板——「我要用 AI 提升效率、碾压同龄人」,结果每天都在和对话框搏斗一句话的提问;往往是「你让它先想什么,后想什么」。他们只忙着换各种花哨的「专家头衔」、愿意在系统提示词上多打磨半小时的人。一点点把这些「立场、思考顺序、边界」而是在给它装一个固定的「工作流」。在写系统提示词时不会认真写的东西。真正靠谱、稳定、像同事的长期搭档。都拆到可落地的系统提示词模板里,挤各种听起来很厉害的形容词,「给 AI 穿了件正装」,「帮我写一个活动方案」,远远称不上真正的调教。

LSLDAIHLWRB的博客 1065
上一篇: AI 创业破局思考:从 NeXT 的历史经验看垂直场景突围路径
下一篇: 从开发到变现,BotCash如何让AI智能体成为“利润中心”?
AI先驱体验官
博客等级 码龄1年 68粉丝 58原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值