提示词工程03——提示词框架

Yuwen_forJava Yuwen_forJava 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 432平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 2026-07-22 10:13:36 432 阅读 AI 写同款· GEO 优化 ›
AI时代的新沟通能力：结构化提示词 AI 大模型工具，尤其是大型语言模型（LLMs），通常不自带提示词功能，但它们可以被设计成理解和响应精心构造的提示词。提示词的设计是一个创造性的过程，旨在最大化模型的性能和输出的相关性。它们包括了具体的研究问题、方法论、论文结构、风格和语调以及预期的长度，以确保生成的文本满足特定的学术或专业标准。在这个例子中，提示词清晰地指出了任务（生成摘要）、提供了必要的上下文（文章内容）、指定了格式（简短）、设定了长度限制（不超过200字），并且指明了风格（学术）。 阅读详情

核心定义

一套结构化、模块化的提示词写作模板与方法论。它将零散的指令经验沉淀为标准范式,为各类AI应用场景提供可复用的底层逻辑,让不同使用者在指令创作时都能有章可循,从根源上避免因表达随意导致的Al响应偏差。

核心目的

将用户模糊、抽象的业务需求,拆解为AI能够精准识别、稳定执行的标准化指令。通过明确任务目标、执行规则与输出格式,有效消除人机交互中的理解歧义,大幅降低沟通成本与反复调试的试错率,让AI的能力能够更高效、稳定地服务于实际业务场景。

底层本质

构建人与大语言模型之间的高效沟通协议。这一协议是连接人类主观意图与机器客观执行的关键接口,在自然语言的灵活性与机器运算的严谨性之间建立统一的语义桥梁。它让复杂的智能协作能够基于共同的"语言规则"发生,实现从"人适应机器"到"机器理解人"的高效协同。

通用万能型框架（适用于大多数日常任务的标准化模板）

1.RTF框架（角色、任务、格式，适用于：日常文案，总结等，通用性框架）

  • 赋予AI专业身份设定

为AI设定具体的专业角色,例如资深顾问、行业分析师或技术专家。这能让AI在特定领域的知识体系下进行思考,确保生成内容具备专业视角,符合行业标准与实际应用场景。

  • 明确核心执行目标

清晰、具体地向AI下达指令,说明需要完成的工作内容与核心成果要求。避免模糊的表述,让AI精准把握执行方向,从而产出聚焦主题、切中要点的高质量结果,减少无效信息。

  • 定义输出规范标准

提前指定最终的呈现形式,如报告结构、段落长度、语言风格(正式/口语)、甚至数据可视化的类型。标准化的格式要求能让AI的输出直接适配业务流程,大幅降低后期人工整理与调整的成本。

2.ICIO框架（指令、上下文、输入数据、输出指引，适用于：数据分析、正式方案等）

  • 指令(Instruction)（错定核心目标,以动词为明确行动起点）

精准定义Al需要执行的核心任务,拒绝模糊表述。通过动词开头的折使句直接下达行动指令,剔除冗余修饰,让模型无需猜测,清晰知晓第一步要做什么,为后续执行奠定准确基调。

  • 上下文(Context)（对齐执行语境,明确用途、风格与受众）

为AI补充任务发生的背景信息,包括业务使用场景、内容的写作风格、目标受众画像及潜在的执行限制。这能帮助模型跳出通用化回答,理解"为什么做",从而生成贴合具体业务场景的个性化、高相关性内容。

  • 输入数据(Input)（提供任务载体,交付完整核心原始信息）

作为任务处理的基础原料,需完整粘贴与任务相关的原始数据、参考文本、对话记录或素材文件。确保关键信息无遗漏、无截断,让Al够基于真实、全面的一手信息进行深度分析、归纳或创作,避免因信息缺失导致结果偏差。

  • 输出指引(Output)（定义交付成果,规范格式、结构与标准）

提前约定最终产出的形式与标准,如报告的章节结构、字数限制、排版格式、是否需要分点或表格、必须包含的关键要素等。直接指向可用的业务成果,减少后续人工调整的时间成本,让模型一次性生成符合落地要求的有效产出。

3.CO-STAR框架（背景、目标、风格、语调、受众、输出格式，适用于：内容创作，营销文案，如小红书文案，抖音文案等）

  • Context/背景

为内容创作提供必要的上下文、前提条件与具体应用场景,帮助执行者快速理解任务发生的环境与背景信息,减少信息偏差,为后续执行奠定统一的认知基础。

  • Objective/目标

明确内容创作的核心任务与预期成果,通常以动词为开头精准定义行动方向。清晰的目标能确保产出物聚焦核心问题,直接对业务结果负责,避免无效产出。

  • Style/风格

界定输出内容的文体类型与表现形式,例如正式报告、营销文案、技术文档等。通过统一风格规范,让内容的结构特征与表达范式保持一致性,符合场景使用习惯。

  • Tone/语调

定义语言表达的情绪、态度与情感倾向,如专业严谨、轻松幽默、亲切易懂等。合适的语调能拉近与受众的距离,让内容更具亲和力与感染力,提升信息传递的效果。

  • Audience/受众

精准定位内容的目标阅读群体,分析其知识背景、认知水平与核心需求,如行业小白、技术专家、业务决策者等。以受众为中心的创作能实现信息的精准触达与有效沟通。

  • Response/输出格式

强制规定内容的呈现结构、排版布局与篇幅长度,明确核心模块的组成、信息的层级关系及交付物的最终形态。标准化的格式能提升执行效率,便于后续的审核、归档与复用。

4.CRISPE框架（背景、角色、指令、风格、语气、输出格式，适用于：全能框架）

  • 背景(Context)

提供任务发生的背景信息与相关资料,清晰界定问题所处的业务场景、行业环境或具体前提,帮助AI快速建立对任务的基础认知,减少理解偏差。

  • 角色(Role)

为AI明确指定具体的专业身份,如资深战略顾问、资深软件工程师、资深文案策划等。精准的角色定位能激活AI对应领域的知识库,使其输出更具专业深度的内容。

  • 指令(Instruction)

清晰、无歧义地陈述核心执行任务,明确"需要做什么"。指令需具备可操作性,避免模糊的表述,确保AI能够准确捕捉任务目标,聚焦关键行动步骤展开响应。

  • 风格(Style)

指定最终输出内容的文体与表达风格,例如正式商务报告、技术白皮书、口语化对话、学术分析或创意营销文案等。统一的风格能让产出物适配具体的使用场景。

  • 语气(Persona/Tone)

设定语言传递的情绪与态度倾向,如专业严谨、亲切友好、客观中立、鼓励启发或批判性分析等。合适的语气能增强内容的感染力,同时契合沟通对象的心理预期。

  • 输出格式(Output)

明确结果的结构化量现方式,如分点列表、对比表格、项目进度图、思维导图或完整的段落闸还等。规范的输出格式能提升信息的可读性,便于后续的阅读与使用。

推理逻辑型框架（引导AI进行深度思考与复杂推理）

1.CoT思维链(Chain of Thought)

核心思想:过程显性化
打破传统的"问题→答案"黑盒模式,将解决路径重构为清的线性推导链。要求模型像人一样,把从问题出发的每一步分析、判断和计算都清晰呈现,最终导向结论。

核心价值:能力跃升
强制模型暴露中间逻辑而非直接跳跃。这种过程式思考能有效激活天模型的复杂推理模块,在算术运算、常识推理、多步骤决策等任务中显著降低因"思维跳跃"导致的错误率。

关键执行指令:引导模型展开思考
请一步步思考,把推理过程详细写出来,确保每一步都符合逻辑和常识;如果遇到复杂计算,请分步计算;完成所有推导后,最后再给出最终的答案。

2.ToT思维树(Tree of Thoughts)

核心思想:树状搜索的迭代进化
不再局限于单一路径的线性推导,而是将推理过程建模为树状接索空间。通过"生成可能性→评估价值→剪枝无效分支→回溯优"的闭环逻辑,让模型能够像人类思考一样,主动探索多种可能性并动态调整方向,系统性地逼近问题的最优解。

01多元生成
打破单一答案的思维惯性,针对当前问题节点主动生成多个差异化的初始思路或候选方案。这一步是构建思维树的基础,为后续筛选提供了充足的可能性空间。

02价值剪枝
引入"评估机制"对所有生成的分支进行即时判断。依据问题的目标导向、逻辑一致性和潜在成功率,剔除偏离核心、效率低下或明显错误的路径,大幅减少无效计算。

03迭代推导
对保留的高价值分支进行深度延伸与推导。在每一个新的思维节点上重复"生成一评估一剪枝"的循环,通过层层递进的探索,逐步收敛可能性,最终锁定最合理的解决方案。

3.ReAct框架(Reasoning+Acting)

核心思想
打破大模型内部推理的黑盒模式,将逻辑思考(Think)与外部行动(Act)同步显性化。让模型像人类一样,在思考下一步该做什么的同时,实际执行操作并获取反馈。

标准流程
遵循「思考 行动→观察」的动态闭环。模型先基于现有信息分析问题、制定计划,执行具体操作后,再根据环境反馈结果调整策略,通过不断循环逐步逼近目标。

适用场景
主要用于需要调用外部工具(如网络搜索、计算器、API)或涉及多步骤拆解的复杂任务。有效解决模型参数知识滞后、单一能力不足等问题,扩展应用边界。

打破黑盒推理,实现动态可解释决策
ReAct枢架通过将隐性的思考过程转化为显性的行动步骤,不仅提升了大模型处理复杂任务的成功率,更赋予了决策过程追溯的透明度。在面对信息缺失或环境动态变化时,模型能主动获取外部信息并实时修正路径,这种"边想边做"的模式使其成为处理现实世界开放问题的重要范式

创作营销型框架（提升营销内容的转化效率）

1.AIDA营销框架
  • 吸引注意

在信息繁杂的环境中,用直击人心的标题或核心视觉瞬间抓取受众目光。这是营销的第一道门槛,决定了用户是否愿意为你停留,进而接收后续的品牌信息。

  • 激发兴趣

精准洞察用户在特定场景下的未被满足的需求与核心痛点,青晰闹述产品或服务的独特价值主张,让受众感知到"这正是我需要的",从而主动产生探索欲望。

  • 唤起渴望

通过场景化的利益演示与情感共鸣,将产品带来的价值具象化。让用户在脑海中预演使用后的理想状态,将理性的功能认知斗华为感性的情感向往,产生"我想要拥有它"的强烈动机。

  • 促使行动

设计清晰、低门槛且具有紧迫感的行动指令(CTA)。通过明确的引导语和便捷的操作路径,消除用户的决策顾虑,推动他们即刻完成购买、注册或咨询,将营销势能转化为实际的业务成果果

2.PAS痛点框架
  • Problem·点出问题（直击用户真实痛点,拒绝无关痛痒的表面描述）

精准捕捉用户在实际业务或生活场景中遇到的核心障碍与困扰,不回避、不模糊。用直白的语言让用户第一眼产生"这正是我目前面临的难题"的强烈共鸣,为后续沟通建立基础连接。

  • Agitation·放大痛苦（揭示痛点背后的深层后果,强化不行动的代价）

深入剖析当前问题若不及时解决将引发的连锁负面效应,将用户隐性的焦虑与担忧显性化、具体化,通过放大痛苦,让用户清晰感知现状的紧迫性,推动其心理状态从"可以解决"转向"必须立即解决"。

  • Solution·给出方案（提供针对性解药,明确收益与行动指引）

作为解决痛点的终极答案,清晰阐述产品或服务的核心价值主张,将其与用户的核心需求精准匹配。同时明确告知用户选择该方案后的实际业务收益,并给出具体、可落地的下一步行动指令,完成从问题到解决的闭环。

核心逻辑:通过"问题聚焦一痛苦强化一方案落地"的递进式沟通节奏,层层递进地打破用户的心理防线。在建立深度共情的基础上,将产品价值与用户的追切需求绑定,最终高效激发用户的行动意愿,是B2B业务沟通与客户转化中极具穿透力的核心策略

项目规划型框架（用于复杂项目规划与问题解决）

BROKE框架
  • Background背景

提供任务的核心上下文、当前业务现状、执行过程中的硬性约束与关键参考数据,为AI理解任务场景提供完整的事实依据。

  • Role角色

为AI指定具体的专业身份与职业视角,激活其对应领域的专业知识库。让输出内容更贴合行业逻辑,具备岗位所需的实操性。

  • Objectives目标

清晰界定核心任务与行动方向,精准回答"需要做什么"。去除模糊表述,让AI的执行动作始终聚焦核心业务诉求,避免产出偷离。

  • Key Results关键结果

预设明确的交付标准与验收维度,定义"成果应该做成什么样"。让最终产出具备可衡量、可落地的属性,减少反复修改的沟通成本。

  • Evolve进化

这是框架的灵魂步骤。基于首次输出进行针对性追问、修正细节与内容深化,通过多轮迭代让方案层层递进,最终逼近最优的业务解决方案。

BROKE框架通过结构化的指令设计逻辑,将模糊的需求转化为清晰的执行路径。它帮助我们在与A协作时,从信息输入到结果交付形成完整闭环不仅规范了任务边界,更通过"进化"环节实现了结果的持续优化,从而大幅提升A产出的精准度与商业价值。

收录于
大模型

当前文章被收录于：

大模型
11 篇文章 0 人学习
订阅专栏 查看详情
标签
#大模型提示词
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
高效AI提示词框架系列-CRISPE框架，你也能成为社交媒体营销专家 CRISPE框架是一个用于编写有效的提示词（prompts）的指导结构，由Matt Nigh提出。这个框架旨在通过明确的能力与角色（Capacity and Role）、背景信息（Insight）、任务指令（Statement）、个性风格（Personality）和实验性回复（Experiment），帮助用户更好地与语言模型（如ChatGPT）进行互动，塑造AI角色与任务的精准对话，提升AI与用户之间的互动质量。以便获得更准确、更相关的回应。 阅读详情

相关推荐

GitHub热榜深度拆解：五个值得关注的开源项目与技术风向

开源世界每天都有大量新项目涌现，GitHub热榜成为开发者捕捉技术风向的重要窗口。理解热榜背后的筛选逻辑，比单纯追逐star数量更有价值。从开发者工具、工程效率到提示词管理，优质项目往往着眼于解决真实痛点，把复杂度从用户侧转移。本文以2026年某日热榜为例，拆解五个高价值项目的设计思路与技术信号，帮助开发者识别值得长期投入的开源项目，避开营销驱动的虚假热度。

weixin_28829629的博客 203

AI大模型之Prompt工程：提示词框架简介（一）

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频，免费分享！

老皮的博客 2668

Large Language Models in Thematic Analysis: Prompt Engineering, Evaluation, and Guidelines for Qu...

随着人工智能的发展，大型语言模型（LLMs）正逐步融入定性研究流程——然而，目前尚无可复现的方法将其整合到主题分析（TA）等成熟研究方法中，而主题分析是软件工程研究中最常用的定性方法之一。此外，现有研究缺乏依据既定质量标准对LLM生成的定性输出进行系统性评估。本研究设计并迭代优化了适用于Braun和Clarke反思性主题分析2-5阶段的提示词，随后将多款LLM的输出与资深研究人员生成的编码和主题进行对比测试。

c_cpp_csharp的专栏 18

提示词工程全家桶：12 个框架，一文吃透

《提示词工程12大框架速查指南》 本文系统梳理了12种提示词框架，适用于不同场景的AI交互需求。核心原则包括：任务具体化、过程可控化和反馈闭环化。框架涵盖： 结构化类（R.I.S.E/T.R.A.C.E等）适合方案报告、对外沟通 创作类（C.R.I.S.P.E）适用品牌内容生成 数据类（I.c.I.o）专注结构化输出 敏捷类（T.A.G/A.P.E）满足快速响应 战略类（B.R.O.K.E）适配长期规划 每个框架均提供标准模板和典型应用示例，支持产品、运营、开发等角色快速构建高质量提示词，实现稳定可复用的A

小 tom的博客 3570

芋道前后端分离项目跳过登录

在此页面中可以看到当在没有获取到token时，如果此页面在白名单中则直接进入，所以我们将刚刚配置在。在此路径下配置需要跳过登录的页面路径，记住path中编辑的名称。根据以上两图可以发现芋道的。将所有需要跳过登录的方法。，否则会提示登录状态过期。至此完成免登录进入页面。

FanZaiYo的博客 5486

java写一个多人线上聊天室

课程作业谔谔

weixin_51614848的博客 1136

Prompt 18个经典框架方法论

APE 框架提倡将用户的请求分解为三个主要部分：行动、目的和期望。这种分解方法使得与大模型的交互更加明确和高效。定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。例： 假设你是一家产品销售公司的营销经理，你想通过社交媒体广告来提高产品的在线销售。

yuxingwu9872的博客 5724

ABAP Platform 2025 到来之后，我们该怎样重新理解 SAP S/4HANA 2025 的开发边界

2025年10月，SAP正式发布S/4HANA Cloud Private Edition 2025及S/4HANA 2025，其技术底座ABAP Platform 2025全面支持SAP HANA数据库。新版平台强调Clean Core理念升级为四级成熟度模型，推动ABAP Cloud成为扩展开发首选方案。AI能力正式融入ABAP开发全流程，包括代码生成、迁移辅助等场景。RAP框架显著增强，支持跨业务对象协作、树形视图等复杂业务场景。ADT开发工具持续进化，新增内存分析、单元测试等专业功能，形成完整开发工

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 315

【大模型提示词框架系列】 BROKE 框架：背景（Background）、角色定义（Role）、目标设定（Objectives）、关键成果展示（Key Result）以及持续的试验与优化（Evolve

在人工智能和自然语言处理领域，大型语言模型（Large Language Models，LLMs）的出现和发展引发了一场技术革命。这些模型，如GPT-3、GPT-4、BERT等，展现出了惊人的语言理解和生成能力。然而，如何有效地与这些模型进行交互，以获得最佳的输出结果，成为了一个关键问题。这就是提示词工程（Prompt Engineering）的重要性所在。BROKE框架是在这一背景下应运而生的一种新型提示词设计方法。它旨在提供一个结构化的方法来创建更有效、更精确的提示词，从而充分发挥大型语言模型的潜力。

AI天才研究院 7324

AUTOSAR-WdgM篇

Wdg通常有两种：一种是芯片内部自带的片内看门狗，另一种是在芯片外部通过SPI这种接口连接的片外看门狗。MCAL只负责常用的有MCU内部看门狗，片内看门狗的特点是Wdg模块是直接访问相关硬件寄存器。内部看门狗依赖于系统时钟片外看门狗属于设备抽象层负责，通常需要使用MCAL提供的其他模块（比如SPI，DIO,PWM等）来访问/控制外扩看门狗芯片。这种不能直接访问硬件寄存器。Wdg Driver：有三种模式slow mode，fast mode ，off mode。

qq_329563867的博客 5831

windows11下pycharm怎么完全卸载？完整卸载pycharm编辑器的教程

在卸载pycharm时都有遇到卸载不干净不完全的问题，那么具体怎样做才能完全卸载pycharm呢？退出所有的操作，重新启动电脑，会发现相关的软件已经被删除了。步骤1：卸载软件并删除安装目录。步骤2：删除相关的注册表。

拥抱具身智能，昇腾Ascend C 1万+

【大模型提示词框架系列】CRISPE 框架：上下文（Context）、角色（Role）、说明（Instruction）、主题（Subject）、预设（Preset）和例外（Exception）

在人工智能和自然语言处理领域，大型语言模型（Large Language Models，LLMs）的出现和发展引发了一场技术革命。这些模型，如GPT-3、GPT-4、BERT等，展现出了惊人的语言理解和生成能力。然而，如何有效地与这些模型进行交互，以获得最佳的输出结果，成为了一个关键问题。这就是提示词工程（Prompt Engineering）的重要性所在。CRISPE框架是一种新兴的提示词设计方法，旨在提供一个系统化的方法来构建高效的提示词。

AI天才研究院 9002

七天征服AutoSAR/SomeIP_01速成配置并代码生成

本文为AutoSAR中SomeIP配置开发的实操指南摘要，重点介绍通过通信矩阵快速构建SomeIP工程的方法。核心内容包括：1）基于Excel通信矩阵生成系统描述文件（arxml）；2）在AutoSAR工具中导入文件自动生成协议栈配置，涵盖ETHIF、SoAd等模块；3）关键报错处理（COM/PDUR/SOAD/SD模块的配置修正）；4）SomeIPXF的数据编解码配置；5）SWC组件与RTE任务映射。教程强调"先完成再完美"的实践原则，指导开发者快速生成基础代码框架，为后续协议调试奠定

大叔带刺的博客 307

基础岛 - 浦语提示词工程实践

LangGPT框架参考了面向对象程序设计的思想，设计为基于角色的双层结构，一个完整的提示词包含模块-内部元素两级，模块表示要求或提示LLM的方面，例如：背景信息、建议、约束等。内部元素为模块的组成部分，是归属某一方面的具体要求或辅助信息，分为赋值型和方法型。的简称，中文名为结构化提示词。LangGPT 是一个帮助你编写高质量提示词的工具，理论基础是我们提出的一套模块化、标准化的提示词编写方法论——结构化提示词。Prompt-> Modules -> Internal Elements（内部元素）

纸上得来终觉浅 绝知此事要躬行 1208

华为海思：大小海思的双轮驱动战略分析

大海思的定位清晰明确，即专注于为华为内部提供高性能、高集成度的芯片解决方案，以支持华为终端、服务器等业务的快速发展。小海思的产品线广泛，涵盖了广域物联、短距物联、手机穿戴、显示交互、智慧视觉、智慧媒体、MCU、模拟以及光模块等多个领域。通过提供多样化的芯片解决方案，小海思旨在满足外部客户的不同需求，拓展华为海思在芯片市场的份额和影响力。大海思的产品布局主要围绕华为的内部需求展开。在智能手机应用处理器方面，大海思的麒麟系列芯片已经成为华为手机的标志性产品，以其出色的性能和能效比赢得了市场的广泛认可。

dream it possible 2926

基于STM32的设计智慧超市管理系统(带收银系统+物联网环境监测)_167

本系统主要由超市环境监测部分和商品管理部分组成。环境监测部分主控芯片采用STM32F103C8T6，主要包括温湿度传感器、烟雾传感器和空调制热开关、空调制冷开关，采集的数据通过ESP8266模块+MQTT协议上传至OneNet云平台，在OneNet云平台设计手机和电脑版本可视化页面，能够在页面上查看超市的环境信息，还能在页面上手动打开空调制热开关和空调制冷开关。商品管理部分主要由RC522-RFID读卡器、上位机组成，实现商品选购、结算、顾客的VIP会员卡注册管理等功能。

6071

OpenClaw+Phi-3-mini-128k-instruct低成本方案：自建AI写作助手全流程

本文介绍了如何在星图GPU平台上自动化部署Phi-3-mini-128k-instruct镜像，构建低成本AI写作助手。该方案支持本地化运行，确保数据隐私，适用于技术博客、内容创作等场景，显著降低生成成本的同时提升内容独特性。

weixin_32312889的博客 363

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")

LangGPT结构化提示词编写实践

提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为。指令要清晰提供参考内容复杂的任务拆分成子任务给 LLM“思考”时间(给出过程)使用外部工具系统性测试变化。

Foolbird123的博客 943

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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/

【大模型炼丹指南 03】提示词工程

最核心的写一条好prompt的原则就是尽可能清晰、明确地表达你的需求（类比产品经理向程序员提需求）。足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需求，避免模糊表达。给出较为充分的上下文信息，让模型更好地理解相关背景。如果能够提供示例，模型能表现更好（类似传统LLM中的in-context learning）。使用清晰的标点符号，标题，标记有助于转达意图，并使输出更加容易被解析。

一个程序猿的AI转型之路 2105

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

大模型应用开发课程 —— 项目 01~04 完整教程

本文介绍了《大模型应用开发课程》第一章项目01的完整实现，这是一个入门认知项目，旨在帮助学习者建立大模型开发的整体知识框架。项目通过Spring Boot提供4个REST接口返回结构化数据，主要内容包括： 项目定位：作为课程入门项目，不调用真实大模型，而是展示行业背景、5种开发范式、典型应用架构和学习路线。 技术实现： 使用Spring Boot框架搭建基础项目结构 详细解析了pom.xml文件的作用，包括依赖管理和构建配置 application.yml配置了服务端口、编码和日志级别 提供了控制器代码示例

桃李不言下自成蹊 203

YOLOv8林业火灾预警系统实战：边缘部署与工程化落地

目标检测是智能林火监测的核心技术基础，其原理在于通过深度学习模型对视频帧中的火焰、烟雾等关键目标进行实时定位与分类。在真实山林场景中，技术价值不仅体现在mAP指标，更在于低误报率、强鲁棒性与端侧实时推理能力。典型应用场景包括国家级自然保护区的24小时无人值守预警、多光谱摄像头联动分析、离网环境下的本地化响应。本文聚焦YOLOv8在Jetson Orin边缘设备上的工业级部署实践，结合Flask轻量API封装、Spring Boot业务调度及DeepSeek语义增强，系统性解决晨雾干扰、低温掉帧、网络中断等林

weixin_29032337的博客 187

大语言模型 - 提示词（Prompt）工程入门

提示词工程，或称Prompt Engineering，是一种专门针对语言模型进行优化的方法。它的目标是通过设计和调整输入的提示词（prompt），来引导这些模型生成更准确、更有针对性的输出文本。在与大型预训练语言模型如GPT-3、BERT等交互时，给定的提示词会极大地影响模型的响应内容和质量。提示词工程关注于如何创建最有效的提示词，以便让模型能够理解和满足用户的需求。这可能涉及到对不同场景的理解、使用正确的词汇和语法结构，以及尝试不同的提示策略以观察哪种效果最佳。1、明确具体：加入场景要求、具体任务。

秃了也弱了 4万+

AI模型提示词工程大揭秘：跨平台通用框架，让你轻松驾驭ChatGPT、Claude、Gemini等模型！

本文提出了一套跨模型的通用提示词工程框架，将提示词解构为七个标准化组件（角色、任务、上下文、示例、输出格式、约束、指令），通过XML标签实现结构化沟通。针对不同模型（GPT系列、推理模型、Claude、Gemini、Perplexity）的特性差异，提供了适配策略。文章还介绍了两个高级技术：验证链（CoV）通过四步自我纠错流程降低幻觉率，反向提示（Reverse Prompting）让AI自行设计最优提示词。这套方法论旨在帮助用户在不同AI平台上获得更稳定、高质量的输出结果。

2401_85373396的博客 1795

LangChain框架入门系列课程03：PromptTemplate 提示词模板

我们已经完成了 LangChain 的基本环境搭建并成功运行了一个基础示例程序。本篇将继续深入介绍LangChain 的核心模块之一 ：PromptTemplate（提示词模板）。

2301_81940605的博客 1138

LangChain框架入门03：PromptTemplate提示词模板

本文介绍了用来构建文本生成模型的提示词模板、 构建对话模型的提示词模板，在ChatPromptTemplate中还可以使用占位符灵活的插入动态信息。还介绍了PromptTemplate类中三种方法的作用invokeformatpartial，最后介绍了用+号连接多个PromptTemplate。提示词模板是LangChain 中非常核心的模块，它可以让AI能够更加清晰理解我们的意图，通过提示词模板的复用、拼接，能大大简化使用LLM的工作量，通过本文，相信你应该已经掌握了如何使用提示词模板。

weixin_43102784的博客 989
上一篇： 提示词工程02——提示词的基本结构
下一篇： 提示词工程04——提示词进阶技术（提升推理精度与可控性的能力增强手段）
点赞 10
评论 0
书签 书签 8
Yuwen_forJava
Yuwen_forJava
博客等级 码龄9年 28粉丝 90原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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