Prompt Engineering Tutior
1.0.0
Добро пожаловать PR & STAR , чтобы сообщить больше людей
Справочный видеоурок: CHATGPT
Китайский перевод подзаголовок: руководство для начала работы с быстрого инженера Word [wu enda] - Qilian AI Subtitle Group - добро пожаловать в PR, чтобы перевести субтитры
Языки реализации: Python, Golang, Nodejs
Корпус: английский, китайский
Добро пожаловать в PR!
| материал | Материалы |
|---|---|
| Преподавание видео | Китайский, английский |
| Питон | Китайский, английский |
| Nodejs | Китайский, английский |
| Голанг | Китайский, английский |
| подзаголовок | Китайский, английский |
LLM разделен на две основные категории: Base-LLM и инструкция-настраивание-LLM.
Первый-это основная языковая модель, которая предсказывает следующее слово на основе предварительно обученных данных. Последний тонко настраивает инструкции по счете, чтобы выполнить человеческие инструкции.
В модели Openai модели InstructGPT перечисляют модели, оптимизированные для обучения. В таблице также перечислены различные методы обучения с точной настройкой, такие как SFT, FeedMe, PPO и т. Д.
Рекомендации по написанию инструкций включают:
Четкий и конкретный, но не обязательно короткий.
Используйте разделители, такие как "" "", `` `, ---, <>, чтобы предотвратить инъекцию Propt, и создайте запутанное понимание для LLM.
Используйте структурированный выход, если требуется для вывода в формате HTML или JSON.
Требуемый осмотр: LLM требуется проверить, выполняется ли определенное условие перед его выходом.
Используя несколько образцов для изучения, покажите желаемый пример для LLM.
Дайте модели некоторое время, чтобы подумать об этом и не давать ей слишком простые или сложные проблемы.
Следуйте шагам, чтобы ответить, установите сепаратор, например, используйте «Текст: <>» для представления текста.
Пусть модель выведет сам процесс, а не только результат. Показать пример с процессом решения проблем для LLM.
Избегайте галлюцинации модели: сначала сообщите модели, чтобы найти соответствующую информацию, а затем ответьте на вопросы на основе соответствующей информации. (Но трудно избежать иллюзии модели, а также направление современных усилий в области исследований моделей)
Процесс написания подсказки постоянно итерация.
Основные шаги:
Написать приглашение
Выполнить тест,
Анализ причин
Пересмотреть подсказку (уточнить идеи)
Езда на велосипеде выше, пока не будут достигнуты удовлетворительные результаты.
Если вы запускаете веб-сайт электронной коммерции, который содержит большое количество отзывов пользователей, вы можете упростить свою рабочую нагрузку, используя способность языковой модели «суммирование» и «извлечение», чтобы упростить вашу рабочую нагрузку.
С LLM вы можете выполнить серию тестов, такие как ограничение количества слов, ограничение тем, сосредоточиться на ценах и попытка заменить резюме путем извлечения информации.
Вы также можете использовать для цикла для использования одного и того же шаблона подсказок для процесса партии различного контента. Это может помочь вам более эффективно справиться с большим количеством комментариев.
Если вы хотите узнать количество положительных и отрицательных отзывов в комментариях пользователей, вам нужна возможность использовать «рассуждения LLM».
Например, LLM может рассуждать о настроениях пользователей, определять типы эмоций (например: счастливые, удовлетворенные, благодарные, впечатленные, контент), извлечение информации о бренде и продукте и вывод его в формате JSON, а также могут выполнять несколько задач одновременно (Например, извлечение продуктов из комментариев пользователей и рассуждений пользовательских эмоций), вывод темы и разработка программы напоминаний на основе предполагаемых тем и т. Д.
Следовательно, способность применять «рассуждения LLM» в комментариях пользователей может помочь вам точно понять, что такое положительная и отрицательная обратная связь.
Приложение для преобразования - это приложение, которое преобразует один язык в другой.
Например, благодаря приложениям конверсии один абзац текста может быть переведен на другой язык, язык, используемый абзацем текста, может быть идентифицирован, и даже текст может быть переведен на более чем два языка одновременно. Кроме того, вы также можете указать, является ли тон конверсии формальным или неформальным, и указать языки, подходящие для различных случаев, такие как электронные письма для деловых случаев. Приложения конверсии не ограничиваются переводом естественного языка, но также могут выполнять преобразование языка программирования, например, преобразование JSON в HTML. В то же время вы также можете попросить LLM помочь вам исправить ошибки синтаксиса.
LLM имеет возможность расширять и добавлять модификации в короткий текст и включать в себя конкретные языковые стили.
В следующем примере LLM выступает в качестве помощника по электронной почте. Вы можете попросить LLM написать электронное письмо, чтобы ответить на клиента, и попросить его воспользоваться деталями в письме клиента, чтобы повысить подлинность ответа. Кроме того, вы можете настроить значение температуры, чтобы ответ выглядел менее жестким.
Используя функцию LLM, вы можете получить ответ по электронной почте, написанную на основе деталей письма клиента, и вы также можете гибко настроить тон вашего ответа по мере необходимости. Это делает электронное письмо с клиентами более персонализированным и аутентичным.
При отправке сообщений с использованием API OpenAI роли в сообщении могут включать три роли: система, пользователь и помощник.
Системные роли используются для установки глобальных стилей, ограничений и другой информации.
Роль пользователя (пользователь) представляет человеческого пользователя, то есть реального пользователя, который отправил сообщение.
Помощник означает LLM, то есть языковая модель, которая играет роль ответов и взаимодействий в разговорах.
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)В следующем описании мы обсудим некоторые вопросы, связанные с принципами и возможностями.
1. Принципы:
Директивы требуют четкой и специфики, гарантируя, что модель четко понимает ваши требования.
Дайте модели некоторое время, чтобы думать и обработать.
2. Процесс разработки - это процесс непрерывной итерации, требующий непрерывной отладки и улучшения.
3. Модель имеет следующие способности: краткое изложение, рассуждение, преобразование и расширение. Эти возможности могут сыграть роль в различных сценариях приложений.
