BoardInfinity 生成式人工智能笔记（一）
生成式AI与提示词工程基础：P1：课程介绍
在本节课中，我们将对《生成式AI：提示词工程基础》这门课程进行整体介绍，了解课程结构、核心模块以及你将学习到的关键技能。
随着人工智能技术的飞速发展，通过精心设计的提示词与AI系统进行有效交互，已成为各行各业的一项必备技能。本课程旨在帮助你理解、优化并高效利用AI模型。
课程分为两个核心模块，分别聚焦于生成式AI的基础知识和提示词工程的实践技巧。
以下是第一模块“生成式AI介绍与核心概念”的主要内容：
-
生成式AI基础：探索生成式AI的工作原理及其如何创造新内容。
-
AI模型演进：了解GPT、BERT、T5等关键模型的发展及其对现代AI应用的影响。
-
现实世界应用：涵盖内容创作、自动化、编程和多媒体生成等领域的实际应用案例。
上一模块我们建立了对生成式AI的整体认识，接下来，在第二模块“掌握提示词工程以优化AI”中，我们将学习如何与AI系统有效沟通以获得高质量输出。
以下是第二模块“掌握提示词工程以优化AI”的核心内容：
-
提示词工程基础：学习如何构建清晰、精确的提示词。
-
高级技巧：包括思维链提示、零样本/少样本学习以及思维树推理，以提升AI生成响应的质量。
-
提示词类型：了解直接、开放式、迭代式和比较式等不同类型的提示词及其适用场景。
-
常见问题与优化：识别提示词设计中的常见陷阱，并学习如何优化AI响应以提高准确性和相关性。
在本节课中，我们一起了解了《生成式AI：提示词工程基础》课程的全貌。课程结束时，你将能够设计出强大的提示词来提升AI性能，生成高质量响应，并优化跨行业的AI应用。
现在，让我们开始学习，共同解锁生成式AI与提示词工程的全部潜力。
002：认识你的导师 👨🏫
在本节课中，我们将认识本课程的导师，了解他的专业背景和行业经验，为后续的学习旅程奠定基础。
大家好，我是Nathan Agraal，一位经验丰富的数据科学专业人士。
我拥有14年在生成式AI、大语言模型、机器学习、自然语言处理、深度学习以及数据分析领域的专业经验。
我的工作经历覆盖了医疗保健、科技、审计、航运和物流等多个行业。
在我的职业生涯中，我有幸指导了众多在数据科学、人工智能及相关技术领域的学生。分享我的专业知识，并见证学习者的成长，是我极大的满足感和动力来源。
我热切期待与你们一同踏上这段共同学习的旅程。
本节课中，我们一起认识了本课程的导师Nathan Agraal，了解了他深厚的技术背景和跨行业的丰富经验。在接下来的课程中，他将带领我们深入探索生成式AI与提示词工程的奥秘。
生成式AI：提示词工程基础：P3：生成式AI概述及其工作原理 🧠
在本节课中，我们将要学习生成式人工智能的基本概念及其核心工作原理。理解这些基础知识是掌握有效提示词工程的第一步。
欢迎来到我们的第一个视频。我们将深入探索人工智能的迷人世界，并学习如何与这些强大的系统进行有效沟通。
让我们从一个基本问题开始：什么是生成式AI？本质上，生成式AI指的是那些不仅分析现有信息，而且能够创造全新内容的人工智能系统。
这些系统可以生成文本、图像、代码、音乐，甚至是看起来由人类制作的视频。
那么，生成式AI是如何工作的呢？生成式AI由大型语言模型驱动，也称为LLMs。这些是经过海量文本数据训练的大规模AI模型，数据来源包括书籍、文章、网站等。
它们是如何学习的呢？想象一下阅读数百万本书，并由此形成对语言、事实以及观点之间联系的直观理解。本质上，这就是这些模型在训练过程中所经历的，只不过规模极其庞大。
当你与AI模型互动时，会发生以下过程：你提供一个提示。提示是一个问题或指令。AI分析你的输入，并预测接下来应该出现什么文本。它不是简单地检索或复述记忆的信息，而是根据学习到的模式生成新的内容。
是什么让这些AI模型如此强大？以下是其主要的关键组成部分。
以下是构成其强大能力的主要组件：
-
神经网络：神经网络是拥有数十亿甚至数万亿参数的AI模型，这些参数帮助处理语言。
-
Transformer架构：这是一种允许AI理解长文本上下文的AI系统。
-
多样化的训练数据：AI从极其广泛的主题和写作风格中学习。
-
微调：这是一种调整，帮助AI与人类偏好对齐，从而提供更有用的回答。
通过理解生成式AI的工作原理，你将能够构思更好的提示词，并获得更有意义的结果。
在下一节视频中，我们将探讨生成式AI如何改变不同的行业。
本节课中，我们一起学习了生成式AI的定义、其基于大型语言模型的工作原理，以及使其强大的关键组件，如神经网络和Transformer架构。掌握这些原理是进行有效提示词工程的基础。
生成式AI：提示词工程基础｜P4：生成式AI在各行业的演变 🚀
在本节课中，我们将深入了解生成式AI如何变革各行各业，探索其从技术萌芽到广泛应用的演变历程，并理解提示词工程在其中扮演的关键角色。
上一节我们介绍了生成式AI的基本概念，本节中我们来看看它如何在实际行业中发挥作用。
技术演变回顾 📜
人工智能并非全新概念。神经网络技术自20世纪50年代就已存在。然而，真正的转折点出现在2014年，随着生成对抗网络的引入，情况开始迅速升温。这是一个游戏规则的改变者，因为它允许AI通过让两个模型相互竞争来创建逼真的图像，类似于一种AI内部的对抗。
随后在2017年，一项重大突破发生：Transformer架构被提出。这一突破彻底改变了AI处理语言的方式，使其能够更好地理解上下文，并生成类人的文本。
此后，我们见证了诸如2018年的BERT、2019年的GPT，以及当然还有2022年的ChatGPT等一系列模型的诞生。这些模型使得AI对话感觉比以往任何时候都更加自然。
行业应用与影响 🌍
现在，让我们谈谈现实世界的影响。生成式AI不仅仅是研究人员的实验工具，它已经深度嵌入全球各个行业。
以下是生成式AI正在重塑几乎所有行业的方式：
-
内容创作：AI可以协助生成文章、营销文案、诗歌和剧本。
-
设计与艺术：AI能够创建图像、插画，并进行艺术风格转换。
-
软件开发：AI可以辅助编写代码、调试程序，甚至生成软件文档。
-
客户服务：AI驱动的聊天机器人能够提供24/7的客户支持。
-
教育与研究：AI可以生成学习材料、解释复杂概念，并协助进行文献综述。
-
医疗健康：AI有助于分析医学影像、加速药物发现和生成个性化治疗建议。
核心技能：提示词工程 💡
随着生成式AI的普及，通过提示词工程与AI进行有效沟通的能力，正成为一项至关重要的技能。提示词工程的核心在于如何精心设计输入指令，以引导AI模型生成最符合期望的输出结果。
在后续课程中，我们将深入探讨如何利用这些能力，从AI中获得最佳结果。
总结与预告 📝
本节课中，我们一起学习了生成式AI从GANs、Transformer架构到GPT系列模型的技术演变路径，并看到了它在内容创作、设计、软件开发等多个行业的广泛应用。我们认识到，掌握提示词工程是有效驾驭这些AI能力的关键。
在下一个视频中，我们将了解一些关键的生成式AI模型及其具体应用场景。感谢观看，我们下期再见。
生成式AI：提示词工程基础：P5：关键模型（GPT、BERT、T5等）及其应用场景 🧠
在本节课中，我们将深入了解驱动当今AI应用的一些关键模型，包括GPT、BERT和T5。理解这些模型的工作原理，将帮助我们更好地进行提示词工程。
概述
我们已经探讨了生成式AI的工作原理及其如何改变各行各业。现在，让我们近距离观察一些为当今AI应用提供动力的关键模型。
GPT：文本生成大师
首先介绍GPT（生成式预训练变换器），这是由OpenAI开发的一系列模型。可以将GPT视为生成类人文本的首选AI，无论是撰写文章、回答问题还是生成代码，它都能胜任。ChatGPT等工具就是由GPT驱动的。
GPT的独特之处在于其自回归特性。这意味着它一次预测序列中的下一个词，逐步生成文本。其公式可以简化为：
P(下一个词 | 所有之前的词)
正是这种机制，使得GPT能够生成连贯、流畅的回应。如果你曾使用AI来起草邮件、运行聊天机器人或进行创意写作，背后很可能就是GPT在发挥作用。
BERT：上下文理解专家
接下来是BERT（来自变换器的双向编码器表示），由Google创建。与GPT从左到右阅读文本不同，BERT能同时从两个方向处理词语，这使其成为理解上下文的专家。
这使得BERT在搜索引擎、情感分析和文本分类等任务上表现出色。例如，当你在Google中输入一个模糊的搜索查询却仍能得到准确结果时，这就是BERT在发挥作用，帮助Google理解你的意图。
T5：统一的文本到文本框架
现在让我们谈谈T5（文本到文本传输变换器）。T5将每一个自然语言处理任务都视为一个文本生成问题。
这意味着它可以在一个统一的框架内处理翻译、摘要甚至问答等任务。其核心思想是：
任务：输入文本 -> 输出文本
无论是需要将文本从一种语言翻译成另一种语言，总结一份冗长的报告，还是回答复杂问题，T5都是处理这类任务的理想模型。
领域专用AI模型
除了这些通用模型，我们还有为特定领域训练的专用AI模型。
以下是两个例子：
-
Med-PaLM（用于医疗）：帮助医生分析医学文献和患者数据。
-
Bloomberg GPT（用于金融）：基于金融数据训练，协助进行股票分析、市场预测甚至财务报告。
这对提示词工程为何重要？🎯
了解这些模型的工作原理，有助于我们根据其优势来设计更好的提示词。在本课程中，我们将主要关注像GPT这样的通用模型，但你在这里学到的技能，可以应用于未来或现在接触的任何AI模型。
总结
本节课我们一起学习了三种关键的AI模型：擅长文本生成的GPT、精于上下文理解的BERT，以及采用统一文本到文本框架的T5。我们还了解了领域专用模型的存在。理解这些模型是进行有效提示词工程的重要基础。在下一个视频中，我们将深入探讨生成式AI的实际应用。
生成式AI：提示词工程基础：P6：实际应用：文本生成、内容创作与自动化 🚀
在本节课中，我们将探讨生成式AI在现实世界中的具体应用。我们将看到，AI不仅仅是未来的概念，它已经通过文本生成、内容创作和自动化，在各个行业中发挥着重要作用。
上一节我们介绍了生成式AI的基础概念，本节中我们来看看它如何在实际场景中大放异彩。
内容营销 📈
在内容营销领域，AI正成为强大的助手。企业利用AI来草拟博客文章、创建产品描述以及生成引人入胜的社交媒体内容。
以下是AI在内容营销中的具体应用：
-
工具示例：像 Jasper 和 Copy.ai 这样的工具正在帮助营销团队规模化地生产内容。
-
核心协作模式：AI草拟，人类优化。这种协作模式能产出高质量、有吸引力的内容。
客户服务 🤖
生成式AI驱动的聊天机器人正在改变公司与客户互动的方式。
以下是AI在客户服务中的具体应用：
-
平台示例：Intercom 和 Drift 等平台提供7x24小时支持，回答常见问题、排查故障。
-
工作流程：在需要时，它们能将复杂问题无缝转接给人工客服。结果是响应更快，客户满意度更高。
软件开发 💻
软件开发是另一个令人兴奋的应用领域。如果你是一名开发者，可能听说过 GitHub Copilot。
以下是AI在软件开发中的具体应用：
-
核心功能：它是一个AI驱动的编码助手，能根据自然语言描述建议代码片段，甚至完成整个子函数。
-
类似工具：同样地，Replit Code Writer 也在帮助开发者更高效地编写和调试代码。
法律文档自动化 ⚖️
法律文档自动化是另一个变革性的应用。AI可以草拟合同、总结报告，并从法律文件中提取关键细节。
以下是AI在法律领域的具体应用：
- 核心价值：律师事务所现在使用AI工具来创建合同的初稿，为律师和法律团队节省无数小时。
电子邮件管理 📧
我们也不能忘记电子邮件管理。像Gmail的“智能撰写”和“智能回复”这样的功能，帮助用户快速撰写回复、总结冗长的邮件线程并优先处理关键信息，让收件箱管理比以往更顺畅。
教育 📚
在教育领域，AI正在使学习更加个性化。它能生成针对不同技能水平定制的教案、测验和个性化学习材料，同时帮助教师和学生。
核心要点与过渡 🔑
所有这些应用都有一个共同的主线：AI输出的质量取决于输入（即提示词）的质量。一个结构良好的提示词，可以带来天壤之别的结果——从模糊的回应到富有洞察力的回应。
而这正是我们下一节课要深入探讨的内容。在下一课中，我们将开始解锁提示词工程的力量，学习如何构建精确、有效的提示词，以获得最佳可能的结果。
本节课中，我们一起学习了生成式AI在内容创作、客户服务、软件开发、法律、邮件管理和教育等多个领域的实际应用案例，并理解了高质量提示词对于获得优质AI输出的关键作用。
生成式AI：提示词工程基础：P7：什么是提示工程及其重要性 🎯
在本节课中，我们将要学习提示工程的核心概念及其重要性。提示工程是有效使用生成式AI的关键技能，它通过精心设计输入来引导AI模型产生最佳输出。
什么是提示工程？
上一节我们探讨了生成式AI的评估与实际应用，本节中我们来看看一项能显著提升AI使用效果的技能——提示工程。
简单来说，提示工程是精心设计输入给AI模型的指令，以获得最佳可能输出的实践。可以将其理解为向AI下达清晰的指令，使其生成符合你目标的回应。
我们可以通过一个类比来理解：假设你向朋友询问餐厅推荐。
-
如果你只是问：“我该去哪吃？” 你可能会得到一个非常模糊的回应。
-
但如果你问：“你能推荐一家附近价格实惠的意大利餐厅吗？” 你将得到一个更相关的答案。
同样的原则也适用于AI：你组织输入的方式直接影响输出的质量。
为什么提示工程很重要？
理解了提示工程的定义后，我们来看看掌握这项技能为何至关重要。以下是几个关键原因：
-
弥合人类意图与AI能力之间的鸿沟：即使是最强大的AI模型，也无法天生理解你的需求。一个精心设计的提示能确保你的意图被清晰地传达。
-
显著提升输出质量：一个模糊的提示可能产生通用、无用的回应，而一个精心设计的提示则可以生成精确、深刻且高质量的内容。
-
节省时间和精力：好的提示工程可以优化与AI的交互，减少反复试错和来回修改的过程。
-
确保一致性：组织可以使用结构化的提示，在客户服务、内容生成或研究等场景中，保持统一的声音和风格。
-
规避AI的局限性：每个AI模型都有其约束、偏见、幻觉（即生成看似合理但不真实的内容）和知识盲区。聪明的提示技巧有助于绕过这些限制，获得最佳可能的结果。
就像在互联网早期，学会有效使用谷歌搜索成为一项关键技能一样，在AI时代，提示工程已成为一项必不可少的技能。无论你是将AI用于写作、研究、编程还是自动化，掌握如何设计有效的提示都将使你脱颖而出。
总结
本节课中我们一起学习了提示工程的定义及其重要性。提示工程是通过精心设计输入指令，以引导AI模型产生高质量、符合意图输出的关键实践。它不仅能提升效率和质量，还能帮助我们更好地利用AI的能力并规避其局限。
在下一个视频中，我们将深入剖析提示如何影响AI的回应，并揭示这一过程背后的机制。敬请期待。
生成式AI：提示词工程基础：P8：提示词如何塑造AI的回应 🎭
在本节课中，我们将要学习提示词是如何具体影响和塑造AI模型回应的。理解其背后的机制，是掌握提示词工程的关键。
上一节我们介绍了提示词工程的重要性。本节中，我们来看看提示词影响AI行为的具体方式。你可以将提示词想象为戏剧中的场景设定。你提供了背景、角色、环境和情境，然后AI会根据你设定的内容来延续这个场景。你组织提示词的方式，会对你得到的回应类型产生巨大影响。
那么，提示词究竟如何影响AI行为？让我们逐一拆解。
以下是提示词塑造AI回应的五个核心方面：
-
提供主题引导：如果你在提示词中包含“气候变化”这个短语，AI就更有可能生成与环境议题相关的回应，而不是经济学。你选择的词语就像路标，将模型引导至相关主题。
-
设定语气与风格：想要一份正式的研究报告？在你的提示词中使用专业、学术的语言。更喜欢有趣、随意的回应？就像给朋友发信息一样写提示词。AI会模仿你设定的语气。
-
定义回应格式：你可以塑造AI组织其输出的方式。如果你说“列出远程办公的优缺点”，AI会给你一个结构化的列表。如果你要求一个分步指南，它就会相应地组织答案。
-
为AI分配角色：你可以告诉AI“扮演一位网络安全专家”或“像对五年级学生解释一样说明这个”。通过这样做，你设定了AI的视角，引导它通过特定的“镜头”来回应。
-
提供约束条件：想要一个简短的摘要而不是长篇大论？需要回应在50个词以内？添加诸如“用简单的句子解释量子计算”这样的约束条件，有助于AI根据你的需求定制答案。
理解提示词与回应之间的这种关系，有助于解释为什么有些提示词效果更好。模型并非有意识地决定如何解读你的提示词，它是基于训练数据中的模式进行统计预测。你的提示词会激活模型内部的某些模式和上下文，从而引导它做出特定的预测。
在下一节视频中，我们将把这些知识付诸实践，探索构建强大提示词的关键原则。
本节课中，我们一起学习了提示词通过引导主题、设定风格、定义格式、分配角色和施加约束这五种核心方式，来具体塑造AI的回应。掌握这些机制，是迈向有效提示词工程的第一步。
009：设计有效提示的关键原则 🛠️
在本节课中，我们将学习设计有效提示词的七个关键原则。这些原则是引导AI生成高质量、精准回应的核心工具。
在上一节视频中，我们了解了提示词如何塑造AI的回应。本节中，我们将深入探讨构成有效提示词工程的关键原则。你可以将这些原则视为从AI获取最佳结果的工具箱。
1. 具体性原则 🎯
模糊的提示词会导致模糊的回应。
想象一下，你问朋友：“告诉我关于气候变化的事。”你可能会得到一个宽泛、笼统的回答。相反，如果你问：“气候变化对太平洋西北部海洋生态系统产生了哪三种影响？”你将得到一个更加聚焦和有用的答案。AI的工作原理与此相同。你的提示词越具体，得到的回应就越好。
2. 上下文原则 📖
提供背景信息有助于AI理解你的具体需求。
如果你只是说“我如何修复这段代码？”，AI并不知道你的技能水平、使用的编程语言或具体问题。更好的方式是尝试这样说：“我是一名Python编程初学者，正在做一个网络爬虫项目。我的代码抛出了一个索引错误。这是我的代码片段，我该如何修复它？”然后附上代码片段。这些额外的信息有助于AI根据你的具体情况和技能水平来定制回应。
3. 定义输出格式原则 📊
明确说明你希望信息以何种形式呈现。
例如，你可以说：“创建一个表格，比较电动汽车、混合动力汽车和燃油汽车在成本、环境影响和维护需求方面的差异。”这为AI提供了清晰的结构化指导。
4. 角色分配原则 👨🏫
要求AI采用特定的视角可以产生更专业的回应。
例如，“作为一名经验丰富的教师，请对这份教案提供反馈。”这引导AI从教育者的角度来处理任务。通过分配角色，你可以促使AI给出更接近专家水平的回应。
5. 设定约束原则 ⛔
为你想要的内容设定边界。
例如，“用不超过200字解释量子计算，并避免使用技术术语。”这些约束条件能将回应的焦点集中在你最需要的内容上，并据此调整回应。
6. 利用示例原则 📝
引导AI的最佳方式是提供一些示例。
例如，“请按照这种风格撰写描述”，然后给出几个例子。这为AI提供了可遵循的模式，使输出更符合你的期望。
7. 迭代是关键原则 🔄
即使是最好的提示词也并非总能一次成功。要获得完美的回应，请将提示词工程视为一场对话：尝试一个提示词，查看回应，然后调整、优化它，直到获得满意的结果。遵循上述原则将减少你所需的迭代次数。
这些原则并非僵化的规则，而是可以根据你的具体需求进行调整的指导方针。随着你不断练习提示词工程，你将培养出在不同情境下判断哪些原则最重要的直觉。
在本节课中，我们一起学习了设计有效提示词的七个关键原则：具体性、提供上下文、定义输出格式、角色分配、设定约束、利用示例以及迭代优化。掌握这些原则将帮助你更高效地与AI互动，获得更精准的回应。
在下一个视频中，我们将探讨提示词设计中常见的陷阱以及如何避免它们。感谢观看，我们下期再见。
生成式AI：提示词工程基础：P10：提示设计中的常见陷阱及如何避免 🚧
在本节课中，我们将探讨提示词设计中的常见陷阱，并学习如何避免它们，以获得更精准、有用的AI回复。
我们已经介绍了提示词工程的基础知识，现在让我们来谈谈不应该做什么。即使是经验丰富的用户也可能遇到问题，导致AI的回复模糊、误导或不完整。但别担心，一旦你认识到这些陷阱，就很容易避免。
陷阱一：提示词过于模糊
第一个主要陷阱是提示词过于模糊。当提示词缺乏具体性时，AI的回复往往会非常笼统且没有帮助。
例如，询问“给我一些营销点子”得到的结果，远不如“为一家面向注重健康的千禧一代的小型有机面包店，建议五个社交媒体营销策略”有用。
核心建议：始终问自己，我是否提供了足够的细节来获得精确的答案？
陷阱二：忽略上下文
另一个常见错误是忽略上下文。AI模型不会自动了解你的具体情况。
例如，如果你在请求技术问题的帮助，你需要包含关键细节：你正在使用什么软件工具、什么版本、你已经尝试过什么方法。没有上下文，AI可能会做出错误的假设，给出不符合你需求的答案。
陷阱三：复合型提示词
许多用户会陷入“复合型提示词”的陷阱，即在一个提示词中提出多个不相关的问题。这通常会导致答案不完整，因为AI可能只关注一个方面而忽略了其他方面。
解决方案：将复杂的查询分解为独立的、聚焦的提示词。
陷阱四：使用歧义语言
歧义语言是另一个陷阱。具有多重含义的词语可能导致误解。
例如，询问“Python应用”可能指的是用Python编写的应用程序，也可能指的是Python的应用领域。请确保术语的精确性。
陷阱五：提供过多无关信息
有些用户提供了过多不必要的细节，将实际请求淹没在无关信息中。虽然上下文很重要，但应专注于对生成你所需回复真正重要的细节。
陷阱六：使用未解释的行话或缩写
另一个错误是使用未解释的行话或缩写。虽然现代AI系统能识别许多专业术语，但清晰总是更好的选择。请定义不常见的缩写或行业特定术语。
陷阱七：未指定受众
许多用户未能指定其受众。适合专家的内容与适合初学者的内容是不同的。请明确说明谁将阅读或使用这些信息。
陷阱八：未设定约束条件
忽略设定约束条件通常会导致回复要么过于冗长，要么过于技术化。请指定参数，如长度、复杂程度或格式，以获得更有用的结果。
如何避免：使用提示词模板
为了避免这些陷阱，你可以为常见任务开发一个简单的提示词模板。以下是一个基本结构：
以下是构建有效提示词的基本结构：
-
上下文：AI需要哪些背景信息？
-
具体请求：你希望AI做什么？
-
格式偏好：你想要表格、摘要还是分步指南？
-
约束条件：字数限制、正式或非正式语气。
-
受众：这些信息是为谁准备的？
通过这种方式构建你的提示词，你将能持续获得更好的结果。
总结
本节课中，我们一起学习了提示词设计中常见的八个陷阱，包括提示词模糊、忽略上下文、使用复合提示词等，并了解了如何通过提供具体细节、拆分问题、明确术语和受众，以及使用结构化模板来避免这些问题。
在下一课中，我们将以此为基础，探索更高级的技巧来进一步优化你的提示词。
011：零样本与少样本学习 🧠
在本节课中，我们将学习两种高级提示工程技术：零样本学习和少样本学习。这两种技术能显著影响AI理解、生成和回应的方式，使其输出更准确、更有用。
零样本学习 🚀
上一节我们介绍了提示工程的基础知识，本节中我们来看看零样本学习。想象一下，你要求某人完成一项他们从未做过的任务，且不提供任何先例。你只给出一个提示，AI则完全依赖其预训练的知识来生成回应。
例如，你想将一条电影评论分类为正面或负面。
提示示例：
classify this movie review as positive or negative.
😊 I couldn't wait to see this film in the end.
这里我们没有提供任何例子，但AI利用其对情感分析的理解，判断出这是一条负面评论。零样本提示适用于模型能力范围内的直接任务，其构建方法很简单：清晰描述你的需求。
以下是构建有效零样本提示的要点：
-
明确任务：直接说明你想要什么。
-
指定格式与限制：包括输出格式和任何约束条件。
提示示例对比：
-
效果不佳：
help with this text -
效果更好：
rewrite this paragraph to make it more engaging for a teenage audience while maintaining all the key information
少样本学习 📚
现在，如果你希望AI遵循特定的模式或风格，该怎么办？这就是少样本学习的用武之地。这种方法不完全依赖预训练，而是在要求AI生成回应前，先向其展示任务示例。
可以这样理解：如果你要教某人区分正式与非正式语言，你可能会先给出一些例子。
少样本提示示例：
classify these sentences as formal or informal.
First one: I am pleased to inform you that your application has been accepted. (This is a formal sentence.)
Hey, just letting you know you got the stuff. (This is an informal sentence.)
Now classify: We regret to inform you that your submission was not selected.
通过看到这些例子，AI学会了其中的模式并能正确应用。少样本学习在以下情况特别有用：
-
需要AI遵循特定模式或格式。
-
希望展示特定风格或语调。
-
任务本身模糊，没有例子难以界定。
-
需要在多次请求中获得一致的输出。
你提供的示例会建立一个模式，AI将尝试延续这个模式。这些示例的质量和清晰度会显著影响结果。即使只有几个例子，也能极大地改善AI的表现。
总结与展望 🔮
本节课中，我们一起学习了零样本与少样本学习。零样本学习让AI直接根据指令完成任务，而少样本学习则通过提供示例来引导AI遵循特定模式。
现在我们已经掌握了这两种技术，接下来就可以探索更具结构性的方法，例如思维链提示。这些方法能帮助分解复杂的推理过程，让AI变得更“聪明”。我们下节课再见。
012：思维链（CoT）与思维树（ToT）策略 🧠
在本节课中，我们将要学习两种能够显著提升AI推理能力的高级技巧：思维链（CoT）和思维树（ToT）。这两种策略在处理需要多步推理的复杂问题时尤其有用，它们不是让AI直接给出答案，而是引导它像人类一样，一步一步地思考。
思维链（CoT）提示
上一节我们介绍了零样本和少样本学习，本节中我们来看看思维链提示。其核心理念很简单：我们不要求AI直接跳到最终答案，而是引导它将问题分解成逻辑步骤。
要实现CoT，你只需在提示词中加入类似“让我们一步一步地思考”或“让我们系统地解决这个问题”这样的短语。这向模型表明，你希望看到推理过程，而不仅仅是最终答案。
示例：
-
直接提问：
“17乘以24等于多少？” -
CoT提示：
“17乘以24等于多少？让我们一步一步地解决这个问题。”
这会鼓励AI展示其乘法计算过程，而不是仅仅提供答案。
CoT策略在以下场景中特别有效：
-
数学问题和计算。
-
逻辑推理任务。
-
需要多重考量的复杂分析。
-
需要验证AI推理过程的情况。
对于更复杂的问题，你可以使用少样本CoT，即在要求AI以同样方式解决新问题之前，先提供几个分步推理的示例。
思维树（ToT）策略
现在，让我们更进一步，探讨思维树策略。如果说CoT遵循的是一条线性的推理路径，那么ToT则鼓励AI在选定最佳方案之前，先考虑多种可能的解决途径。
我们如何做到这一点呢？我们不只是告诉AI要一步一步思考，而是要求它分支出多种可能性进行探索。
示例提示词结构：
让我们考虑三种不同的方法来解决这个问题。对于每种方法，我们将探讨其推理过程，并确定哪一种能带来最佳解决方案。
当问题不存在唯一正确答案，或者我们需要权衡不同选项时，这种方法非常有用。
ToT技术在以下场景中尤其有价值：
-
存在多种有效解决路径的问题。
-
需要创造性思维的情境。
-
涉及相互竞争的考量因素。
-
复杂的规划场景。
总结与优势
本节课中我们一起学习了思维链和思维树这两种高级提示策略。它们通过模仿人类解决问题的方法，显著提升了AI在复杂任务上的表现，有助于防止AI做出逻辑跳跃或忽略重要因素。
这些技术还提供了透明度：你可以看到AI是如何得出最终结论的，并能识别其推理过程中的任何缺陷。这使得它们在教育场景中极具价值，因为在这些场景中，理解过程与获得答案本身同等重要。
在接下来的视频中，我们将进一步探索创造性和具体的提示词修饰符，以优化AI的响应。
生成式AI：提示词工程基础：P13：使用创意与具体的提示修饰符 🎨
在本节课中，我们将学习如何通过添加“提示修饰符”来精确调整AI的响应。提示修饰符是附加在提示词中的短语或指令，能够以特定方式引导AI的行为，就像调整相机设置以获得完美照片一样。
上一节我们介绍了思维链和反向提示等技巧。本节中，我们来看看如何通过创意与具体的修饰符来增强你的提示词效果。
以下是几种核心的提示修饰符类型：
1. 风格修饰符
风格修饰符影响回应的语气和呈现方式。通过添加特定短语，你可以指示AI采用特定的声音或方法。
-
以科学期刊的风格撰写。 -
用5岁小孩能懂的方式解释。 -
假设你是一位维多利亚时代的诗人来回应。
2. 格式修饰符
格式修饰符指定信息应如何被结构化。这能确保回应按照你偏好的方式组织。
-
将此呈现为要点列表。 -
将其组织成一个包含“优点”和“缺点”列的表格。 -
将其格式化为分步指南。
3. 视角修饰符
视角修饰符要求AI从特定角度处理主题。这类修饰符可以产生更细致入微的回应。
-
从环境科学家的角度分析这个问题。 -
同时以消费者和企业主的身份考虑这个问题。 -
从多个利益相关者的视角评估这项政策。
4. 长度修饰符
长度修饰符有助于控制回应的详细程度。它们帮助你获得符合需求的、详略得当的回应。
-
将此控制在100字以内。 -
提供全面的分析。 -
给我一个简要概述，然后进行深入解释。
5. 创意修饰符
创意修饰符调整回应的常规性或创新性。这类修饰符表明你是想要标准方案还是创意方案。
-
跳出框框思考。 -
提供非常规的解决方案。 -
遵循既定的最佳实践。
6. 受众修饰符
受众修饰符指定内容的目标读者是谁。这有助于调整内容的复杂度和术语使用。
-
为熟悉机器学习术语的技术受众撰写。 -
向没有金融背景的人解释这一点。 -
创建适合中学生的内容。
你可以组合多个修饰符来创建高度具体的提示。例如：
用简单的术语、日常类比和对话式的语气，在200字以内向高中生解释量子计算。
最有效的修饰符是具体且清晰的。模糊的指令如“让它更好”无法给AI提供足够的指导。相反，你应该明确告诉它如何改进。尝试不同的修饰符组合，找到最适合你需求的方式。
本节课中我们一起学习了多种提示修饰符，包括风格、格式、视角、长度、创意和受众修饰符，并了解了如何组合它们来创建精确的指令。这为我们课程的第一模块画上了句号。现在，你已经掌握了生成式AI概念和提示词工程的基础。在下一个模块中，我们将以此为基础，探索用于专门任务的高级提示工程技术。感谢你的参与，我们下次再见。
014：优化与微调提示以提高准确性 🔧
在本节课中，我们将学习如何优化和微调你的提示词，以获得更精确、可靠和有用的AI回复。这就像调整相机镜头：一个宽泛的提示能捕捉到大画面，而微调则能锐化细节，让你期望的回复变得清晰明了。提示词越好，结果就越好。
使用精确的语言 🎯
上一节我们介绍了提示词工程的基础，本节中我们来看看如何通过精确的措辞来提升效果。提示词中的每一个词都很重要，因此需要仔细选择术语。
以下是两个对比示例：
-
宽泛的提示：
公司如何筹集资金？ -
精确的提示：
早期科技初创公司有哪些主要的股权融资方法？
后者使用了“股权融资”、“早期科技初创公司”等精确术语，能触发AI给出更具体、更专业的答案。
添加限定参数 📏
限定参数是另一种强大的技巧，它能为你期望的答案设定边界。
例如，在询问量子计算时，可以这样限定：
请只关注当前实际应用中使用的量子计算技术，排除理论可能性。
这种方法可以过滤掉不必要的信息，使回复保持专注。
丰富上下文信息 🧩
提供背景信息可以帮助塑造AI的理解，使其回答更贴合你的需求。
例如：
我是一名从Java转向Python的软件开发者。请利用我现有的编程知识来解释Python装饰器。
这个上下文能帮助AI调整其解释方式，使其更适合有经验的开发者。
采用特定领域框架 🏛️
这种方法涉及使用特定领域的技术和概念来构建提示。
例如：
请使用流行病学模型的概念，解释观点如何在社交网络中传播。
这向AI表明，你希望回复使用该领域的专业语言和框架。
明确数字要求 🔢
数字上的具体要求有助于控制回复的范围和深度。
例如：
请列出三种有实证支持的改善睡眠质量的策略，并为每种策略提供两到三个研究发现的依据。
这为AI的回复提供了清晰的参数。
分解复杂主题 🧱
当处理复杂主题时，可以尝试将其分解为更小、更易管理的部分。
例如，不要直接宽泛地询问“气候变化”，而是可以分步提问：
-
温室气体的作用机制是什么？
-
目前测量温室气体排放的主要方法有哪些？
-
有哪些有效的减缓气候变化的策略？
持续迭代优化 🔄
请记住，优化是一个持续的过程。你可以从基础提示词开始，分析AI的回复，找出其中的不足，然后据此进行改进。你的提示词越具体、结构越清晰，AI的表现就会越好。
本节课中，我们一起学习了通过使用精确语言、添加参数、丰富上下文、采用领域框架、明确数字要求以及分解复杂主题等方法来优化提示词。下一节，我们将探索不同的提示词结构及其如何影响AI的回复。
015：尝试不同的提示结构、具体性与上下文 🧪
在本节课中，我们将学习如何通过调整提示词的结构、具体性和上下文位置，来引导AI生成更符合需求的回答。我们将探讨几种有效的提示框架，并理解它们如何影响AI的响应质量。
上一节我们学习了如何优化和微调提示词。本节中，我们将更进一步，尝试不同的提示结构，并观察它们如何影响AI的回应。这就像构建一段对话，你提问的方式决定了回答的有用程度。提示词的结构与你使用的词语同等重要。
让我们深入探讨几种高效的提示结构。
以下是第一种高效的结构框架：角色-任务-上下文-标准框架。
-
角色：你是一位经验丰富的金融分析师。
-
任务：根据以下指标评估这家公司的财务健康状况。
-
上下文：这是一家SaaS初创公司，年经常性收入为200万美元，年增长率为40%。
-
标准：重点关注烧钱率、客户获取成本和生命周期价值比率。
这种结构清晰明了。通过明确定义每个部分，你可以引导AI生成更全面、更有针对性的回答。
另一种强大的结构是比较框架，它明确要求AI考虑多个视角或方法。
- 比较这三种用于预测房价的机器学习算法：线性回归、随机森林和神经网络。根据准确性、可解释性和计算需求对每种算法进行评估。
如果你希望获得实际应用的建议，可以尝试让AI基于场景结构进行工作。
- 假设你正在为一家刚刚遭遇数据泄露的小型企业提供咨询。他们在前24小时内应立即采取哪些步骤？
对于复杂主题，分层分解结构非常有效。它从高层概述开始，然后系统地探讨子主题。
-
分三个层次解释区块链技术：
-
用一个简单的类比向完全的新手解释。
-
解释其核心技术组件。
-
探讨共识机制和智能合约等高级概念。
-
尝试不同的具体性程度也很有价值。有时，刻意模糊可以鼓励创造性的回答。
- 给我一些改善团队沟通的想法。
而极度具体则能获得精确且有针对性的信息。
- 为一个分布在六个时区的远程软件开发团队，推荐五种异步沟通工具。重点关注能与Github和Slack集成的工具。
上下文在提示词中的位置也会改变AI处理信息的方式。将重要上下文前置，可以确保它塑造整个回答；而逐步揭示上下文，则适用于需要逐步推理的任务。
并不存在一种适用于所有场景的“完美”提示结构。关键在于尝试不同的方法，并观察哪种最适合你的需求。
本节课中，我们一起学习了多种提示词结构框架，包括角色-任务-上下文-标准框架、比较框架、场景结构和分层分解结构。我们还探讨了调整提示词的具体性以及上下文位置对AI回答的影响。记住，灵活运用这些结构是获得理想回应的关键。在下一个视频中，我们将探索迭代提示技术，这是一种通过多次交互来优化输出的强大方法。
生成式AI：提示词工程基础：P16：迭代提示以获得更好结果 🔄
在本节课中，我们将学习一种强大的提示工程技术——迭代提示。我们将了解如何通过与AI进行多轮对话，逐步优化提示词，从而获得更精确、更符合预期的输出结果。
上一节我们探讨了提示词的结构、具体性和上下文。本节中，我们来看看如何通过迭代的方式，将AI交互转变为协作式的对话过程。
可以将迭代提示想象成与朋友进行对话，每一次交流都基于上一次的内容，共同构建出完美的结果。或者，想象你是一位雕塑家，第一稿可能只勾勒出大致形状，而通过持续的打磨和精修，你才能最终完成一件杰作。迭代提示的工作原理与此相同。你从一个基础的提示词开始，然后一步步地对其进行细化和调整，直到AI的回应完全符合你的要求。
让我们通过一个实际例子来逐步了解这个过程。假设你正在为一篇技术博客文章创建内容，你的初始提示词可能是：
为软件开发者写一篇关于量子计算的介绍。
收到初稿后，你可能会发现它假设读者具备过多的背景知识。于是，你的后续提示可以是：
这个开头不错，但请修改一下，加入更多基础概念。假设读者有编程经验，但没有量子物理背景。
在审阅修订版后，你可能希望它更具吸引力。因此，你的下一个提示可以是：
现在，请用一个能引起开发者兴趣的真实世界应用案例来增强这个介绍，并简要概述全文将涵盖的内容。
这种迭代方法有几个关键优势。首先，它允许进行渐进式优化，一次只解决一个问题，而不是试图一次性完善所有方面。其次，它使你能够对AI输出中意想不到的部分做出反应。最后，它让你可以从基础开始，逐步增加复杂的元素。
以下是进行有效迭代提示的一些最佳实践：
-
从清晰、简单的提示开始：为对话奠定基础。
-
一次专注于一个方面：不要试图一次性解决所有问题。
-
提供明确的反馈：明确指出哪些部分有效，哪些部分需要改进。
-
直接引用之前的回应：例如，使用“基于上一个回答，进一步……”这样的表述。
-
保持对话焦点：以维持上下文，避免突然转换话题。
-
保存成功的提示作为模板：供未来使用。
请记住，迭代提示是你与AI之间的协作过程。通过持续优化你的提示词，你可以比从一开始就试图构思一个完美提示词更有效地引导AI走向期望的结果。
本节课中，我们一起学习了迭代提示技术。我们了解了它如何通过多轮对话和逐步优化，帮助我们获得更高质量的AI输出，并掌握了一些进行有效迭代的最佳实践。在下一个视频中，我们将探索可以简化和增强你提示词工程工作流的工具与平台。
生成式AI：提示词工程基础：P17：高级提示工程工具与平台
在本节课中，我们将要学习一系列专门用于高级提示工程的强大工具与平台。这些工具旨在优化您的工作流程，提升提示工程的效果。
在上一节中，我们介绍了迭代式提示技术。随着提示工程从一门艺术演变为真正的学科，一系列专业工具和平台应运而生，以简化和增强您的工作。
以下是几种核心的高级提示工程工具类别：
提示管理工具
这类工具帮助您保存、版本控制和整理提示词。当您处理多个项目或在团队环境中工作时，它们至关重要。例如，Protable 和 PromptLayer 等平台允许您追踪最佳性能的提示、维护有效模板库并与他人协作。
框架工具
接下来是像 LangChain 这样的框架。它提供了一种结构化的方式，将多个提示串联起来，创建能集成外部数据源（如文档、数据库或API）的复杂工作流。这意味着您可以构建远超单一提示交互的复杂应用程序。
一体化解决方案
对于那些寻求一体化解决方案的用户，IBM WatsonX.ai 提供了一个全面的提示工程工作室。它具备测试、优化和部署提示的功能，旨在通过版本控制、A/B测试和性能分析帮助您优化提示。这就像一个实时实验和验证最佳方案的实验室。
代码专用工具
如果您的工作涉及代码，那么 GitHub Copilot Lab 是一个必备工具。它专为优化与代码相关的提示而设计，让您能在不同的编程场景中测试提示，并评估生成代码的质量。这就像拥有一位帮助您调试和优化代码的编程伙伴。
可视化与分析工具
目前，多个平台提供了提示可视化工具，帮助您理解提示的不同部分如何影响AI的响应。这些工具可以突出显示哪些词或短语影响最大，帮助您识别出需要优化的关键杠杆点。
企业级管理系统
对于需要大规模部署的企业，像 Scale AI 的 Spellbook 这类提示管理系统，允许对提示进行集中治理，确保跨应用的一致性并支持提示复用。这些系统通常包含监控工具，以长期追踪提示的性能。
开源框架
像 Guidance 和 Instructor 这样的开源框架，为常见任务提供了提示模板库和函数，让您无需重复造轮子。它们为分类、提取和摘要等任务提供了标准化的方法。
在选择适合您工作流的工具时，请考虑以下因素：集成需求、扩展性要求，以及是否需要针对特定领域（如医疗或金融）的专门功能。
请记住，虽然这些工具能显著提升您的能力，但理解提示工程的基本原理仍然至关重要。工具是技能的放大器，而非替代品。
本节课中，我们一起学习了多种高级提示工程工具与平台，包括管理工具、框架、一体化解决方案、代码专用工具、可视化工具、企业级系统以及开源框架。在下一课中，我们将探索提示工程在各行业和实际用例中的现实应用。
生成式AI：提示词工程基础：P18：利用AI进行内容创作：SEO、博客写作与数字营销 🚀
在本节课中，我们将探讨提示词工程在内容创作领域的实际应用。我们将学习如何通过精心设计的提示词，高效地生成博客文章、进行搜索引擎优化以及策划数字营销活动。
在上一节中，我们探索了能提升提示词工程工作流的工具和平台。本节中，我们来看看提示词工程在内容创作中的具体应用场景。无论你是撰写博客文章、进行搜索引擎优化还是策划数字营销活动，有效的提示词工程都能赋能你的内容工作流。想象一下，仅凭几个精心设计的提示词就能生成高质量内容的能力。生成式人工智能已成为内容创作的变革者，使营销人员和内容创作者能够比以往更快地制作出引人入胜的素材。
对于搜索引擎优化内容，提示词工程技术可以帮助锁定特定关键词，同时保持内容的可读性和价值。
以下是一个用于创建搜索引擎优化博客文章的高级结构化提示词示例：
创建一个关于[特定主题]的500字博客文章。
目标关键词短语为“[你的主要关键词短语]”。
自然地包含次要关键词两到三次。
文章结构应包括一个吸引人的引言、三到四个子标题，以及一个包含行动号召的结论。
优化可读性，使用短段落，并融入统计数据和实用建议。
使用适合目标受众的对话式但权威的语气。
这个提示词不仅涉及主题，还详细说明了搜索引擎优化的要求、文章结构和语气，这些都是提升搜索排名的关键。
对于数字营销活动，提示词可以被设计用于在多个渠道生成一致的信息。
以下是一个营销活动提示词框架示例：
为推广[你的产品]制定一个跨三个渠道（电子邮件、社交媒体和落地页）的连贯信息框架。
其独特的价值主张是[你的独特价值主张]。
目标受众是[你的受众人口统计细节]。
品牌声音是[每个渠道的声音特征]。
为每个渠道提供标题选项、正文文案和行动号召短语。
确保信息一致，同时适应每个渠道的格式和长度要求。
人工智能还可以通过精心构建的提示词来协助进行受众研究。
例如：
基于当前的数字营销趋势，为[你的产品]识别五个潜在客户画像。
包括他们可能面临的痛点、购买异议、偏好的内容类型以及触达他们的最佳营销渠道。
为每个人物画像提出三个能解决其独特关切的具体内容创意。
对于内容刷新和再利用，提示词工程能够高效地转化现有内容。
让我们看一个例子：
将这篇博客文章（[你的文章]）转化为：
1. 一个两分钟的YouTube视频脚本。
2. 五篇突出关键见解的LinkedIn帖子。
3. 一个概括主要统计数据和流程的信息图。
在适应每种格式优势的同时，保持核心信息不变。
通过重新利用内容，你可以最大化原始作品的价值，并在不同平台上触达不同的受众。在内容创作中取得成功的关键在于开发可以重复使用并随时间优化的提示词模板。许多营销团队现在为不同类型的内容维护着经过验证的提示词库，使他们能够以最少的精力持续产出高质量的材料。
在本节课中，我们一起学习了如何利用提示词工程进行搜索引擎优化博客写作、策划跨渠道数字营销活动、进行受众研究以及高效地再利用现有内容。掌握这些技巧，你将能显著提升内容创作的效率和质量。
在下一个视频中，我们将转换方向，探索提示词工程如何被用于代码生成和自动化任务。感谢观看，让我们继续构建这些技能。
生成式AI：提示词工程基础：P19：提示工程在代码生成与自动化中的应用 🚀
在本节课中，我们将探讨提示工程如何应用于代码生成与自动化任务，帮助开发者和非技术人员高效地创建、调试和连接系统。
上一节我们介绍了提示工程在内容创作中的实际应用。本节中，我们来看看它如何变革编码与自动化工作。无论你是经验丰富的开发者，还是希望自动化工作流的非技术人员，恰当的提示词都能解锁强大的能力。
通过设计有效的提示词，你可以生成功能代码、调试复杂脚本，甚至连接多个系统，而无需从零开始。让我们探索一些实际应用场景。
代码生成
在代码生成中，有效的工程化提示词应包含编程语言、所需库、输入输出要求以及性能考量。
考虑以下示例：
创建一个使用pandas的Python函数，该函数以CSV文件路径作为输入，加载数据，移除重复行，用列均值填充缺失值，并返回清理后的数据框以及所做更改的摘要。该函数应处理“文件未找到”和格式错误异常。优化代码可读性并包含文档字符串。
此提示不仅指定了代码应实现的功能，还说明了其工作方式、结构以及文档要求，从而能直接生成更可用的结果。
调试现有代码
对于调试现有代码，提供上下文的提示词更为有效。
以下是另一个示例：
调试这段抛出键错误异常的Python代码。该代码本应处理来自API的JSON响应并提取特定字段，但执行失败且表现不一致。
（此处放置你的Python代码）
以下是API响应结构的示例：
（此处提供JSON结构示例）
请识别键错误的可能原因，解释问题，并提供能优雅处理缺失键的更健壮的解决方案。
通过同时提供代码和示例数据，可以使AI识别具体问题，而非提供通用解决方案。
自动化工作流
对于自动化工作流，提示工程可以帮助创建连接多个系统的脚本。
请看这个例子：
创建一个Bash脚本，用于监控目录中的新CSV文件。当出现新文件时，脚本应：1. 验证CSV结构是否符合指定格式；2. 将有效文件上传到S3存储桶；3. 将已处理文件移动到归档文件夹；4. 发送一封包含操作摘要的通知邮件。脚本应记录所有操作并优雅地处理错误。
即使是复杂的API集成，也能通过精心构建的提示词来开发。
生成使用requests库集成Stripe API进行支付处理的Python代码。代码应能：1. 创建支付意向；2. 捕获成功支付；3. 处理常见错误场景；4. 将交易详情记录到本地数据库。代码需包含错误处理和网络故障的重试逻辑。
面向非开发者的自动化
对于非开发者，提示工程使其无需深厚技术知识即可创建自动化脚本。通过用自然语言清晰描述期望的工作流，业务用户可以生成自动化重复任务的脚本。
最有效的方法通常是先从一个描述整体功能的高级提示词开始，然后使用后续提示词来细化代码的特定方面，例如添加错误处理或优化性能。
总结
本节课中，我们一起学习了提示工程在代码生成与自动化领域的强大应用。我们看到了如何通过具体的提示词来生成功能代码、调试错误以及构建连接不同系统的自动化工作流。掌握这些技巧，能显著提升开发效率，并赋能非技术人员实现流程自动化。
在下一个视频中，我们将继续探索提示工程在多媒体AI生成这一新兴领域的应用。感谢观看，持续学习。
生成式AI：提示词工程基础：03：探索多媒体AI：图像、视频与音频生成
在上一节视频中，我们学习了提示词工程如何变革编码与自动化任务。本节中，我们将视野扩展到文本之外。提示词工程不仅适用于文字，它同样是生成图像、视频乃至音频领域的变革者。
在本节课中，我们将学习如何设计提示词，以指导多模态AI系统生成令人惊叹的视觉效果、引人入胜的视频和沉浸式的音景。
图像生成提示词
有效的图像生成提示词通常包含多个维度。以下是构建此类提示词的关键要素：
-
主体细节：明确描述核心对象或场景。
-
风格规范：指定艺术风格或参考艺术家。
-
构图元素：描述视角、取景等。
-
光线与氛围：定义光照条件和整体情绪。
考虑以下示例：
create an image of a futuristic city skyline at sunset with flying vehicles between buildings. style: cyberpunk dystopia with neon accents. composition: wide panoramic view from a slight elevation. lighting: warm sunset glow with blue and purple neon reflections. mood: hopeful, yet mysterious.
这个提示词在多个维度上提供了清晰的指导，从而影响生成图像的效果。视觉提示词中的具体性有助于避免歧义，防止产生意外结果。
为了控制视觉风格，参考艺术运动或特定艺术家是有效的方法。让我们看一个例子：
generate an image in the style of [艺术家姓名], showing [主体], with [具体细节].
然而，最有效的视觉提示词往往将具体的描述性元素与风格指导相结合。
视频生成提示词
视频生成提示词建立在图像概念之上，但还必须处理运动、序列和时序。
以下是构建视频生成提示词的关键要素：
-
时长与序列：明确视频长度和事件发生的顺序。
-
摄像机运动：描述视角、角度和移动方式。
-
光线与背景：定义光照变化和场景背景。
-
节奏与过渡：指定变化速度和过渡效果。
考虑以下示例：
Create a 10-second video showing a time-lapse of a flower blooming. Start with a close-up bud, gradually opening to a fully bloomed flower. Camera angle: slightly above and stable. Lighting: natural daylight, shifting subtly as if from morning to afternoon. Background: soft gradient of light green. Pace: smooth and natural progression with no abrupt changes.
音频生成提示词
音频生成的提示词工程侧重于描述声音特征、情感品质和技术规格。
以下是构建音频生成提示词的关键要素：
-
声音特征：描述乐器、音色或具体声音。
-
情感与氛围：定义音乐或声音所要传达的情绪。
-
技术参数：指定节奏、调式、音质等。
-
结构与用途：说明音频结构（如循环）和预期使用场景。
考虑以下示例：
Generate a 32-second ambient music loop appropriate for a meditation app. Include gentle piano notes, subtle nature sounds like distant water, and soft synthesizer pads. Tempo: 60 BPM. Mood: calming and introspective. Audio quality: spacious and light reverb. The piece should loop seamlessly with no noticeable transition point.
结合多模态的提示词
当使用能结合文本和图像的多模态系统时，提示词工程变得更加强大。
让我们看一个例子：
Using [提供的产品图片], generate marketing copy that highlights visible features, emphasizes the premium materials, and targets eco-conscious customers. The copy should be suitable for an Instagram post with 2-3 sentences and three relevant hashtags.
核心原则与迭代
所有多媒体AI提示词的一个关键原则是：全面而精确。详细描述你想要的，同时也可以说明你不想要的。既要指定技术参数，也要说明情绪或风格等主观品质。
与文本提示词一样，迭代优化对于多媒体生成也至关重要。从一个基本概念开始，评估输出结果，然后在后续提示词中添加具体的调整。
在本节课中，我们一起学习了如何为图像、视频和音频生成设计有效的提示词。我们探讨了每种媒体类型的关键要素，并了解了结合多模态输入的强大应用。记住，全面描述和迭代优化是获得理想结果的关键。
在下一个视频中，我们将探索如何评估和改进提示词的性能，并深入探讨AI使用的伦理考量。
生成式AI：提示词工程基础：P21：评估提示性能的关键指标 📊
在本节课中，我们将学习如何评估提示词的效果。随着提示词工程逐渐发展为一门成熟的学科，持续评估和改进提示词的性能变得至关重要。本节将介绍几种关键的评估指标和方法，帮助你系统地衡量提示词的表现。
上一节我们探讨了提示词工程在各行业的实际应用案例。本节中，我们来看看如何量化评估提示词的效果，以确保其持续优化。
以下是评估提示词性能时需要考虑的几个核心指标。
相关性
相关性衡量AI的回应在多大程度上满足了实际请求。可以通过抽样技术进行评估，即由人工评估员根据回应与请求主题的契合度进行打分，范围从“完全偏离主题”到“全面回应了请求的各个方面”。为了进行系统化评估，可以制定一个评分标准，明确定义在你的具体用例中，何为完全相关、部分相关或基本不相关。
准确性
准确性是另一个关键指标，尤其对于事实性任务。它衡量所提供的信息是否正确，并能通过可靠来源进行验证。对于复杂的回应，你可以追踪其中可验证且准确的主张所占的比例。一些组织会实施事实核查流程，将AI的回应与预设的参考依据进行比对，从而计算出一个准确性分数。
完整性
完整性评估回应是否满足了提示词中指定的所有要求。一个简单的方法是列出提示词中所有明确和隐含的要求，然后检查回应中满足了百分之多少。更复杂的评估可能会根据要求的重要性进行加权处理。
一致性
一致性衡量AI在面对相似的提示词时，是否会产生相似的回应，以及在单个回应内部是否保持逻辑一致。这对于需要可靠输出的应用尤为重要。可以通过多次运行相同的提示词或进行细微变体测试，然后测量回应之间的差异来评估一致性。
参与度
对于注重用户体验的应用，参与度指标很有价值。这可能包括可读性评分、情感分析或用户反馈评分。一些组织会对不同版本的提示词进行A/B测试，并测量哪个版本生成的回应更受用户青睐。
效率
效率指标追踪资源利用率，例如令牌使用量、处理时间和成本。精心设计的提示词应在达成预期结果的同时，尽量减少不必要的令牌消耗。可以追踪输入令牌数量与输出质量之间的比率，以找到优化提示词的机会。
领域特定指标
对于专业应用，可能需要领域特定的指标。例如，评估代码转换提示词时，可以基于执行成功率、测试覆盖率或性能基准。评估内容创作提示词时，则可以基于SEO指标或转化率。
综合评分系统
最全面的评估方法是开发一个综合评分系统，根据你的优先级对上述指标进行加权组合。这能为你提供一个单一的性能分数，便于你在优化提示词的过程中进行长期追踪。
请记住，定期评估是持续改进的关键。需要建立一个系统化的流程，用于测试提示词的不同变体，并根据你设定的指标来衡量它们的性能。
本节课中，我们一起学习了评估提示词性能的多种关键指标，包括相关性、准确性、完整性、一致性、参与度、效率以及领域特定指标。掌握这些评估方法，是持续优化提示词、提升AI应用效果的基础。
在下一节视频中，我们将探讨提示词工程的伦理维度，学习如何减轻偏见并确保AI的负责任使用。感谢观看，我们下节课再见。
022：解决偏见与确保负责任使用
在本节课中，我们将探讨如何通过提示词工程来解决AI系统中的偏见问题，并确保其负责任的使用。上一节我们介绍了评估提示性能的关键指标和方法，本节中我们来看看如何构建更公平、透明的AI交互。
AI系统可能会反映甚至放大其训练数据中存在的偏见。这些偏见可能以多种方式显现，从特定的语言偏好，到更具问题的刻板印象或对特定群体的不公平对待。
作为提示词工程师，我们既有能力也有责任去缓解这些问题。首先，在将提示词部署到敏感场景之前，我们需要考虑偏见意识与检测。
以下是测试潜在偏见的方法：
-
在不同场景下测试提示词，以识别潜在的偏见。
-
例如，如果你正在为求职者评估创建提示词，可以测试其回应是否会因通常与不同性别或文化背景相关的名字而产生差异。
设计能够缓解偏见的提示词有助于对抗系统固有的倾向。这些提示词可能包含明确的指令。
以下是设计此类提示词的示例：
-
提供一份分析，需考虑多元视角，并避免基于性别、种族或文化背景的假设。
-
对于敏感话题，可以添加：确保你的回应反映平衡的观点，避免强化关于任何群体的刻板印象或概括。
公平性增强技术包括刻意将多样性要求融入你的提示词中。
以下是一个应用示例：
- 例如，当提供某个领域的专业人士案例时，在性别、文化背景和其他身份维度上包含多样化的代表。这有助于防止强化现有的代表性差异。
对于涉及决策或评估的应用，可以考虑实施结构化的公平性标准。
以下是一个实施框架：
- 例如，使用以下明确标准评估每个选项，然后列出所有标准，并一致地应用这些标准，不考虑与表现或资格无关的因素。
透明度是另一个关键的伦理维度。设计鼓励AI承认局限性和不确定性的提示词，而不是对所有信息都表现出同等的自信。
以下是如何实现透明度的示例：
- 例如，清晰区分已确立的事实、主流的专家意见以及存在重大不确定性或争议的领域。
对于敏感应用，实施“人在回路”的提示框架可以提供重要的监督。这些框架明确指定任务的哪些部分应由AI处理，哪些需要人类判断。
以下是一个框架示例：
- 例如，根据所提供的信息识别潜在风险因素，但不要做出最终建议；标记出需要人类专家进一步审查的领域。
隐私保护应纳入提示词设计，尤其是在处理个人或敏感信息时。
以下是保护隐私的指令示例：
-
不要尝试从提供的匿名数据中识别特定个体。
-
生成合成示例，而非使用真实的用户信息。 这些做法有助于维持适当的边界。
最后，请考虑你的提示词工程工作更广泛的社会影响。问问自己：你正在开发的应用使谁受益？谁可能处于不利地位？其总体效果是否促进了福祉与公平？请记住，合乎伦理的提示词工程不仅仅是避免伤害，更是要在所有AI应用中积极促进积极成果和公平性。
本节课中，我们一起学习了如何通过具体的提示词策略来检测和缓解AI偏见，增强公平性与透明度，并确保AI系统的负责任使用。在下一个也是最后一个视频中，我们将展望提示词工程的未来，探索即将到来的激动人心的发展。
生成式AI：提示词工程基础：03：提示工程的未来：趋势、职业路径与新兴技术 🚀
在本节课中，我们将展望提示词工程的未来，探讨其发展趋势、相关的职业机会以及正在重塑这一领域的新兴技术。
上一节我们探讨了提示词工程的伦理层面，现在让我们向前看，展望其激动人心的未来。我们将了解塑造这一领域的趋势、职业机会和突破性技术。
趋势：从实验技能到正式学科
提示词工程正在演变为一门正式的学科。它最初是一项实验性技能，如今已被认可为一个结构化的领域，拥有最佳实践、专门的职位角色，甚至认证项目。
以下是当前的主要发展趋势：
-
多模态提示的兴起：技术层面，多模态提示正在兴起。它将文本、图像、音频和视频整合到单一的交互中。能够跨这些模态进行设计的工程师将拥有巨大优势。
-
协作式提示工程：协作式提示工程也日益受到重视。领域专家、用户体验设计师和人工智能专家组成团队，共同创建高性能的提示词。
-
提示管理系统：同时，提示管理系统正在出现，用于跟踪、测试和优化提示词，将其视为有价值的交互资产。
职业路径：广阔的机遇
在职业发展方面，机遇正在快速增长。以下是一些关键的职业路径：
-
提示词工程师：专注于设计高质量AI提示词的专业人员。
-
AI开发人员：将提示词工程与软件开发相结合的专业人员。
-
行业专家：在医疗保健、金融、法律等不同领域应用AI的专业人员。
-
AI伦理学家：确保提示词公平、负责任的专业人员。
新兴技术：重塑未来格局
展望未来，一些新兴技术将重塑提示词工程的格局。这些技术包括：
-
基于智能体的AI：AI系统将不仅能响应提示，还能智能地与外部工具交互，这需要更精确的指令。
-
可定制模型：允许用户根据特定需求调整和优化AI模型。
-
高级提示分析：提供更深入的洞察，以评估和提升提示词的效果。
如何为未来做好准备
为了在这个未来中蓬勃发展，你可以采取以下行动：
-
持续实验：不断尝试新的提示词技巧和方法。
-
建立个人提示库：积累和整理有效的提示词。
-
保持社区参与：与同行交流，学习最新动态。
本节课中，我们一起学习了提示词工程的未来发展趋势、多样化的职业路径以及关键的新兴技术。提示词工程是连接人类思想与AI行动的桥梁。掌握它，你将站在这场革命的前沿。
生成式AI：提示词工程基础：P24：课程结束与感恩 🎓
在本节课中，我们将一起回顾并总结整个“生成式AI：提示词工程基础”课程的核心内容与收获。
恭喜你完成了生成式AI提示词工程基础课程。现在，你已经掌握了有效提示AI模型的技能。
上一节我们学习了如何优化提示以获得更好的结果，本节中，我们来看看如何将这些技能应用于更广阔的领域。
你可以利用这些技能来优化AI模型的性能，并使用AI的强大工具来解决各种问题，例如内容生成、自动化等。生成式AI正在革新各行各业，而提示词工程是释放其全部潜力的关键。
无论你身处商业、市场营销、软件开发、研究还是创意领域，有效与AI互动的能力都将为你带来竞争优势。
我希望这门课程为你赋能了宝贵的技能，你可以在你的专业和创意工作中运用它们。
感谢你与我一同踏上这段学习旅程。我期待看到你应用这些技术，在AI驱动的世界中创新并引领潮流。
以下是本课程的核心要点回顾：
-
掌握基础：学习了构建有效提示词的基本原则。
-
优化性能：了解了如何通过迭代和精炼提示来提升AI输出质量。
-
应用工具：探索了利用AI解决实际问题、生成内容和实现自动化的方法。
-
关键作用：认识到提示词工程在释放生成式AI潜力中的核心地位。
-
竞争优势：无论何种领域，熟练运用提示词工程都能带来显著优势。
本节课中我们一起学习了整个课程的总结与展望。你已装备好必要的提示词工程技能，可以自信地探索和应用生成式AI，将其转化为推动个人成长与行业创新的强大工具。
AtomGit AI 社区提供模型库、数据集、Agent、Token等资源
更多推荐
8
0- 0
已为社区贡献69条内容
所有评论(0)