一个新加坡女孩,在第一次 GPT-4 提示词大赛中获得冠军,我们来看看她的提示词是怎么写的。

提示词女王 Sheila Teo 分享了她是如何优化提示词,从而获得大赛冠军的。
使用 CO-STAR 框架来搭建 prompt 的结构

CO-STAR 如其名字,有六个部分,它的工作方式:
- (C)上下文(context):提供于任务有关的背景信息,越详细越好。这可以帮助大模型理解正在讨论的问题,问题背景,理解具体场景,确保大模型的回复是相关性强的回复。
- (O)目标(Objective):定义你希望大模型完成的任务,这可以帮助大模型明确响应目标。
- (S)风格(Style):希望回复的风格,可以减少「AI 味」,同时也可以指定风格为自己的写作风格。
- (T)语气(Tone):设定响应的态度。确保大模型的响应符合特定的情感或情绪。
- (A)受众(Audience):明确响应目标的受众。做到有的放矢,不响应目标受众无法理解的内容。
- (R)响应(Response):提供响应的格式、内容结构。格式上:我们可以要求大模型以 Json 格式进行输出,方面程序对其响应进行处理。内容结构上:我们可以要求大模型以常见的行文结构进行输出,比如金字塔结构、列表结构等。
一句话提示词
写一篇知乎回答,回答这个问题:为什么我编写不出优秀的ChatGPT提示词?
生成的内容如下图,基本上是一些空洞不可直接落地的方向性建议,缺少落地的指导,读者很难真正从里面学到什么。

使用 CO-STAR 提示词
CONTEXT(上下文) 我是一个知乎答主,活跃在 AI
领域。想回答一个知乎问题。知乎的问题是:为什么我编写不出优秀的ChatGPT提示词? OBJECTIVE(目标)
帮我创建一个知乎问题答案,目的是吸引对 AI 提示词感兴趣的人进行点击、阅读、点在、收藏、关注。 STYLE(风格)
知乎风格,有故事、有示例,简单易读懂。 TONE(语调) 有说服力的 AUDIENCE(受众) 主要受众是对 AI
感兴趣的各个年龄段人群,尤其是对于写出好的提示词有强烈要求的人群。请针对这一群体编写回答。 RESPONSE(响应)
回答开头增加读者对回答的信任力度,中间详细介绍如何通过 CO-STAR((C)上下文(context)、 (O)目标(Objective)、
(S)风格(Style)、 (T)语气(Tone)、 (A)受众(Audience)、 (R)响应(Response))
框架来写出一个好的提示词。 最后,举一个使用 CO-STAR 进行知乎问答的例子。
使用 CO-STAR 框架提示词生成的内容如下,我们看到回答的开头有秀肌肉,吸引读者继续往下读的部分。
中间有原理、有案例,能让读者收获干货,还能直接上手实操。
最后,还有引导读者进行点赞、关注等互动的内容。
整体上比一句话的提示词好上很多。


使用分隔符尾 prompt 设置分节
分隔符是一种特殊的 token,使用分隔符可以帮助大模型分辨哪些 prompt 应该当作单个含义单元。
我们常用的分隔符:###、===、>>> 等通常不会同时出现的特殊字符序列,都可以。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“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,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,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。

第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

大模型AI提示词优化与学习路径
6266

被折叠的 条评论
为什么被折叠?



