Prompt Engineering Tutior
1.0.0
Selamat datang PR & Star untuk memberi tahu lebih banyak orang yang mengetahui insinyur kata yang cepat
Kursus Video Referensi: ChatGPT Prompt Engineering untuk Pengembang
Transfer Subtitle Cina: Panduan untuk Memulai dengan Insinyur Kata Prompt [Wu Enda] - Qilian AI Open Source Subtitle Group - Selamat datang di PR untuk menerjemahkan subtitle
Bahasa Implementasi: Python, Golang, Nodejs
Corpus: Bahasa Inggris, Cina
Selamat datang di PR!
| bahan | Bahan |
|---|---|
| Mengajar video | Cina✅, bahasa Inggris✅ |
| Python | Cina✅, bahasa Inggris✅ |
| NodeJS | Cina✅, bahasa Inggris✅ |
| Golang | Cina✅, bahasa Inggris✅ |
| subtitle | Cina✅, bahasa Inggris✅ |
LLM dibagi menjadi dua kategori dasar: basis-llm dan instruksi-tuned-llm.
Yang pertama adalah model bahasa dasar, yang memprediksi kata berikutnya berdasarkan data pra-terlatih. Yang terakhir menyempurnakan instruksi untuk membuatnya lebih mungkin untuk menyelesaikan instruksi manusia.
Dalam model OpenAI, model Instruktur Daftar model yang dioptimalkan untuk instruksi. Tabel ini juga mencantumkan metode pelatihan penyempurnaan instruksi yang berbeda, seperti SFT, FeedMe, PPO, dll.
Pedoman untuk instruksi menulis meliputi:
Jelas dan spesifik, tetapi tidak selalu pendek.
Gunakan pembatas seperti "" ",` `, ---, <>, untuk mencegah injeksi propt, dan menciptakan pemahaman yang membingungkan untuk LLM.
Gunakan output terstruktur, jika diperlukan untuk output dalam format HTML atau JSON.
Inspeksi yang Diperlukan: LLM diperlukan untuk memeriksa apakah suatu kondisi tertentu dipenuhi sebelum mengeluarkannya.
Menggunakan beberapa sampel untuk dipelajari, tunjukkan contoh yang diinginkan kepada LLM.
Berikan model waktu untuk memikirkannya dan jangan memberikan masalah yang terlalu sederhana atau sulit.
Ikuti langkah -langkah untuk menjawab, atur pemisah, misalnya, gunakan "teks: <>" untuk mewakili teks.
Biarkan model menyimpulkan proses itu sendiri, bukan hanya hasilnya. Tunjukkan contoh dengan proses pemecahan masalah ke LLM.
Hindari halusinasi model: Beri tahu model untuk menemukan informasi yang relevan terlebih dahulu, dan kemudian jawab pertanyaan berdasarkan informasi yang relevan. (Tapi sulit untuk menghindari ilusi model, dan itu juga arah upaya saat ini di bidang penelitian model)
Proses prompt menulis terus -menerus berulang.
Langkah Dasar:
Tulis prompt
Lakukan tes,
Analisis alasan
Revisi prompt (klarifikasi ide)
Bersepeda langkah -langkah di atas sampai hasil yang memuaskan tercapai.
Jika Anda menjalankan situs web e-commerce yang berisi sejumlah besar ulasan pengguna, Anda dapat menyederhanakan beban kerja Anda dengan memanfaatkan kemampuan model bahasa "meringkas" dan "mengekstrak" untuk menyederhanakan beban kerja Anda.
Dengan LLM, Anda dapat melakukan serangkaian tes, seperti membatasi jumlah kata, membatasi topik, fokus pada harga, dan mencoba mengganti ringkasan dengan mengekstraksi informasi.
Anda juga dapat menggunakan loop untuk menggunakan template prompt yang sama untuk proses batch konten yang berbeda. Melakukan ini dapat membantu Anda menangani sejumlah besar komentar dengan lebih efisien.
Jika Anda ingin mengetahui jumlah umpan balik positif dan negatif dalam komentar pengguna, Anda memerlukan kemampuan untuk menggunakan "penalaran llm".
Misalnya, LLM dapat beralasan tentang sentimen pengguna, mengidentifikasi jenis emosi (seperti: bahagia, puas, bersyukur, terkesan, konten), mengekstrak informasi merek dan produk dan mengeluarkannya dalam format JSON, dan juga dapat melakukan banyak tugas pada saat yang sama (Misalnya, mengekstraksi produk dari komentar pengguna dan penalaran emosi pengguna), menyimpulkan topik, dan merancang program pengingat berdasarkan topik yang disimpulkan, dll.
Oleh karena itu, kemampuan untuk menerapkan "penalaran LLM" dalam komentar pengguna dapat membantu Anda memahami dengan tepat apa umpan balik positif dan negatif.
Aplikasi konversi adalah aplikasi yang mengubah satu bahasa ke bahasa lain.
Misalnya, melalui aplikasi konversi, satu paragraf teks dapat diterjemahkan ke dalam bahasa lain, bahasa yang digunakan oleh paragraf teks dapat diidentifikasi, dan bahkan teks dapat diterjemahkan ke dalam lebih dari dua bahasa secara bersamaan. Selain itu, Anda juga dapat menentukan apakah nada konversi formal atau informal, dan menentukan bahasa yang cocok untuk acara yang berbeda, seperti email untuk acara bisnis. Aplikasi konversi tidak terbatas pada terjemahan bahasa alami, tetapi juga dapat melakukan konversi bahasa pemrograman, seperti mengubah JSON ke HTML. Pada saat yang sama, Anda juga dapat meminta LLM untuk membantu Anda memperbaiki kesalahan sintaksis.
LLM memiliki kemampuan untuk memperluas dan menambahkan modifikasi ke teks pendek dan menggabungkan gaya bahasa tertentu.
Dalam contoh berikut, LLM bertindak sebagai asisten balasan email. Anda dapat meminta LLM untuk menulis email untuk membalas pelanggan dan memanfaatkan detail dalam surat pelanggan untuk meningkatkan keaslian balasan. Selain itu, Anda dapat menyesuaikan nilai suhu untuk membuat balasan tampak kurang kaku.
Dengan memanfaatkan fungsi LLM, Anda bisa mendapatkan email balasan yang ditulis berdasarkan detail surat pelanggan, dan Anda juga dapat menyesuaikan nada balasan Anda secara fleksibel sesuai kebutuhan. Ini membuat komunikasi email dengan pelanggan lebih personal dan otentik.
Saat mengirim pesan menggunakan API OpenAI, peran dalam pesan dapat mencakup tiga peran: sistem, pengguna, dan asisten.
Peran sistem digunakan untuk menetapkan gaya dan pembatasan global dan informasi lainnya.
Peran pengguna (pengguna) mewakili pengguna manusia, yaitu, pengguna sungguhan yang mengirim pesan.
Asisten berarti LLM, yaitu model bahasa, yang memainkan peran balasan dan interaksi dalam percakapan.
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)Dalam deskripsi berikut, kami akan membahas beberapa hal yang terkait dengan prinsip dan kemampuan.
1. Prinsip:
Arahan membutuhkan yang jelas dan spesifik, memastikan bahwa model tersebut dengan jelas memahami kebutuhan Anda.
Berikan model waktu untuk berpikir dan memproses.
2. Proseksi proses pengembangan adalah proses iterasi berkelanjutan, membutuhkan debugging dan peningkatan yang berkelanjutan.
3. Model memiliki kemampuan berikut: Ringkasan, Penalaran, Transformasi dan Ekspansi. Kemampuan ini dapat berperan dalam skenario aplikasi yang berbeda.
