OpenAI的官方chatgpt的prompt教程小能熊视频号笔记摘抄

 
 
OpenAI官方prompting课程 
第1讲 基本原则 
📝 本节课介绍了提示工程和大型语言模型(如ChatGPT)中的一些基本原则和策略; 
- ✍️ 原则1:提供清晰、具体的指令 
- 📌 使用分隔符明确表示输入的不同部分; 
- 📌 请求结构化输出; 
- 📌 让模型在进行任务前检查某些条件是否满足; 
- 📌 少量示例的提示(Few-shot Prompting); 
- ⏳ 原则2:给模型足够的“思考”时间 
- 🧠 指定完成任务所需的步骤;
 - 🧠 要求模型在得出结论前先自行处理问题; 
- ⚠️ 文中还讨论了模型的一些局限性,如可能出现的“幻觉”问题;
 - 🛠️ 为减少幻觉现象,建议让模型先从文本中找到相关引文,然后基于这些引文回答问题。
 
 
 
 
 
OpenAI官方prompting课程 
第2讲 iterative 迭代 - 🔄 
迭代开发:写prompt的过程,往往是迭代的过程;
 - 🔧 工程方法:不存在完美的prompt,关键在于迭代prompt的过程; - 
📝 实例:举实例,从简单的prompt开始,逐步修改和完善;
 - ✏️ 改进prompt:通过增加指导性文字,调整结果长度等方法来提高prompt的质量; 
- 🧪 评估:对于更复杂的应用,可以使用更多示例评估prompt效果,以驱动prompt的最后几步优化
 
 
 
 
【双语字幕】OpenAI官方prompting课程 
第3讲 summarizing 总结 - 
📚 这节课,吴恩达介绍了如何使用大语言模型(如GPT)来生成文本摘要,特别是将其应用于电子商务网站的评论汇总,以便快速了解大量客户的意见; 
- 🤖 在ChatGPT的web界面中,可以使用英文进行文本摘要;
 - ⚙️ 可以通过编程方式在代码中实现文本摘要功能;
 - 🎯 可以为摘要生成服务特定目的或特定部门(如送货或定价部门)的信息; 
- 🧪 反复修改你的prompt以获取更有针对性的摘要信息;
 - 🔄 可以使用loop来对批量评论进行摘要以提高效率;
 - 💡 可以利用摘要功能帮助用户快速了解文本内容,根据需要进一步深入了解。
 
 
 
OpenAI官方prompting课程 
第4讲 inferring 推断 
- 📚 主题:推断
 - 🧪 示例:情感分析
 - 😃 提取情绪和品牌 
- 🍽️ 一次提取多个字段 
- 🔖 提取话题和话题列表 
 
- 💻 代码展示:
     - 🔨 构建多个系统,提取关键信息 
     - 🚀 判断文章是否涉及特定主题
   
  - 🌟 优势:
 - 🕒 快速实现复杂自然语言处理任务
 - 🧠 适用于有经验和新手的机器学习开发者
 
 
 
 
 
OpenAI官方prompting课程 
第5讲 transforming 转换 
🗣️ 讨论正式与非正式的沟通方式:
正式沟通适用于专业场合,非正式沟通适用于朋友之间;
 - 🌐 构建通用翻译器:将用户信息从多种语言翻译成英语和韩语;
 - 🎭 语调变换:将俚语翻译成商务信件;
 - 🔄 来龙去脉:在 JSON、HTML、XML 等格式之间转换;
 - ✒️ 语法检查与拼写检查:纠正语法错误和拼写错误;
 - ✍️ 检查文本:在发布到公共论坛前检查评论;
 - ⚙️ 使用 Python 工具包找出原始文本与模型输出之间的差异;
 - 📚 转换风格:将评论转换为更引人入胜、遵循 APA 格式并针对高级读者的版本;
 
 
 
 
OpenAI官方prompting课程 
第6讲 expanding 扩展 
- 🤖 AI客服和参数设置:在自动生成响应客户评论的场景中,模型可以使用已提取的情感信息生成邮件; 
- 🌡️ 模型温度:控制模型输出多样性的参数,温度越高,输出越随机; 
- 0℃时模型选择最可能的词语; 
- 高温时模型选择较不可能的词语; 
- 🔧 建议:根据应用场景选择不同温度;
 - 可预测且稳定:选0℃;
 - 更具创造力且希望有多样输出:使用更高温度; 
- 📧 测试不同温度:使用`getCompletion`函数,在不同温度下生成不同的邮件; 
- 0.7温度可产生多个不同的邮件; 
- 测试建议:自行尝试不同温度以获得多样输出;
 - 💡 小结:较高温度会使模型的输出更随机,似乎更具创造力但容易分散注意力;下一节内容将介绍更多关于Chat Completions Endpoint方面的信息,以及如何创建定制聊天机器人。
 
 
 
OpenAI官方prompting课程 
第7讲 chatbot 聊天机器人 
- 🌐 使用ChatGPT:通过输入信息列表,从而生成多种角色的对话;例如,系统信息对助手的指导、用于Web界面的用户信息等。 
- 🔧 系统信息:设定助手的行为和角色,为会话提供高级指导。 
- 💬 交替对话:用户和助手之间进行交流,交替提问和回答问题。 
- 📖 上下文:为模型提供有关先前对话的信息,以便应用于当前对话,创造连贯的交流。 
- 🤖 创建自定义聊天机器人实例:使用助手函数和始终保持更新的上下文。
 - 🍕 示例:制作名为“orderbot”的机器人,用于在披萨店接收订单。
 - 📋 助手函数:收集用户信息并添加到“context”列表中,自动更新模型响应,创建一个生动的上下文。 
- 🎮 用户界面:设立一个可以与orderbot交流的用户界面,使用相同的上下文来调用语言模型,并在每次回复之后更新上下文。 
- 📃 更多ChatGPT应用示例: 
- 🍽 制作JSON摘要:将对话摘要导出为可用于接收对话订单的订单系统的JSON格式。 
- 🌡 设置不同温度:根据任务需求设定不同的预测程度,如订单机器人应输出较为可预测的信息。
 
OpenAI官方prompting课程 
第8讲 conclusions 总结 -  
课程总结
 - 🎯 两大关键原则:写清晰、具体的指示,适时给模型思考时间 
- 🔄 迭代提示开发:建立寻找适合应用的提示的过程 
- 📚 学习大型语言模型的能力 
- ✍️ 总结 
- 💡 推理 
- ↔️ 转换 
- 🌱 扩展 
- 🤖 构建自定义聊天机器人 
- 💡 探索与尝试
 - 🔧 结合所学,构建自己的应用
 -  享受模型实践的过程,无论项目大小 
- 📈 不断改进,积累经验
 - 🚀 动手实践大型项目 
- 🌟 责任与影响
 - 👍 负责任地使用AI,产生积极影响
 - 🌐 推广课程,鼓励他人学习 
- 🤝 感谢与期待 - 🙌 感谢完成课程 - 👂 期待听到学员的惊喜成果
 
posted @   Questions张  阅读(312)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 本地部署 DeepSeek:小白也能轻松搞定!
· 如何给本地部署的DeepSeek投喂数据,让他更懂你
· 在缓慢中沉淀,在挑战中重生!2024个人总结!
· 大人,时代变了! 赶快把自有业务的本地AI“模型”训练起来!
· 从 Windows Forms 到微服务的经验教训
历史上的今天:
2019-05-27 yarn查看正在运行的任务列表
点击右上角即可分享
微信分享提示