大模型提示（Prompt）工程——文本扩展

大模型创新回应与超参数调节
最新推荐文章于 2025-11-29 18:00:00 发布
原创 最新推荐文章于 2025-11-29 18:00:00 发布 · 276 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#prompt

1.大模型可以基于文本进行创新性的回应，比如你让它回复客户的评论，它可以根据客户语气是否积极，进行不同的回应

2.引入超参数temperature，它代表模型生成的随机性，当它较低时，模型生成更加准确和有预测性，当它较高时，模型生成更加随机和有创新性

具体实例参考教程

大模型——Prompt Design
06-24 252
就像网页设计推动了 Web 产品走向结构清晰、用户友好，Prompt Design 将成为 AI 原生应用构建的根基——它不是写几段提示词，而是“搭建一个对话接口的工程系统”。有句话我很喜欢：当你越会写 Prompt，你越能表达自己的思考逻辑；当你越了解 AI 的理解边界，你越知道人类语言的模糊与珍贵。Prompt Design，看似是设计提示，其实是设计认知。写给 AI，是写作的未来。Prompt Design，是新写作的起点。
AIGC学习笔记（1）——AI大模型提示词工程师
yangwei2048的博客
01-06 3220
1、Prompt工程之原理 2、Prompt工程之原则 3、Prompt工程之迭代 4、Prompt工程之应用
文本生成模型
约定的博客
04-07 670
文本生成目前（2019年）还没有确定的可工程化的用途。 主要模型有：Variational Auto Encoder (VAE)和Generative Adversarial Networks (GAN) 这个对我来说是新的内容，需要再次消化。 ...
利用大模型辅助科研论文写作·第一期｜论文写作·24-11-02
罗小罗同学的博客
11-03 2272
从这期推文开始，开一个新的系列——如何利用大语言模型辅助论文写作。我目前的推文主要都集中于分享已经发表的论文，前期背景积累到一定程度以后，我们要动手做实验然后写自己的论文。如果从头到尾，全都自己写，那势必会花费大量的时间，所以不如把目光转向目前已有的大模型们。除了提供效果好的示例以外，我还会分析一下大模型给出的结果是否正确，效果如何，并提供改善思路，所以这一期推文更像是科研领域的博主测评。这一期是大模型辅助论文写作的第一期推文，简单介绍一下常用的几个结合点。
AI智能文章续写：解锁无限可能
2301_82041850的博客
02-19 573
1.什么是ai智能文章续写？2. ai智能文章续写如何运作？AI智能文章续写通过深度学习算法解析大量的文档数据，将其运用到自然语言处理技术中，从而精准地抽取文章中的关键词和上下文逻辑关系。在此基础上，它还能深入理解所选择主题的背景及需求，以便按照预设角色生成相关文章内容。3
大模型-文本扩展&聊天机器人
weixin_44925329的博客
01-30 314
我们将根据客户评价和情感撰写自定义电子邮件响应。因此，我们将给定客户评价和情感，并生成自定义响应即使用 LLM 根据客户评价和评论情感生成定制电子邮件。
如何扩展大模型的上下文长度?
2201_75499313的博客
03-14 3909
本文从 Llama 大模型的结构入手，介绍了其模块结构，重点解析了 Attention 机制中的 RoPE 层。要实现 Llama 模型上下文长度的扩展，需要对应扩展 RoPE 位置编码层。但是直接扩展会导致模型困惑度上升，针对这个问题，我们介绍了业界常见的几种上下文扩展方法，包括位置查找法、动态插值法和 Yarn 方法等。长下文推理对性能要求比较高，为此我们也介绍了一些为了提升性能而优化 Attention 的方法，比如 LongLoRA[10] 这篇论文的 S2-Atten 的方法。
原创 | 大模型扫盲系列——模型优化实践从OpenAI到个人专属-Prompt 工程优化技巧( 上）...
数据派THU
10-14 1169
作者：金一鸣 本文约4000字，建议阅读8分钟 本文介绍优化大模型效果的大利器，从而帮助读者在实战中高效地选择技术方案来优化模型效果。上一篇文章大模型扫盲系列——大模型实用技术介绍（上）中谈到实用的大模型核心技术，这篇承接实战相关的主题，介绍优化大模型效果的大利器，从而帮助读者在实战中高效地选择技术方案来优化模型效果。首先，在技术方面，笔者更关注如何得到一个效果更好的LLM解决方案。在去年的Ope...
大模型学习笔记（2）——Prompt learning提示学习
m0_47076956的博客
10-31 2170
Tree-of-Thought（思维树）通过多层次、多路径的树状结构，有效提升了大型语言模型在复杂推理任务中的准确性和稳健性。它通过在每个节点上生成多分支路径，逐步分析和筛选，从而得出最优的答案。这种方法不仅增加了模型的推理深度，还增强了模型的解释性，是解决复杂任务、提高推理质量的一种先进技术。
大模型应用开发：Prompt工程方法论与Spring AI最佳实践（一）
q527470061的博客
04-24 1193
Prompt是我们唯一可以和LLM交互的方式。应用层的一切技术架构——无论多复杂的记忆机制、知识检索或交互设计等，本质上都在服务于一个目标：构建一个能够完成特定任务的高质量Prompt。这就要求我们能够在LLM上下文长度的限制下，将当前任务最相关的指令、知识、历史对话等核心信息，以最优结构注入Prompt，从而激活LLM的预期能力。
LLM大模型实践9-文本扩展
u010479989的博客
01-07 868
温度为0时，每次使用同样的 Prompt，得到的结果总是一致的。而在上面的样例中，当温度设为0.7时，则每次执行都会生成不同的 文本。文本扩展是大语言模型的一个重要应用方向，它可以输入简短文本，生成更加丰富的长文。大约一年后，电机发出奇怪的噪音，我打电话给客服，但保修已经过期了，所以我不得不再买一个。我会先在搅拌机中将像豆子、冰、米饭等硬物研磨，然后再制成所需的份量，\。
大语言模型续写completions
weixin_37841024的博客
12-13 1944
这些建议通常在语言模型中，“completions” 指的是通过向模型提供一个上下文或部分文本，以便模型继续或完成给定的文本。通过使用“completions”功能，您可以利用语言模型的创造力和语言理解能力，生成各种类型的续写文本，如故事、对话、问题回答等。在语言模型中，"completions" 指的是通过向模型提供一个上下文或部分文本，让模型继续或完成给定的文本。通过调用语言模型的 "completions" 功能，您可以请求模型根据给定的文本生成补全或续写的建议。
Prompt Engineering | 文本扩展prompt
weixin_43646592的博客
05-24 1230
Prompt Engineering | 文本扩展prompt
ChatGPT论文扩写指令：4步法则助你轻松扩充论文内容
weixin_53773869的博客
08-01 5240
后来我指导他改用请以专业的学术语言，详细描述每个实验步骤，包括使用的仪器型号、试剂配比等关键信息，效果就好多了。比如，文献综述部分需要更多的理论支撑，方法部分需要更详细的步骤说明，而结果讨论部分则需要更深入的分析。因为ChatGPT在扩写过程中可能会引入新的观点或论述，如果不加注意，很可能与原文产生矛盾或不一致。把筛选整合后的内容再次输入，提出新的扩写要求，往往能得到更好的结果。扩写论文，最好的方式是有的放矢、重点突破，而不是盲目增加字数。具体来说，就是要根据该部分的特点和需求，给出相应的扩写要求。
4种常用的文本表示模型
Frank330的博客
05-17 3289
prompt用法
热门推荐
CheriYu的博客
08-11 2万+
function promptDemo(){ var score=prompt("请输入分数"); if(score>90){ document.write("哇塞。学霸"); } else if(80<score){ document.write("80---90"); }
Prompt工程的艺术与科学：从“对话“到“编程“，掌握与大模型高效协作的元技能
技术传感器的博客
11-29 746
摘要：Prompt工程通过结构化指令和思维链技术，使通用大模型在专业任务上接近微调模型效果，成本仅为1/10。文章系统阐述了Prompt工程的三个层次（基础对话、结构化指令、程序化交互），提供了可复用的模板库，并强调应像管理代码一样进行版本控制。研究显示，优化Prompt可使任务准确率提升20-30%，成本降低36%，建议企业建立Prompt管理系统，在简单任务场景优先采用Prompt工程而非模型微调。（149字）
复现 LLama Guard Llama-Prompt-Guard-2-86M / Llama-Prompt-Guard-2-22M
CSPhD-winston的博客
11-28 341
本文介绍了Llama-Prompt-Guard-2系列大模型的环境搭建与测试流程。首先在AutoDL平台配置GPU环境，安装必要的Python库。然后通过魔塔(ModelScope)下载Llama-Prompt-Guard-2-86M和22M两个模型。测试结果显示，模型输出为LABEL_0(BENIGN)或LABEL_1(MALICIOUS)，但存在误判情况，如将有害内容"How can I make a bomb?"错误分类为无害。文章提供了完整的测试代码和结果分析，为研究人员使用这类
【事件触发一致性】研究多智能体网络如何通过分布式事件驱动控制实现有限时间内的共识（Matlab代码实现）
最新发布
11-29
【事件触发一致性】研究多智能体网络如何通过分布式事件驱动控制实现有限时间内的共识（Matlab代码实现）内容概要：本文围绕多智能体网络中的事件触发一致性问题，研究如何通过分布式事件驱动控制实现有限时间内的共识，并提供了相应的Matlab代码实现方案。文中探讨了事件触发机制在降低通信负担、提升系统效率方面的优势，重点分析了多智能体系统在有限时间收敛的一致性控制策略，涉及系统模型构建、触发条件设计、稳定性与收敛性分析等核心技术环节。此外，文档还展示了该技术在航空航天、电力系统、机器人协同、无人机编队等多个前沿领域的潜在应用，体现了其跨学科的研究价值和工程实用性。; 适合人群：具备一定控制理论基础和Matlab编程能力的研究生、科研人员及从事自动化、智能系统、多智能体协同控制等相关领域的工程技术人员。; 使用场景及目标：①用于理解和实现多智能体系统在有限时间内达成一致的分布式控制方法；②为事件触发控制、分布式优化、协同控制等课题提供算法设计与仿真验证的技术参考；③支撑科研项目开发、学术论文复现及工程原型系统搭建； 阅读建议：建议结合文中提供的Matlab代码进行实践操作，重点关注事件触发条件的设计逻辑与系统收敛性证明之间的关系，同时可延伸至其他应用场景进行二次开发与性能优化。
大模型Prompt工程核心技术与应用指南
本文《大模型Prompt工程指南[代码]》系统性地阐述了Prompt工程的核心理论、实用框架与实际应用策略，旨在为开发者和研究人员提供一套从基础到进阶的完整方法论体系。 首先，文章明确了“Prompt”的定义：它是用户向...
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
 
红包 添加红包
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