Prompt Engineering Tutior
1.0.0
ยินดีต้อนรับ PR & Star ที่จะให้ผู้คนมากขึ้นรู้ ว่าวิศวกรคำที่รวดเร็ว
หลักสูตรวิดีโออ้างอิง: chatgpt วิศวกรรมพรอมต์สำหรับนักพัฒนา
การถ่ายโอนคำบรรยายภาษาจีน: คำแนะนำในการเริ่มต้นกับวิศวกร Word Prompt [Wu Enda] - Qileian AI Open Source Subtitle Group - ยินดีต้อนรับสู่ PR เพื่อแปลคำบรรยาย
ภาษาการใช้งาน: Python, Golang, Nodejs
คอร์ปัส: อังกฤษ, จีน
ยินดีต้อนรับสู่ PR!
| วัสดุ | วัสดุ |
|---|---|
| วิดีโอการสอน | จีน✅, ภาษาอังกฤษ✅ |
| งูหลาม | จีน✅, ภาษาอังกฤษ✅ |
| nodejs | จีน✅, ภาษาอังกฤษ✅ |
| กอลัน | จีน✅, ภาษาอังกฤษ✅ |
| คำบรรยาย | จีน✅, ภาษาอังกฤษ✅ |
LLM แบ่งออกเป็นสองหมวดหมู่พื้นฐาน: Base-LLM และคำสั่งที่ปรับแต่ง-LLM
อดีตเป็นรูปแบบภาษาพื้นฐานซึ่งทำนายคำถัดไปตามข้อมูลที่ผ่านการฝึกอบรมมาก่อน คำแนะนำหลังปรับคำแนะนำเพื่อให้มีแนวโน้มที่จะทำตามคำแนะนำของมนุษย์ให้เสร็จสมบูรณ์มากขึ้น
ในโมเดลของ OpenAI รุ่น crashedGPT จะแสดงโมเดลที่ได้รับการปรับให้เหมาะสมสำหรับการเรียนการสอน ตารางยังแสดงวิธีการฝึกอบรมการปรับแต่งการเรียนการสอนที่แตกต่างกันเช่น SFT, FeedMe, PPO ฯลฯ
แนวทางสำหรับการเขียนคำแนะนำ ได้แก่ :
ชัดเจนและเฉพาะเจาะจง แต่ไม่จำเป็นต้องสั้น
ใช้ตัวคั่นเช่น "" ",` `` ,- ,-, <>, เพื่อป้องกันการฉีด propt และสร้างความเข้าใจที่สับสนสำหรับ LLM
ใช้เอาต์พุตที่มีโครงสร้างหากจำเป็นต้องส่งออกในรูปแบบ HTML หรือ JSON
การตรวจสอบที่จำเป็น: LLM จำเป็นต้องตรวจสอบว่ามีเงื่อนไขบางอย่างก่อนที่จะส่งออกหรือไม่
การใช้ตัวอย่างไม่กี่ตัวอย่างเพื่อเรียนรู้แสดงตัวอย่างที่ต้องการใน LLM
ให้แบบจำลองเวลาคิดเกี่ยวกับมันและอย่าให้ปัญหาง่ายหรือยากเกินไป
ทำตามขั้นตอนที่จะตอบตั้งค่าตัวคั่นตัวอย่างเช่นใช้ "ข้อความ: <>" เพื่อแสดงข้อความ
ปล่อยให้โมเดลอนุมานกระบวนการเองไม่ใช่แค่ผลลัพธ์ แสดงตัวอย่างด้วยกระบวนการแก้ปัญหาเป็น LLM
หลีกเลี่ยงภาพหลอนของโมเดล: บอกแบบจำลองเพื่อค้นหาข้อมูลที่เกี่ยวข้องก่อนจากนั้นตอบคำถามตามข้อมูลที่เกี่ยวข้อง (แต่เป็นการยากที่จะหลีกเลี่ยงภาพลวงตาของแบบจำลองและยังเป็นทิศทางของความพยายามในปัจจุบันในด้านการวิจัยแบบจำลอง)
กระบวนการเขียนพรอมต์มีการวนซ้ำอย่างต่อเนื่อง
ขั้นตอนพื้นฐาน:
เขียนพรอมต์
ทำการทดสอบ
การวิเคราะห์เหตุผล
แก้ไขพรอมต์ (ชี้แจงแนวคิด)
ขี่จักรยานขั้นตอนข้างต้นจนกว่าจะได้ผลลัพธ์ที่น่าพอใจ
หากคุณเรียกใช้เว็บไซต์อีคอมเมิร์ซที่มีบทวิจารณ์ผู้ใช้จำนวนมากคุณสามารถทำให้ภาระงานของคุณง่ายขึ้นโดยใช้ความสามารถของโมเดลภาษา "สรุป" และ "แยก" เพื่อลดความซับซ้อนของเวิร์กโหลด
ด้วย LLM คุณสามารถทำการทดสอบหลายชุดเช่นการ จำกัด จำนวนคำ จำกัด หัวข้อการมุ่งเน้นไปที่ราคาและพยายามแทนที่การสรุปโดยการแยกข้อมูล
นอกจากนี้คุณยังสามารถใช้ Loop เพื่อใช้เทมเพลตพรอมต์เดียวกันกับ Batch Process เนื้อหาที่แตกต่างกัน การทำเช่นนี้สามารถช่วยคุณจัดการความคิดเห็นจำนวนมากได้อย่างมีประสิทธิภาพมากขึ้น
หากคุณต้องการทราบปริมาณของข้อเสนอแนะเชิงบวกและเชิงลบในความคิดเห็นของผู้ใช้คุณต้องใช้ความสามารถในการใช้ "LLM ให้เหตุผล"
ตัวอย่างเช่น LLM สามารถให้เหตุผลเกี่ยวกับความเชื่อมั่นของผู้ใช้ระบุประเภทอารมณ์ (เช่น: มีความสุขพึงพอใจขอบคุณประทับใจเนื้อหา) แยกข้อมูลแบรนด์และผลิตภัณฑ์และส่งออกในรูปแบบ JSON และยังสามารถทำงานได้หลายงานในเวลาเดียวกัน (ตัวอย่างเช่นการแยกผลิตภัณฑ์จากความคิดเห็นของผู้ใช้และการใช้เหตุผลของอารมณ์ผู้ใช้), หัวข้อการอนุมานและการออกแบบโปรแกรมเตือนความจำตามหัวข้อที่อนุมาน ฯลฯ ฯลฯ
ดังนั้นความสามารถในการใช้ "การให้เหตุผล LLM" ในความคิดเห็นของผู้ใช้สามารถช่วยให้คุณเข้าใจได้อย่างชัดเจนว่าข้อเสนอแนะเชิงบวกและเชิงลบคืออะไร
แอปพลิเคชันการแปลงเป็นแอปพลิเคชันที่แปลงภาษาหนึ่งเป็นภาษาอื่น
ตัวอย่างเช่นผ่านแอปพลิเคชันการแปลงสามารถแปลข้อความหนึ่งย่อหน้าเป็นภาษาอื่นภาษาที่ใช้โดยย่อหน้าของข้อความสามารถระบุได้และแม้แต่ข้อความก็สามารถแปลเป็นภาษาได้มากกว่าสองภาษาในเวลาเดียวกัน นอกจากนี้คุณยังสามารถระบุได้ว่าน้ำเสียงของการแปลงเป็นทางการหรือไม่เป็นทางการและระบุภาษาที่เหมาะสมสำหรับโอกาสที่แตกต่างกันเช่นอีเมลสำหรับโอกาสทางธุรกิจ แอปพลิเคชันการแปลงไม่ได้ จำกัด อยู่ที่การแปลภาษาธรรมชาติ แต่ยังสามารถทำการแปลงภาษาการเขียนโปรแกรมเช่นการแปลง JSON เป็น HTML ในเวลาเดียวกันคุณสามารถขอให้ LLM ช่วยคุณแก้ไขข้อผิดพลาดทางไวยากรณ์
LLM มีความสามารถในการขยายและเพิ่มการแก้ไขในข้อความสั้น ๆ และรวมรูปแบบภาษาที่เฉพาะเจาะจง
ในตัวอย่างต่อไปนี้ LLM ทำหน้าที่เป็นผู้ช่วยตอบกลับอีเมล คุณสามารถขอให้ LLM เขียนอีเมลเพื่อตอบกลับลูกค้าและใช้ประโยชน์จากรายละเอียดในจดหมายของลูกค้าเพื่อเพิ่มความถูกต้องของการตอบกลับ นอกจากนี้คุณสามารถปรับค่าอุณหภูมิเพื่อให้การตอบกลับมีความเข้มงวดน้อยลง
ด้วยการใช้ประโยชน์จากฟังก์ชั่น LLM คุณสามารถรับอีเมลตอบกลับที่เขียนขึ้นตามรายละเอียดของจดหมายของลูกค้าและคุณยังสามารถปรับโทนเสียงตอบกลับของคุณได้อย่างยืดหยุ่น สิ่งนี้ทำให้การสื่อสารทางอีเมลกับลูกค้าเป็นส่วนตัวและเป็นของแท้มากขึ้น
เมื่อส่งข้อความโดยใช้ OpenAI API บทบาทในข้อความอาจรวมถึงสามบทบาท: ระบบผู้ใช้และผู้ช่วย
บทบาทของระบบใช้ในการกำหนดรูปแบบและข้อ จำกัด ระดับโลกและข้อมูลอื่น ๆ
บทบาทผู้ใช้ (ผู้ใช้) แสดงถึงผู้ใช้มนุษย์นั่นคือผู้ใช้จริงที่ส่งข้อความ
ผู้ช่วยหมายถึง LLM นั่นคือรูปแบบภาษาซึ่งมีบทบาทของการตอบกลับและการโต้ตอบในการสนทนา
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)ในคำอธิบายต่อไปนี้เราจะหารือเกี่ยวกับบางเรื่องที่เกี่ยวข้องกับหลักการและความสามารถ
1. หลักการ:
คำสั่งนั้นต้องการความชัดเจนและเฉพาะเจาะจงเพื่อให้มั่นใจว่าแบบจำลองนั้นเข้าใจความต้องการของคุณอย่างชัดเจน
ให้แบบจำลองเวลาคิดและประมวลผล
2. กระบวนการพัฒนาพร้อมท์เป็นกระบวนการของการทำซ้ำอย่างต่อเนื่องซึ่งต้องมีการดีบักและการปรับปรุงอย่างต่อเนื่อง
3. โมเดลมีความสามารถดังต่อไปนี้: สรุปการใช้เหตุผลการเปลี่ยนแปลงและการขยายตัว ความสามารถเหล่านี้สามารถมีบทบาทในสถานการณ์แอปพลิเคชันที่แตกต่างกัน
