Представьте, что вы украшаете комнату. Вы можете выбрать стандартный набор мебели, это быстро и удобно, но может не совсем соответствовать вашему стилю или потребностям. С другой стороны, вы также можете персонализировать свою мебель, выбрав определенные цвета, материалы и дизайн, чтобы каждый предмет соответствовал вашим предпочтениям и требованиям к пространству.

Например, выбирая диван на заказ, вы можете определиться с его размером, типом ткани и даже стилем подлокотников. Вы также можете выбрать цвета, соответствующие тематике комнаты, и даже добавить некоторые уникальные штрихи, такие как вышивка или специальная строчка.

Это концепция проекта Prompt. Точно так же, как вы настраиваете мебель, выбирая различные элементы дизайна, оперативное проектирование включает в себя точную настройку входных данных ИИ для получения более индивидуальных результатов. Изменяя, добавляя или уточняя входные сигналы, вы можете направить ИИ на получение результатов, которые лучше соответствуют конкретным требованиям или стилю, например, выбрать и настроить подходящую мебель для комнаты.

Знания и понимание большой языковой модели у многих людей ограничены уровнем интеллектуального ответа, что позиционирует ее как интеллектуального отвечающего робота, заменяющего поисковую платформу. Однако по мере того, как все больше крупных моделей постепенно применяются в различных областях и постоянно исследуются все больше сценариев реализации корпоративного бизнеса, люди постепенно поймут, что возможности больших моделей выходят далеко за рамки просто функций вопросов и ответов. Если мы хотим начать формальное и углубленное изучение применения больших моделей, первым шагом будет изучение проекта подсказки «Подсказка». В этой серии статей будет подробно объяснен проект подсказки «Подсказка» от простого к подробному и подробному. его фактическая реализация не ограничивается прямым применением медиа в операциях, созданием копирайтинга AIGC и синтезом голоса и видео.

1.Что такое проект Prompt?

В контексте ИИ «подсказка» обычно относится к запросу или вопросу, заданному модели. Форма и содержание этого запроса или вопроса будут влиять на выходные данные модели. Например: в модели генерации текста подсказкой может быть вопрос, тема или описание, и на основе этой подсказки модель генерирует соответствующий текст. Разработка подсказок — это процесс, посредством которого люди уточняют подсказки, которые они вводят в службу генеративного искусственного интеллекта (ИИ), для генерации текста или изображений. Любой может использовать генераторы, такие как Wenyan Yixin и DALL-E, для работы на естественном языке. Этот метод также используется инженерами ИИ при доработке больших языковых моделей (LLM) с помощью конкретных или рекомендуемых подсказок.

Например, если вы использовали Вэньян Исинь для мозгового штурма профессионального обзора для своего резюме, вы можете написать следующую команду: «Напишите образец профессионального обзора для аналитика рынка». или «сокращено до не более 100 слов». Целью проекта Prompt является непрерывная организация и оптимизация каждого слова-подсказки, чтобы LLM мог дать наиболее эффективный ответ, отвечающий нашим потребностям. В некоторых случаях подсказки по настройке могут быть единственным способом улучшить качество вывода модели, особенно при использовании предварительно обученных моделей, которые не позволяют напрямую изменять внутренние механизмы.

Давайте посмотрим на пример, приведенный инженером по подсказкам ChatGPT:

For text models like ChatGPT:

• What’s the difference between a professional summary and an executive summary?
• Write a professional summary for a marketing analyst looking for a marketing manager job.
• Now trim it down to less than 60 words.
• Rewrite it with a less formal tone.. For image models like DALL-E:
• A painting of a cat.
• A painting of a cat chasing a mouse in Impressionist style.
• Now use only warm tones in the painting.

Примеры текстовой модели ChatGPT и DALL-E аналогичны. Если взять в качестве примера текстовую модель ChatGPT, предлагается четыре слова-подсказки:

Первое предложение поднимает вопрос, профессиональное и краткое изложение, и ведет к двум конкретным целям;

Второе предложение определяет сценарий и конкретные объекты обслуживания.

Третье предложение устанавливает требования к создаваемому контенту.

Четвертое предложение добавляет эмоциональное содержание сгенерированному тексту.

Здесь нам нужно знать, что, поскольку генеративный ИИ — это бот, обученный на данных, генерируемых людьми и машинами, он не способен анализировать то, что вы сообщаете, чтобы понять, что вы на самом деле говорите. Это означает, что вы получаете то, что говорите. При вводе запросов в генератор ИИ лучше всего использовать конкретный, простой язык запроса и никаких ненужных наполнителей. Например, вы можете запросить «Напишите план предложения по академическому исследованию, включая название, аннотацию и следующие шаги» вместо «Напишите план, включающий название, аннотацию и следующие шаги». Таким образом, существуют также некоторые методы и принципы создания проектов Prompt, которые можно резюмировать следующим образом:

Вопрос Подсказка

Вопрос Подсказка задает вопросы, помогающие модели генерировать ответы. Этот тип подсказки является наиболее прямым и простым и подходит для сценариев, в которых необходимо получить конкретную информацию. Точно так же, как указано в первом примере the difference between a professional summary and an executive summary?

Декларативная подсказка

Декларативная подсказка помогает модели генерировать соответствующий контент, описывая сценарий или состояние. В подсказках этого типа больше внимания уделяется творчеству и выразительности модели, и он подходит для сценариев, требующих от модели создания описаний, историй или мнений. Например, чтобы написать профессиональное резюме для маркетингового аналитика, который ищет работу менеджера по маркетингу, Напишите a professional summary for a marketing analyst looking for a marketing manager job.

Императивная подсказка

Императивная подсказка помогает модели выполнить конкретную задачу, давая четкие инструкции. Этот тип подсказок требует, чтобы модель имела сильные возможности выполнения и подходит для сценариев, требующих модели для перевода, исправления ошибок, программирования и т. д. Например, теперь сократите его до менее чем 60 слов. trim it down to less than 60 words.

Подсказка о входе эмоций

При определенных условиях нам может потребоваться сгенерировать некоторый текстовый контент с сильными эмоциями и субъективными мыслями для критики или критики. Если мы хотим сгенерировать такой контент, нам нужно сообщить языковой модели, где мы находимся. Подсказок эмоциональных слов не предусмотрено, а ответами ИИ всегда будет генерация контента с нейтральными эмоциями.

Конечно, приведенное выше является лишь поверхностной классификацией проекта Prompt. Чтобы правильно классифицировать конкретные сценарии, инженеры Prompt должны прописать правильное лекарство. Чтобы лучше понять проект приглашения, обратитесь к примеру Microsoft с вертикальной сложностью подсказок:

2.Чем в основном занимается инженер-подсказчик?

Основная работа инженеров Prompt — проектирование, оптимизация и доработка подсказок (подсказок) для генеративных систем искусственного интеллекта. Эти подсказки представляют собой текстовые входные данные, такие как текст, изображения или код, которые помогают системе ИИ генерировать конкретные выходные данные. Роль инженеров подсказок может быть разной в разных областях применения ИИ, в основном они создают подсказки для функций в соответствии с бизнес-сценарием. Оперативные инженеры важны для инженеров ИИ для создания более качественных услуг, таких как чат-боты, которые решают задачи обслуживания клиентов или заключают юридические контракты. Чтобы гарантировать, что генеративный сервис искусственного интеллекта, такой как Wenyan Yixin, обеспечивает выходные данные, инженерам необходимо создать код и обучить ИИ на широком спектре точных данных.

В мире, управляемом большими данными, мы достигли точки, когда обучение моделей ИИ может помочь более эффективно предоставлять решения без необходимости вручную сортировать большие объемы данных. Правильные инженеры Prompt также могут выявлять и смягчать атаки путем внедрения (злонамеренное вторжение в логику ChatGPT или чат-ботов), чтобы гарантировать, что компании предоставляют согласованное и точное обслуживание. Требования Coursera к оперативным инженерам:

Prompt engineers need to be skilled in the fundamentals of natural language processing(NLP), including libraries and frameworks, Python programming language, generative AI models, and contribute to open-source projects.

Продвинутые инженеры должны владеть основами обработки естественного языка (NLP), включая библиотеки и фреймворки, язык программирования Python, генерировать модели искусственного интеллекта и участвовать в проектах с открытым исходным кодом. Успешные советы часто основаны на практике «разового» или «небольшого» обучения. Это относится к одному или нескольким примерам желаемого поведения модели, обычно путем включения пар входных и выходных данных. Это обучение не в том смысле, что модель постоянно изменяется, а скорее в том смысле, что пример лучше настраивает модель так, чтобы она реагировала только на текущие необходимые рассуждения. Использование подсказок без примеров иногда называют обучением с нуля. Используя API завершения чата, в массив сообщений обычно добавляется небольшое количество примеров горячего обучения в виде примеров взаимодействия пользователя и помощника после исходного системного сообщения:

Инженеры подсказок обычно делят подсказки на несколько основных категорий в зависимости от их назначения и способа их создания:

Нулевой выстрел：

• В этом случае подсказка предназначена для того, чтобы напрямую задать модели вопрос или запрос без предоставления каких-либо конкретных обучающих примеров.
• Этот подход основан на знаниях, которые модель уже получила в ходе предварительного обучения. Одноразовые или несколько раз подсказки：
• Этот подход включает в подсказку один или несколько примеров, которые помогут модели реагировать.
• Эти примеры служат демонстрацией того, как модели должны справляться с подобными ситуациями. Цепь（Цепочка мыслей）Подсказка：
• В этом подходе подсказки предназначены для того, чтобы помочь модели продемонстрировать свой мыслительный процесс, особенно при решении сложных задач.
• Это помогает улучшить прозрачность и интерпретируемость результатов модели.

Подсказки на основе шаблонов：

• В этом случае подсказки разрабатываются на основе конкретных шаблонов или структур, предназначенных для эффективного получения правильного ответа от модели.
• Этот метод обычно используется в конкретных сценариях приложений, таких как классификация текста или распознавание объектов.

Разговорные подсказки：

• Эта подсказка разработана в форме разговора, имитируя сценарии разговора на естественном языке и помогая модели реагировать в среде разговора.
• Этот подход хорошо работает для чат-ботов и интерактивных приложений.

Подсказки для конкретных задач：

• Этот тип подсказок специально разработан для конкретных задач или сценариев применения.,Такие как перевод, краткое содержание、Ответы на вопросы и т. д.
• В этом методе особое внимание уделяется оптимизации дизайна подсказок в зависимости от потребностей задачи.

Здесь мы раскрываем только конкретный подсказку, чтобы продемонстрировать вам, и не раскрываем все формы. В последующих статьях это будет подробно объяснено на примере подсказки на основе шаблона:

Задача：Выполните анализ настроений по заданному отрывку текста.,Решите, является ли оно положительным, отрицательным или нейтральным.

Подсказка шаблона：

• «Текст: текстовый абзац, который необходимо классифицировать
• Результаты анализа тональности: Тональность данного текста положительная/отрицательная/нейтральная. " В этом примере шаблон состоит из двух частей:

1. За «Текст:» следует текстовый абзац, который необходимо классифицировать.
2. «Результат анализа настроений:» помогает модели выполнить классификацию настроений на основе предоставленного текста.

Конкретным примером использования шаблонных подсказок может быть:

• «Текст: Сегодня у меня был отличный день, погода была хорошая, и я отлично провел день с друзьями.
• Результаты анализа тональности: Тональность данного текста положительная/отрицательная/нейтральная. "

В этой главе достаточно контента. В следующей статье будет подробно рассмотрено создание и использование Prompt в различных сценариях.

Это все по этому вопросу. Я застрял. Если у вас есть вопросы, оставьте сообщение для обсуждения. Увидимся в следующем выпуске.

Я участвую в пятом выпуске специального учебного лагеря Tencent Technology Creation 2024 с эссе, получившими награды. Приходите и разделите приз со мной!