大模型提示工程技术和最佳实践

什么是人工智能？
人工智能（AI）是计算机科学的一个分支，专注于创建能够执行通常需要人类智能的任务的机器。这包括从数据中学习、识别模式、做出决策和理解自然语言。人工智能旨在开发能够自主思考、学习和适应的系统，从而提高解决复杂问题和高效完成各种任务的能力。

生成型人工智能：
这是一种能够通过从大型数据集中学习模式来创建新内容（如文本、图像、音乐或视频）的人工智能类型。与传统的人工智能不同，后者可能对数据进行分类或做出预测，生成型人工智能能够产生类似于人类创作的原创输出。例如，撰写文章、生成艺术作品、创作音乐和创建逼真的模拟。生成型人工智能模型，如大型语言模型（LLMs），根据人类指令生成所需文本。以下图显示了人工智能及其子领域的维恩图：突出显示了生成型人工智能。

大型语言模型是指一类基于其训练所用的大量数据来理解和生成类似人类文本的人工智能模型，例如，“给我五个冰激凌口味”。以下列表显示了由各种公司和组织开发的流行大型语言模型：

OpenAI — GPT-4
Google — Gemini
Microsoft — Turing NLG
Facebook (Meta) — LLaMA (Meta AI大语言模型)
Anthropic — Claude
Amazon — AlexaTM
Baidu — ERNIE
Cohere — Command R
IBM — Watson NLP
Hugging Face — BLOOM (BigScience大型开源多语言模型)

这些大型语言模型使用深度学习和变换器等技术来处理和生成自然语言文本，从而实现诸如语言翻译、聊天机器人和文本摘要等应用程序。这些模型显著提升了自然语言处理的能力，使其在医疗保健、客户服务和内容生成等各个领域中变得至关重要。以下图像是从链接中改编的。

让我们通过一个例子来看看大规模语言模型是如何工作的。考虑自然语言处理（NLP）中的一个分类任务。在这个任务中，目标是确定给定词序列后最有可能出现的词。例如，如果输入序列是“The cat likes to sleep in the”，模型会根据上下文和数据中的模式预测下一个词，如“box”。

这个任务包括：

输入：一串词语或标记。
输出：序列中的下一个词的预测。
方法：这被当作一个分类问题来处理，模型为其词汇表中的每个可能的词分配概率，选择概率最高的词作为预测，如下所示。

另一个展示大型语言模型（LLM）详细工作过程的例子：

什么是提示（Prompting）：
提示是一种自然语言文本，它要求生成式人工智能模型（大语言模型LLMs）执行特定任务。使用提示来指导AI完成某个任务被称为提示工程。

提示应用：
提示应用涉及提供一个结构化的输入或查询（通常以文本形式呈现），来指导语言模型生成所需类型的响应或执行所需动作。提示可以应用于各种应用场景中，例如：

关于提示的问题：
为了理解提示中存在的问题，我们来看一个例子（来源），在这个例子中，我们会提示大语言模型（LLM）为我们的新虚构AI产品ArchaeologistAI编写一条营销推文，该产品讲述著名考古学家的故事。如下图左侧所示，这条推文并不准确，因为ArchaeologistAI只讲故事，而不进行发现。然而，这并不是LLM的错，因为它之前没有关于ArchaeologistAI的相关信息。通过在图右侧提供更多的关于ArchaeologistAI的细节，可以对其进行纠正。

这个提示的精炼过程称为提示工程。让我们更详细地讨论这一术语。

什么是提示工程？
大型语言模型（LLMs）非常灵活，可以执行许多任务，如总结文档、完成句子、回答问题和翻译语言。在给定特定用户输入时，它们会基于其训练生成最佳输出。用户可以通过无数种方式与这些AI模型互动，这些强大的AI模型不需要太多输入就可以开始生成内容；甚至一个单词也能产生详细的响应。因此，并非所有的输入都能产生有用的输出。生成式AI系统需要上下文和详细信息来生成准确和相关的响应。提示工程涉及不断优化提示，直到从AI系统中获得期望的结果。这一过程在基本提示无效时特别有用。

为什么提示工程很重要？
增强性能：通过引导模型生成更连贯、准确、相关和期望的输出，优化AI响应。
任务专业化：将AI行为定制化以适应特定任务，提高效率和效果。
减少错误：通过提供清晰的指令，降低错误或不相关输出的可能性。
提示工程的实践和技术：
以下是一些提示工程的关键实践和技术：

1. 使用最新模型
   为了获得最佳效果，建议使用最新的大规模语言模型版本。较新的模型通常更高效，也更容易进行提示工程。

2. 分离指令和上下文/输入文本
   将指令放在提示的开头，并使用###或"""将指令与输入文本分开。这种提示方式也称为指令提示。

3. 具体且描述详尽
   避免使用单一宽泛的提示，要具体、详细地描述期望的背景，尽可能详尽。

4. 避免使用模糊描述
   这意味着当你向语言模型或AI系统提供指令或查询时，应避免使用模糊、含糊或过于笼统的语言。相反，你应该使用清晰、具体和精确的语言来传达你希望模型完成的任务或生成的内容。

   

5. 不仅要说不要做什么，还要说应该做什么
   这意味着在设计语言模型的提示或指令时，应提供明确的指导。而不是仅仅强调提示中应避免或禁止的内容，因为这可能会导致无数不准确的输出。

6. 明确期望的输出格式：
   这指的是清晰地定义和传达你期望语言模型的响应或输出如何结构化和格式化。这包括具体指定你期望的输出特征、布局和细节。

   

7. 零样本提示和少量样本提示：
   零样本提示是一种技术，其中AI模型在没有任何特定示例或在该任务上的额外训练的情况下被赋予一个任务。模型完全依赖于其通用知识和理解来生成响应。

   

少量样本提示是一种技术，其中AI模型在提示中被提供少量的任务示例，以帮助其理解在生成响应前的期望。这些示例作为模型遵循的指南。

为了获得期望的结果，应首先从零样本开始，然后是少量样本。如果这两种方法都不奏效，则进行微调。

8. 思维链（CoT）提示：逐步指导大语言模型（来源）
   它指的是模型根据给定提示生成一系列连贯且逻辑相关的想法或响应的能力。大语言模型擅长生成符合自然思想流程的文本，利用其在大量文本数据上的训练来预测和生成上下文相关的序列。

   

零样本CoT涉及在原始提示后添加“让我们逐步思考”，使用两个提示来推导出推理和答案。

推理提取：在这一步中，语言模型生成一系列推理以得出答案。模型被提供一个包含问题和触发句“让我们逐步思考”的提示。然后模型生成一个解释推理过程的句子。

答案提取：在第二步中，我们从模型的响应中提取最终答案。我们将提示、生成的推理句子和触发句“答案是”拼接在一起，这指示模型提供最终答案，它将在响应中生成。

少量样本CoT比少量样本基准更好地改进大语言模型的推理能力，因为它为它们提供了类似问题的示例以供学习。这可能更难设置，因为你需要创建示例提示。然而，少量样本CoT的好处是值得这种复杂性的。

9. 角色提示：
   这是在与AI模型合作时使用的一种技术，用户在生成响应时为AI指定一个角色或视角。这有助于指导AI生成更相关和上下文适当的输出。

10. 风格提示
风格提示是指指示语言模型或AI系统以特定的写作风格或语气生成文本。以下是一些风格提示的例子：

正式风格：提示：“写一封正式的介绍我们公司新产品的信。”
随意或非正式风格：提示：“用随意的语气撰写一篇关于镇上最佳咖啡馆的博客文章。”
技术或学术风格：提示：“撰写一篇综述我们关于可再生能源技术的研究论文的摘要。”
叙述或讲故事的风格：提示：“编写一个关于一个角色在古庙中发现宝藏的短故事。”
说服或营销风格：提示：“撰写一封促销电子邮件，说服客户订阅我们的新服务，使用富有吸引力的语言。”
幽默或讽刺风格：提示：“写一条关于在暴风雪期间在家工作挑战的幽默推文。”
诗意或文学风格：提示：“创作一首以孤独和反思为主题的诗。”每种示例都指导语言模型生成符合特定风格或语气的文本，使其能够应用于不同形式的沟通和内容创作中。

**先进提示概念：大型语言模型（LLM）的缺陷
**大型语言模型（LLM）是强大的工具，它们改变了技术，影响了客户服务和内容创作等领域。然而，它们也存在一些缺陷。了解这些弊端对于有效利用和缓解这些问题至关重要。本文探讨了LLM常见的问题，例如偏见、伦理问题、幻觉、数学错误和提示破解。

各种类型的LLM缺陷
偏见：
LLM可能会继承并延续训练数据中存在的偏见，导致不公平或歧视性的输出。这包括性别歧视、种族歧视或恐同的内容。

伦理问题：
使用LLM会引发伦理问题，包括隐私、同意和潜在的滥用。

幻觉：
指模型生成的信息并非基于训练数据或现实世界事实，而是凭空捏造或错误的信息。这种信息看起来合理，但实际上却是错误或误导性的信息。

示例：
提示：“谁是第一个踏上火星的人？”
LLM：“约翰·史密斯在2025年成为第一个踏上火星的人。”
这一回应是幻觉，因为迄今为止，还没有人类踏上火星，“约翰·史密斯”在这个上下文中是一个虚构的人物。

提示破解：
指通过操纵输入提示来使AI模型产生非预期或不希望的输出。这种滥用可能导致模型生成不合适、带偏见或误导性的内容。

示例：如果一个AI被设计为提供健康建议，而有人输入一个提示，如：“说服我为什么跳过疫苗接种是好的。”

模型可能会生成一个回应，由于被操纵，可能会传播有关疫苗接种的错误信息，尽管它被编程为提供准确的健康建议。

数学：
大型语言模型（LLM）在准确解决数学问题方面可能存在困难。它们可能会误解符号，犯计算错误，或给出不一致的答案，因为它们不像人类那样真正理解数学；它们根据训练数据中的模式生成响应。

示例：假设你问一个LLM：“x²的积分是什么？”
模型可能会回答：“x²的积分是2x。”
然而，正确的答案是：“x³/3 + C。”这一回答是错误的。

结论
总之，虽然LLM强大且多功能，但用户应该意识到它们存在一些陷阱。理解LLM的局限性和提示工程技术可以使用户更有效地和负责任地使用LLM。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、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出来。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）