Prompt Engineering Tutior
1.0.0
مرحبًا
دورة الفيديو المرجعية: هندسة ChatGPT للمطورين
نقل الترجمة الصينية: دليل للبدء مع مهندس الكلمات المطالبة [Wu enda] - مجموعة العنوان الفرعي المصدر المفتوح Qilian - مرحبًا بك في العلاقات العامة لترجمة الترجمة الفرعية
لغات التنفيذ: Python ، Golang ، Nodejs
Corpus: اللغة الإنجليزية ، الصينية
مرحبا بكم في العلاقات العامة!
| مادة | مواد |
|---|---|
| تعليم الفيديو | الصينية ، الإنجليزية ✅ |
| بيثون | الصينية ، الإنجليزية ✅ |
| Nodejs | الصينية ، الإنجليزية ✅ |
| جولانج | الصينية ، الإنجليزية ✅ |
| الترجمة | الصينية ، الإنجليزية ✅ |
تنقسم LLM إلى فئتين أساسيتين: BASE-LLM و TUNED-LLM.
السابق هو نموذج لغة أساسي ، يتوقع الكلمة التالية بناءً على البيانات المدربة مسبقًا. إن الأخير ينفصل عن التعليمات لجعلها أكثر عرضة لإكمال التعليمات البشرية.
في نموذج Openai ، يسرد طرز TondructGPT النماذج المحسنة للتعليم. يسرد الجدول أيضًا أساليب تدريب مختلفة لتصنيع تعليمات ، مثل SFT ، FeedMe ، PPO ، إلخ.
تتضمن إرشادات تعليمات الكتابة:
واضحة ومحددة ، ولكن ليس بالضرورة قصيرة.
استخدم المحددات مثل "" "" ، `` `، --- ، <> ، لمنع حقن propt ، وخلق فهم مربك لـ LLM.
استخدم الإخراج المنظم ، إذا لزم الأمر للإخراج بتنسيق HTML أو JSON.
التفتيش المطلوب: مطلوب LLM للتحقق مما إذا كان هناك شرط معين قبل إخراجه.
باستخدام عينات قليلة للتعلم ، أظهر مثالًا مطلوبًا على LLM.
امنح النموذج بعض الوقت للتفكير في الأمر ولا يعطيه مشاكل بسيطة أو صعبة للغاية.
اتبع الخطوات للإجابة ، وتعيين الفاصل ، على سبيل المثال ، استخدم "Text: <>" لتمثيل النص.
دع النموذج يستنتج العملية نفسها ، وليس فقط النتيجة. أظهر مثالاً مع عملية حل المشكلات إلى LLM.
تجنب الهلوسة للنموذج: أخبر النموذج للعثور على المعلومات ذات الصلة أولاً ، ثم أجب على الأسئلة بناءً على المعلومات ذات الصلة. (ولكن من الصعب تجنب وهم النموذج ، وهو أيضًا اتجاه الجهود الحالية في مجال الأبحاث النموذجية)
عملية كتابة موجه تكرر باستمرار.
الخطوات الأساسية:
اكتب موجه
إجراء اختبار ،
تحليل الأسباب
مراجعة موجه (توضيح الأفكار)
ركوب الدراجات في الخطوات المذكورة أعلاه حتى يتم تحقيق نتائج مرضية.
إذا قمت بتشغيل موقع ويب للتجارة الإلكترونية يحتوي على عدد كبير من مراجعات المستخدمين ، فيمكنك تبسيط عبء العمل الخاص بك من خلال استخدام قدرة "تلخيص" نموذج اللغة و "الاستخراج" لتبسيط عبء العمل الخاص بك.
باستخدام LLM ، يمكنك إجراء سلسلة من الاختبارات ، مثل الحد من عدد الكلمات ، والحد من الموضوعات ، والتركيز على الأسعار ، ومحاولة استبدال الملخص عن طريق استخراج المعلومات.
يمكنك أيضًا استخدام حلقة لاستخدام نفس القالب المطري لعملية محتوى مختلف. يمكن أن يساعدك القيام بذلك في التعامل مع عدد كبير من التعليقات بشكل أكثر كفاءة.
إذا كنت ترغب في معرفة مقدار التعليقات الإيجابية والسلبية في تعليقات المستخدم ، فأنت بحاجة إلى القدرة على استخدام "LLM Reasoning".
على سبيل المثال ، يمكن لـ LLM أن تفكر في شعور المستخدم ، وتحديد أنواع العواطف (مثل: Happy ، راضٍ ، ممتن ، مضغوط ، محتوى) ، استخراج معلومات العلامة التجارية والمنتج وإخراجها بتنسيق JSON ، ويمكنها أيضًا أداء مهام متعددة في نفس الوقت (على سبيل المثال ، استخراج المنتجات من تعليقات المستخدم وتفكيرها في عواطف المستخدم) ، واستنتاج الموضوعات ، وتصميم برنامج تذكير يعتمد على مواضيع مستبدلة ، وما إلى ذلك.
لذلك ، يمكن أن تساعدك القدرة على تطبيق "LLM Reasoning" في تعليقات المستخدم على فهم بالضبط ماهية التعليقات الإيجابية والسلبية.
تطبيق التحويل هو تطبيق يحول لغة إلى أخرى.
على سبيل المثال ، من خلال تطبيقات التحويل ، يمكن ترجمة فقرة نصية واحدة إلى لغة أخرى ، ويمكن تحديد اللغة التي تستخدمها فقرة من النص ، وحتى النص يمكن ترجمته إلى أكثر من لغتين في نفس الوقت. بالإضافة إلى ذلك ، يمكنك أيضًا تحديد ما إذا كانت نغمة التحويل رسمية أو غير رسمية ، وتحديد اللغات المناسبة للمناسبات المختلفة ، مثل رسائل البريد الإلكتروني للمناسبات التجارية. لا تقتصر تطبيقات التحويل على ترجمة اللغة الطبيعية ، ولكن يمكنها أيضًا إجراء تحويل لغة البرمجة ، مثل تحويل JSON إلى HTML. في الوقت نفسه ، يمكنك أيضًا أن تطلب من LLM مساعدتك في تصحيح أخطاء بناء الجملة.
لدى LLM القدرة على توسيع وإضافة تعديلات إلى نص قصير ودمج أنماط لغة محددة.
في المثال التالي ، تعمل LLM كمساعد رد البريد الإلكتروني. يمكنك أن تطلب من LLM كتابة بريد إلكتروني للرد على عميل والاستفادة من التفاصيل في خطاب العميل لزيادة صحة الرد. بالإضافة إلى ذلك ، يمكنك ضبط قيمة درجة الحرارة لجعل الرد يبدو أقل صلابة.
من خلال الاستفادة من وظيفة LLM ، يمكنك الحصول على بريد إلكتروني للرد على تفاصيل خطاب العميل ، ويمكنك أيضًا ضبط نغمة ردك حسب الحاجة. هذا يجعل التواصل عبر البريد الإلكتروني مع العملاء أكثر تخصيصًا وأصالة.
عند إرسال الرسائل باستخدام Openai API ، يمكن أن تتضمن الأدوار في الرسالة ثلاثة أدوار: النظام والمستخدم والمساعد.
تُستخدم أدوار النظام لوضع الأساليب العالمية والقيود والمعلومات الأخرى.
يمثل دور المستخدم (المستخدم) مستخدمًا بشريًا ، أي المستخدم الحقيقي الذي أرسل الرسالة.
المساعد يعني LLM ، أي نموذج اللغة ، الذي يلعب دور الردود والتفاعلات في المحادثات.
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = openai.ChatCompletion.create(
model=model,
messages=messages,
temperature=0, # this is the degree of randomness of the model's output
)
return response.choices[0].message["content"]
def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=0):
response = openai.ChatCompletion.create(
model=model,
messages=messages,
temperature=temperature, # this is the degree of randomness of the model's output
)
return response.choices[0].message["content"] # print(str(response.choices[0].message))
messages = [
{'role':'system', 'content':'You are an assistant that speaks like Shakespeare.'},
{'role':'user', 'content':'tell me a joke'},
{'role':'assistant', 'content':'Why did the chicken cross the road'},
{'role':'user', 'content':'I don't know'} ]
response = get_completion_from_messages(messages, temperature=1)
print(response)في الوصف التالي ، سنناقش بعض الأمور المتعلقة بالمبادئ والقدرات.
1. المبادئ:
تتطلب التوجيهات واضحة وخصوصية ، مما يضمن أن النموذج يفهم بوضوح متطلباتك.
امنح النموذج بعض الوقت للتفكير والمعالجة.
2. تطالب عملية التطوير هي عملية للتكرار المستمر ، تتطلب تصحيح الأخطاء والتحسين المستمر.
3. النموذج لديه القدرات التالية: الملخص ، التفكير ، التحول والتوسع. يمكن أن تلعب هذه القدرات دورًا في سيناريوهات التطبيق المختلفة.
