提示工程和提示工程的简单技巧

目录

🟢 简介

本文是为几乎没有提示工程或人工智能经验的人编写的。本文的目标受众是每个人,从非技术背景的商科学生,到非技术背景的成年人。我们将介绍人工智能的基本知识,以及为什么你应该关注提示工程。

如果你已经有提示工程或人工智能的基础知识,可以跳到下一篇文章。

什么是人工智能?

从目的的角度出发,人工智能(AI)是人们创造的一些“聪明的”的算法,使得机器能够像人类一样“思考”1。这些算法可以写论文、解决数学问题,并创造艺术。该领域的最新进展已经十分先进,以至于人工智能可以写出令人信服的销售邮件新闻报道,甚至可以赢得艺术比赛

目前,人工智能正在颠覆许多行业,包括新闻行业医疗卫生行业教育行业。你可能很快看到人工智能在你工作或教学中出现,即使现在还没有。但是,尽管人工智能非常有用,但它们需要人类来指导它们做什么。通常情况下,人工智能就像非常聪明的五岁小孩。它们可以做很多事情,但它们需要仔细的指导才能做得好。

能够正确指导人工智能是一项非常强大的技能。那么该如何跟它们沟通呢?本课程讨论的人工智能能够理解英语(和其他语言)。所以我们通常只需描述我们想要完成的任务。例如,我们可以告诉人工智能写一篇关于人工智能的优点的文章,它的如下回答2

近年来,人工智能(AI)已经成为科技界的一个热门话题。随着技术的不断发展,人工智能可能彻底改变我们生活的许多方面,人工智能也正变得越来越重要。从医疗保健和交通,到教育和制造,人工智能已经向我们展示了它在多个方面造福社会的巨大潜力。

人工智能最明显的好处是它能够将繁琐的任务自动化。人工智能系统可用于自动化大规模操作,如数据分析、客服,甚至商品生产。这样便释放了人类的劳动力,让人们可以专注于需要更多人类智慧的复杂的和创造性的任务。人工智能也可用于分析大量数据,其所花时间远低于人类。这在金融等行业可能十分有用,人工智能可以检测股票市场的模式,并提供可能被忽视的见解。人工智能还可以用于预测,并提高效率和准确性。例如,人工智能可以预测客户的趋势和偏好,帮助企业做出更好的决策并增加利润。人工智能还可以识别金融、医疗保健和制造等行业的潜在风险与机会。这可以帮企业做出明智的决定,并减少昂贵的错误和风险。

最后,人工智能可以被用来提高我们对世界的理解。人工智能可用于分析大型数据集,并让我们更好地了解周围的世界。这可以帮助我们更好地了解气候变化的影响、帮助我们找到新的疾病治疗方法,甚至预测地震和洪水等灾难。

总之,人工智能有可能彻底改变我们生活的许多方面。从自动化繁琐的任务到洞察和预测,人工智能可以用来提高效率、准确性和我们对世界的理解。随着技术的不断发展,人工智能将变得越来越有意义,其造福社会的潜力也会越来越大。

我需要关心人工智能吗?

人工智能可以用来自动完成你现在正花费无数时间做的任务。我们在上面提到了几个例子,但你也可以考虑任何稍微重复的任务。这些任务包括写电子邮件,写报告,甚至是写代码。如果你向人工智能描述这项任务,它就有可能为你做这件事,或者至少给你一个开头。

我该如何开始?

本课程将教你如何与人工智能交流。阅读本章的其余部分,然后查看你感兴趣的其他章节。如果你特别想了解专业人士如何使用人工智能来实现自动化,那么应用提示部分是你所感兴趣的。看看专业人士是如何使用人工智能来实现其工作自动化的。你可以用一些人工智能网站,例如Open AI其他人工智能工具等,或者直接使用本网站上嵌入的交互程序Dyno

在阅读下一章之前,需要提醒一下:你无需任何技术背景便可以开始学习提示工程。在犯错中学习。

🟢 提示过程

在上一章中,我们讨论了人工智能以及人类如何指导 AI 执行任务。指导人工智能执行任务的过程称为提示过程1。我们向 AI 提供一组指令(提示),然后它执行任务。提示可以简单到一个问题,也可以复杂到多个段落。

以下是两个提示的示例:

文章摘要

假设您正在阅读一篇关于佛罗里达州降雪的文章。您想快速了解文章的主要内容,因此您向 AI 展示您正在阅读的内容,并要求进行摘要

佛罗里达州很少下雪,特别是在中部和南部地区。除了州的极北部地区外,佛罗里达州大部分主要城市都没有记录到可测量的降雪量,尽管记录到了少量的痕迹,或者每个世纪观测到几次空气中的飘雪。根据国家气象局的数据,在佛罗里达群岛和基韦斯特群岛自欧洲殖民以来没有发生过飘雪的情况,已有超过300年时间。在迈阿密、劳德代尔堡和棕榈滩,超过200年中只有一次关于在空气中观察到飘雪的报告,发生在1977年1月。在任何情况下,自这次1977年的事件以来,迈阿密、劳德代尔堡和棕榈滩都没有看到过飘雪的情况。

以下是 AI 的回复。更简洁易读!

佛罗里达州很少下雪,除了州的极北部地区外,在过去的200年中迈阿密、劳德代尔堡和棕榈滩
这些主要城市中只有一次观察到空气中飘雪的报告。

数学问题求解

如果您有一个数学方程的数据集,您想让一个语言模型来解决,您可以通过提问 “什么是方程” 来创建提示。

对于一个给定的问题,您的完整提示可能是这样的:

1,000,000 * 9,000等于几?

对于这个提示,GPT-3 (text-davinci-002) (一种人工智能) 有时会回答 9,000,000(不正确)。这时候就有提示工程的用武之地。

提示工程

如果我们不是问 1,000,000 * 9,000等于几?,而是问 1,000,000 * 9,000等于几? 请确保输入正确数量的零,即使数量很多也要如此:,GPT-3 将会回答 9,000,000,000(正确)。为什么会这样?为什么在提示中额外指定数字的零的数量是必要的,以使 AI 能够得到正确的答案?我们如何创建能够产生最佳结果的提示?特别是最后一个问题是提示工程领域的重点,也是本课程的重点。

请继续阅读,了解如何设计好的提示!

🟢 给出指令

最简单的提示方法之一就是直接给出指令。我们上一个部分中就已经看到了一个简单的指令(1,000,000 * 9,000等于几? 请确保输入正确数量的零,即使数量很多也要如此:)。然而,现代人工智能可以遵循更复杂的指令。

以下是一个 Dyno 交互式嵌入示例。

提示工程和提示工程的简单技巧

AI 能够轻松地解决这个问题。使用指令提示,它可以解决许多其他简单和更复杂的问题。

示例 2

这是一个更复杂的例子

请阅读以下销售邮件。删除任何可用于识别个人身份的信息 (PII),并用相应的占位符替换它。例如,用”[姓名]”替换”John Doe”。

你好 John,

我写信给你是因为我注意到你最近买了一辆新车。我是一家当地经销商 (Cheap Dealz) 的销售员,我想让你知道我们有一辆新车的超值优惠。如果你有兴趣,请告诉我。

谢谢,

Jimmy Smith

电话:410-805-2345
电子邮件:jimmysmith@cheapdealz.com

以下是AI的回答:

你好 [姓名],

我写信给你是因为我注意到你最近买了一辆新车。我是一家当地经销商 ([经销商名称]) 的销售员,我想让你知道我们有一辆新车的超值优惠。如果你有兴趣,请告诉我。

谢谢,

[销售员姓名]

电话:[电话号码]
电子邮件:[电子邮件地址]

看到模型如何从指令中推断出结果真的很酷。例如,它知道将Cheap Dealz替换为[经销商名称],将Jimmy Smith替换为[销售员姓名],即使我们没有明确告诉它这样做。

🟢 聊天机器人基础

最常见的一种使用提示的方法是与公开的聊天机器人(例如 GPT)进行互动。请注意,GPT 与 GPT-3 不同,他们之间的主要区别在于聊天机器人可以记住你的对话历史。就像 GPT-3 一样,它们也可以高水平地回答问题、提供写作摘要和分析、编写文案或代码等,这是一个令人兴奋的前景——但是聊天机器人的真正价值只有在你使用具体的提示时才能体现。在本文中,我们将探讨一些基本的方法,如使用风格指导、描述符和引导,让聊天机器人更好的发挥作用。

修改你的提示语

风格指导(Style Guidance)

风格指导就是要求 AI 以某种特定的风格来表达。如果没有给出风格指导的问题,GPT 通常会返回一两个短段落的回答,少数需要更长的回答时会返回更多内容。

提示工程和提示工程的简单技巧

GPT 的回答常以中性正式的语气表达,同时提供一些细节,这非常不错!不过,如果我们想要更好的回答,可以在提示末尾自定义 GPT 的回答风格。如果我们想要更加随意的回答,可以要求它以友好或非正式的语气表达;如果我们想要更易读的格式,可以给出相同的问题,但要求以无序列表的形式回答;如果我们想要一个有趣的回答,可以要求它以连续的打油诗形式回答(这是我个人最喜欢的)。

提示工程和提示工程的简单技巧

一个更详细的风格提示的例子可能是:

[问题]“以拥有20多年经验和多个博士学位的[领域]专家的风格和水平写作。在回答中优先考虑有建设性的、不太知名的建议。使用详细的例子进行解释,尽量少离题和耍幽默。“

使用风格输入提示将大大提高回答的质量!

描述符(discriminator)

如果你只想改变语气或微调提示而不是重新格式化,添加描述符是一个不错的方法。简单地在提示后面添加一两个词可以改变聊天机器人解释或回复您的信息的方式。你可以尝试添加形容词,如“有趣的”、“简短的”、“不友好的”、“学术语法”等,看看答案如何变化!

引导提示(Priming Prompt)

聊天机器人对话的结构决定,你给 LLM 的第一个提示的形式将会影响后续的对话,从而让你能够添加额外的结构和规范。 举个例子,让我们定义一个系统,允许我们在同一会话中与教师和学生进行对话。我们将为学生和教师的限定说话风格,指定我们想要回答的格式,并包括一些语法结构,以便能够轻松地调整我们的提示来尝试各种回答。

“教师”代表一个在该领域拥有多个博士学位、教授该学科超过十年的杰出教授的风格。您在回答中使用学术语法和复杂的例子,重点关注不太知名的建议以更好地阐明您的论点。您的语言应该是精炼而不过于复杂。如果您不知道问题的答案,请不要胡乱编造信息——相反,提出跟进问题以获得更多背景信息。您的答案应以对话式的段落形式呈现。使用学术性和口语化的语言混合,营造出易于理解和引人入胜的语气。

“学生”代表一个具有该学科入门级知识的大学二年级学生的风格。您使用真实生活的例子简单解释概念。使用非正式的、第一人称的语气,使用幽默和随意的语言。如果您不知道问题的答案,请不要编造信息——相反,澄清您还没有学到这个知识点。您的答案应以对话式的段落形式呈现。使用口语化的语言,营造出有趣和引人入胜的语气。

“批评”代表分析给定文本并提供反馈的意思。
“总结”代表提供文本的关键细节。
“回答”代表从给定的角度回答问题的意思。

圆括号()中的内容表示您写作的角度。
花括号{}中的内容表示您所涉及的主题。
方括号[]中的内容表示您应该采取的行动。
例子:(学生){哲学}[回答] 在大学里选择这门课程相比其他课程有什么优势?

如果您理解并准备开始,请回答“是”。

以下是一个未引导的问题示例,询问 GPT 关于哲学领域中最有趣的部分。它使用列表,通俗冷静地表达,然而在解释中不是非常具体。

提示工程和提示工程的简单技巧

 

在第二个例子中,我们提供了一个引导提示给 GPT,并以正确的形式提出了问题。你应该注意到,它的回答与第一个例子有一些相似之处,例如,它为各个领域提供的例子问题是相似的,但它提供了更深入的背景信息,放弃了列表格式,而是采用连贯的段落,将例子与现实生活联系起来。

提示工程和提示工程的简单技巧

 

在提示中引入引导是一种更高级的与聊天机器人交互的方式。每个提示中添加规范仍然有帮助,因为模型随着时间的推移可能会失去对引导的追踪,但它将为你的 AI 交互提升很多清晰度!

🟢 理解人工智能思维

你好,读者,恭喜你完成了基础介绍章节。你在这个非常令人兴奋的领域有了一个很好的开端。在继续阅读本课程的其余部分之前,有几件简单的事情你应该知道,关于不同的人工智能及其工作原理。

提示工程和提示工程的简单技巧

不同的人工智能们

成千上万,甚至可能有数百万个人工智能存在。有些可能要比另一些优秀。不同的人工智能可以生成图像音乐文本,甚至视频。请注意,这些都是生成人工智能,基本上是创造东西的人工智能。还有用于判别的人工智能,即分类事物的人工智能。例如,你可以使用图像分类器来确定一张图片是猫还是狗。在本课程中,我们不会使用任何判别人工智能。

目前仅有少数生成式人工智能足够先进,可以在提示工程中生效。在本课程中,我们主要使用 GPT-3 和 GPT。正如我们在上一页中提到的那样,GPT 是一个聊天机器人,而 GPT-3 不是。它们通常在回答相同问题时会产生不同的响应。如果你是开发人员,我建议使用 GPT-3,因为它更可复现的。如果你不是开发人员,我建议使用GPT,因为它更易于使用。本课程中的大多数技术都可以应用于这两个人工智能。然而,其中一些技术只适用于 GPT-3,因此如果你想使用本课程中的所有技术的话,我们鼓励你使用 GPT-3。

在图像生成部分,我们还将使用 Stable Diffusion 和 DALLE。在这里可以查看更多相关的人工智能。

这些人工智能是如何工作的呢?

本节介绍了流行的生成式文本人工智能的方面。这些人工智能的大脑由数十亿个人工神经元组成。这些神经元的结构被称为 transformer 架构,它是一种相当复杂的神经网络类型。你需要了解的是:

  1. 这些人工智能只是数学函数。它们更像是f(成千上万的变量) = 成千上万种可能的输出,而不是 f(x) = x^2 这样的简单函数。
  2. 这些人工智能通过将句子分解成称为标记(tokens)的单词/子单词(例如,AI 可能将 “I don’t like” 作为 “”I”, “don”, “‘t” “like””)(译注:由于中文 token 化的表现形式和英文并不完全相同,这里保持英文示例,感兴趣的同学可以在 OpenAI 提供的在线工具自行体验)来理解句子。然后,每个标记都被转换为一组数字,以便人工智能进行处理。
  3. 这些人工智能根据前面的单词/标记预测句子中的下一个单词/标记(例如,人工智能可能会在 “I don’t like” 后面预测 “apples”)。它们写下的每个标记都基于它们以前看到和写下的标记;每次它们写下一个新标记时,它们都会停下来思考下一个标记应该是什么。
  4. 这些人工智能同时查看每个标记。它们不像人类那样从左到右或从右到左阅读。

请理解,“思考”、“大脑”和“神经元”这些词是拟人化的表述(zoomorphism),实际上是对模型所做的事情的比喻。这些模型并不真正思考,它们只是数学函数。它们不是真正的大脑,它们只是人工神经网络。它们不是真正的生物神经元,它们只是数字。

这是一个非常活跃的研究和哲学领域。这种描述与它们的本质相去甚远,旨在缓和大众媒体对人工智能作为像人类一样思考/行动的存在的描绘。话虽如此,如果你真的想拟人化人工智能,那就去做吧!似乎大多数人都这样做,这甚至可能有助于学习它们。

关键词指南

© 版权声明

相关文章

暂无评论

暂无评论...