如何正确使用chatGPT提示词，AI大神吴恩达提示词课件笔记

最近B站上活了的机器深度学习大神吴恩达提示词课件笔记，以及个人使用心得，适合看不同视频的人群。

chatGPT提示工程师——吴恩达课件笔记第一

• 第一篇-引言
  • 用9集短片+案例的形式告诉你prompt engineering和AI领域有着紧密关联，是人工智能技术发展的重要方向之一。
• 第二篇-指南（提示原理）
  • 概述
    • 介绍了ChatGPT的指南工作，即如何编写有效的提示词（prompt），制定良好的输入输出规范，以便机器可靠地对话。
  • 遵循2个原则
    • 编写明确和具体的prompt
      • 策略
        • 使用分隔符清除的指示输入的不同内容（或区别于内容的符号）避免提示冲突
        • 要求模型进行结构化输出（TTML，JSON，XML等）
        • 要求模型检查是否满足条件
        • 少量的训练
    • 给模型足够的时间来思考
      • 策略
        • 指定任务完成所需的步骤
        • 让模型做出结论之前思考解决方案
  • 要点
    • 提示词的设计需要遵循一定的原则和方法例如“简单易懂”、“可扩展性”等。比如使用特殊符号区分等。
    • 有效的提示词（prompt）是使ChatGPT智能对话的关键，它们应该被认真制定和测试，以确保它们能够准确地引导机器的回答，同时也能够保证人机对话之间的连贯性。
    • 提示词应该根据目标任务（例如问题回答、生成对话等）来制定，应该包括对话开始和结束的语句，还应该包括对话中可能出现的追问或澄清的语句。
    • 1. 什么是ChatGPT提示词工程师？
      • 负责撰写ChatGPT聊天机器人的提示词
      • 利用NLP技术，设计和优化提示词，使得机器人的交互更加人性化和流畅
    • 2. ChatGPT提示词工程师需要掌握什么技能?
      • NLP和语言模型
      • Python和深度学习框架
      • 聊天机器人的设计及实现经验
      • 人工智能伦理和法律等方面的知识
    • 3. ChatGPT提示词工程师的工作范围有哪些？
      • 训练和优化ChatGPT模型，实现更加人性化的交互
      • 监测机器人使用情况，不断优化提示词
      • 理解用户需求和意图，提供相应的提示和回复
  • 启发思考的问题
    • 如何在制定输入输出规范时平衡鲁棒性和精度？
      • ROBUST / 鲁棒 鲁棒性指系统在出现异常、危险情况下能够保持健壮和强壮的特性。比如，计算机软件在出现错误、故障或攻击时不崩溃或死机就是具有鲁棒性。鲁棒性可以分为稳定鲁棒性和性能鲁棒性。
    • ChatGPT提示词工程师可能遇到的主要挑战和难点是什么？如何解决？
• 第三篇-迭代（打磨提问的精准性）
  • 概述
    • 迭代改进提示和流程的重要性，作者以机器学习为例，阐述第一个模型往往不完美，应该不断改进，最终得到有效的模型。在应用于其他领域时，提示应该清晰、具体，并给系统足够的思考时间，通过不断迭代来完善它们。并举例说明通过提示帮助营销团队编写产品描述的过程。
  • 要点
    • 迭代是指通过多次循环和调整模型、超参数、数据和算法等来逐步提升模型性能的过程。
      • Hyperparameter / Hyperparameter Tuning / 超参数优化 人工智能语境下，超参数指机器模型外部的一种配置，其值无法从数据中估算出来。超参数优化指数据科学家会在模型训练过程中，不断对其进行调整手动确定训练特定模型最佳配置的过程。
    • 合理的超参数设置能够显著提升迭代效果，但不同的任务需要不同的超参数。
    • 迭代是指通过重复反馈和调整来改善模型性能的过程，通常需要多次迭代才能达到理想的效果。
    • 迭代的过程中应该注重对数据的观察和分析，了解模型在训练和测试集上的表现，及时做出调整。
    • 可以利用各种技巧来提高迭代效率，如利用预训练模型、调整超参数、增加数据量等。
    • 迭代的实现需要注意研究问题本身，理解数据和算法的特征，进行有目的的调整。
  • 启发思考的问题
    • 在什么情况下选择增加数据量来提高模型性能？
    • 如何进行有效的超参数调优？
    • 迭代中如何平衡时间和精度的要求？
• 第四篇-摘到/总结能力
  • 概述
    • 如何使用大型语言模型来生成文本摘要，以及如何根据特定目的修改摘要提示。通过示例展示了如何将多个评论进行循环并生成简短的总结。最后提出了构建仪表板以提高审查速度的想法。
  • 要点
    • 1. 大型语言模型可用于总结文本，帮助用户提取核心要点，快速了解文章内容。
    • 2. 可以根据特定目的修改摘要提示，以生成更具体的摘要。
    • 3. 循环评论并生成简短的总结可以帮助提高审查速度。
    • 4. 可以使用生成的摘要构建仪表板，以便更快地浏览大量评论。
    • 5. 大型语言模型还可以用于情感分析等其他任务。
  • 启发思考的问题
    • 1. 如何保证该工具提取的核心要点准确性？
    • 2. 总结工具是否会对商业决策产生重大影响？
• 第五篇-推理/推断（零样本打标签）
  • 概述
    • 讲述了推断（inferring）的相关内容，即将文本作为输入并执行某种分析任务，例如提取标签、提取名称、理解文本的情感等。传统的机器学习流程需要收集标签数据集、训练模型、部署模型等步骤，而使用大型语言模型可以省去这些步骤，只需编写提示即可快速生成结果。大型语言模型可以用一个API完成许多不同的任务，而不需要训练和部署多个模型。视频演示了如何用提示提取情感、识别情绪、提取信息等，还展示了如何使用大型语言模型推断主题。最后，视频强调了使用提示快速构建自然语言处理任务的重要性。
  • 要点
    • 建立好的流程可以有效地迭代提示，最终实现任务的目标。
    • 开发应用程序需要具有明确的目标，清晰具体的提示并给系统思考的时间。
    • 迭代过程中需要弄清楚提示不足之处，并进行改进，达到最终的有效性。
    • 若第一次实验没能成功，则迭代过程以弄出一个有效的提示。
    • 大型语言模型可以用一个API完成许多不同的任务，而不需要训练和部署多个模型。
    • 使用提示可以快速提取情感、识别情绪、提取信息等。
    • 大型语言模型可以用于推断主题，帮助索引和分类新闻文章。
    • 使用提示可以快速构建自然语言处理任务，节省大量时间和精力。
  • 启发思考的问题
    • 如何确定应用程序的明确目标，以便有效地构建对应的大型语言模型？
    • 如何将不同的提示整合在一起，实现应用程序的最终目标？
    • 如何在迭代过程中进行错误分析，并有效地实现改进，达到最终目标？
• 第六篇-翻译（翻译语言，代码）
  • 概述
    • 如何使用大型语言模型，将一段文字转换为不同格式，如翻译、改变语言、修正拼写和语法、转换格式等。作者利用OpenAI和GPT进行模型训练和校对，避免使用大量正则表达式编写辅助函数。最后，作者演示了几个使用大型语言模型的示例。
  • 要点
    • 大型语言模型可以处理多语言和不同格式的转换任务。
    • 使用正则表达式编写辅助函数较为繁琐，可以使用大型语言模型代替。
    • 通过示例演示了使用大型语言模型进行翻译、识别语言、多语言翻译等任务。
    • 大型语言模型可用于文本的拼写和语法更正、格式转换等多种任务。
  • 启发思考的问题
    • 在使用大型语言模型进行翻译时，如何保证翻译的准确性和一致性？
    • 大型语言模型是否可以用于自然语言处理领域以外的其他领域？
• 第七篇-扩展（个性化，创造性）
  • 概述
    • 如何使用大型语言模型生成个性化的基于某些电子邮件信息的回复。在使用这种技术时应当负责任地使用，只用于帮助人们。作者还强调应该在文本中透明地告知用户这是由人工智能生成的。使用一种称为“temperature”的语言参数可以改变模型的反应种类，并且在更高的temperature下，模型的输出会更加随机。作者推荐在构建可靠且可预测的系统时使用temperature为0。在更多的创造性方式上，可以尝试更高的temperature。
  • 要点
    • 大型语言模型可以用来生成个性化的基于某些电子邮件信息的回复；或是营销类博客，文章等。
    • 在使用语言模型时需要负责任，只用于帮助人们。
    • 使用温度参数可以改变模型的反应种类，在更高温度下，模型的输出更加随机。
    • 在构建可靠且可预测的系统中应该使用temperature为0。
    • 在创造性方式上，可以尝试更高的temperature，同时会出现胡编乱造的现象。
    • 常用temperature值为0.7或0.8。
  • 启发思考的问题
    • 语言模型生成是否会对人工智能的道德和伦理产生影响？
    • 在制定语言模型生成策略时，应该如何平衡技术和道德的考量？
    • 随着语言模型生成技术变得更加先进，我们该如何防止其被用于制造虚假信息和谣言？
• 第八篇-chatBot（定义角色）
  • 概述
    • 使用大型语言模型来构建自定义聊天机器人的方法，其中使用的模型是ChatGPT。作者使用Python编程语言来演示如何创建自定义聊天机器人，并详细介绍了与此过程相关的概念和关键词，如系统消息，上下文和temperature。
  • 要点
    • 可以使用大型语言模型ChatGPT构建自定义聊天机器人。
    • 聊天模型采取输入的消息，并返回模型生成的消息作为输出。
    • 可以使用系统消息来指导聊天机器人的行为。
    • 上下文是一个消息列表，它包含了模型需要构建的所有交流信息。
    • 可以使用Python编程语言创建一个自定义聊天机器人，收集用户提示，添加到上下文中，并使用ChatGPT模型生成回复。
    • 使用temperature参数可以控制模型生成的消息的随机程度。如果需要输出代码或者准确信息，则降低参数。
    • 可以使用系统消息来创建一个订单聊天机器人，并使用ChatGPT模型生成JSON摘要，以便提交到订单系统。
  • 启发思考的问题
    • 如何使用上下文提高聊天机器人的准确性和响应能力？
    • 除了使用ChatGPT外，还有哪些其他大型语言模型可以用于创建聊天机器人？
    • 如何在保护用户隐私的同时使用聊天机器人收集用户数据？
• 第九篇-总结
  • 概述
    • 本短期课程教授的两个关键提示原则：写明确和具体的说明，以及在适当的时候，给建模时间思考。同时，本文也阐述了迭代迅速开发和获取提示的过程、大型功能语言模型的应用、以及如何构建自定义聊天机器人等知识点。通过学习这些内容，读者可以想出自己的应用程序并进行实践。
  • 要点
    • 两个关键提示原则是写明确和具体的说明，以及在适当的时候，给建模时间思考。
    • 迭代迅速开发和获取提示的过程可以帮助开发应用程序。
    • 大型功能语言模型可以实现总结、推断、转型和扩展等功能。
    • 构建自定义聊天机器人是一个很好的学习体验，可以让人快速掌握基本原理。
    • 建造大型语言模型基于应用程序需要负责任地使用技术，并只建造会产生积极影响的东西。
  • 启发思考的问题
    • 如何在具体应用程序的开发过程中，更好地遵守两个关键提示原则？
    • 大型功能语言模型的应用范围有哪些，可以在哪些实际场景中得到更好的应用？
    • 怎样可以使用大型语言模型的技术，对社会产生积极的影响？
    • 如何防止滥用语言模型技术，保障人们在使用人工智能时的隐私安全？
• 个人总结技巧
  • 提示关键要素
    • 背景
    • 角色
    • 需求
    • 目标
    • 其中每个都可以更细化更具体，从而得到更精准的回复。
    • 特殊符号
  • 迭代验证
    • PDCA循环验证
  • 个性化
    • 调整temperature参数
    • 过高会导致出现胡编乱造，出现语句不合理
  • 翻译
    • 语言：检查语法，语义
    • 代码审查时降低temperature，确保准确性
  • 打标签
    • 定义好流程或者框架