当前位置：首页 > news >正文

提示工程指南学习记录（三）

news 来源：原创 2025/9/2 4:54:50

提示词示例

文本概括

Explain the above in one sentence（用一句话解释上面的信息）：

提示词工程是一种用于自然语言处理的任务，目的是通过给定的文本或语音输入来生成相应的输出。它基于预训练的大型语言模型，例如通义千问、GPT-3等，这些模型通常在大量的语料库上进行训练以学习各种语言结构和上下文关系。在这个过程中，提示词扮演了关键的角色。提示词可以是实际的文字描述或者是特定的句子模板，用来引导模型生成期望的响应或者完成指定的任务。通过对提示词的设计和优化，可以有效地控制和引导模型的行为，使其能够生成更符合预期的结果，而不仅仅是随机生成的内容。提示词工程主要包括以下几个方面：1. **提示词设计**：首先需要设计一套有效的提示词策略，这涉及理解任务需求并找出如何用最简洁有效的方式提出问题或提供指导信息。提示词应该能够清晰地传达目标，同时避免过于狭窄或模糊，确保模型可以准确理解和回应。2. **提示词优化**：通过试验不同的提示词结构、措辞和参数调整，不断优化提示词以获得最佳的输出结果。这可能包括尝试不同的文本长度、使用特定的关键词、调整提示词与待生成内容之间的关联程度等。3. **效果评估与迭代**：对生成的结果进行评估，检查其是否满足预期的质量标准和功能性要求。根据评估反馈对提示词进行必要的调整和改进，这是一个持续的过程，旨在逐步提高生成内容的相关性、质量以及一致性。提示词工程在许多领域有广泛的应用，比如智能客服系统、自动文本摘要、代码生成、对话系统增强等。通过精心设计和优化的提示词，可以让人工智能系统更好地理解和适应复杂多变的语言环境，从而实现更加精确和高效的交互与服务。用一句话解释上面的信息：

提示词工程是一门专注于设计和优化引导AI模型生成特定类型输出的指令艺术，通过巧妙利用预先训练的语言模型，如通义千问和GPT-3，以达到高效执行从文本到语音等各种自然语言处理任务的目的。

信息提取

当前，人工智能领域的大型预训练模型正在迅速发展和演进。这些大型模型通常被称为“超大规模”或“超大语言模型”，它们旨在解决广泛的任务并从大量文本数据中学习通用知识。以下是一些近年来广为人知的超大模型：1. **通义千问（Qwen）**：这是由阿里云开发的一个大型语言模型系列，旨在提供广泛的自然语言生成能力。通义千问主要用于对话、故事创作、文章撰写、代码生成等任务。2. **通义万相（Wanxiang）**：同样来自阿里云，这个模型专注于图像生成任务。用户可以输入文本描述，通义万相将生成相应的高质量图片。3. **多模态模型**：- **M6**：由阿里云开发的一款超大规模多模态模型，它在多项多模态下游任务上取得了优秀成绩。- **MPT-10M**：由Meta AI实验室发布的一款超大规模多模态模型，具有出色的跨模态理解和生成能力。4. **通义链入**：作为一个基础模型，支持后续的模型开发，例如上述的通义千问和通义万相。它可以用于训练其他更专业的模型。5. **通义大模型生态**：除了上述模型外，还包括多个行业定制的模型与应用，如面向金融、医疗、教育等行业场景的专业模型与解决方案。值得注意的是，这些模型通常是基于开源技术进行调整和优化的结果，并且往往需要大量的计算资源和数据集来训练。由于隐私和版权保护等因素，一些高级的功能可能受到限制或仅在特定环境下可用。
提取上文提到的大模型名称：
输出格式：1.<模型名> 2.<模型名>

1. 通义千问（Qwen）
2. 通义万相（Wanxiang）
3. M6
4. MPT-10M
5. 通义链入

问答

根据下面的上下文回答问题。回答要简明扼要。如果不确定答案，回答“不确定答案”。
Context: 背景：Teplizumab可追溯到新泽西州一家名为Ortho Pharmaceutical的制药公司。在那里，科学家们产生了一种早期版本的抗体，称为OKT3。这种分子最初来源于老鼠，能够与T细胞表面结合，限制它们杀死细胞的潜力。1986年，它被批准用于帮助预防肾移植后的器官排斥反应，使其成为第一种允许用于人体的治疗性抗体。
Question: OKT3最初的来源是什么？
Answer:

老鼠。

文本分类

到目前为止，你已经使用了简单的指令来执行任务。作为提示词工程师，你需要更擅长提供更好的指令。但这还不是全部！你还会发现，在更困难的用例中，仅仅提供指令是不够的。这就是你需要更多考虑上下文和其他元素（在提示词中使用）的地方。你可以提供的其他元素包括输入数据或示例。

Classify the text into neutral, negative or positive. Text: I think the food was okay. 
Sentiment:

Neutral

你给出了对文本进行分类的指令，模型以’Neutral’回应，这是正确的。这没有问题，但假设你真正需要的是让模型以你希望的确切格式给出标签。因此，你希望它返回的是neutral而不是Neutral。你如何实现这一点呢？有几种不同的方法可以做到这一点。在这里，你关心的是具体性，所以你给提示词提供的信息越多，结果就越好。你可以尝试提供示例来指定正确的行为。让我们再试一次：

Classify the text into neutral, negative or positive. Text: I think the vacation is okay.
Sentiment: neutral Text: I think the food was okay. 
Sentiment:

neutral

对话

以下是与一位人工智能研究助理的对话。辅助回答应该是容易理解的，即使是小学生。
Human：你好，你是谁？
AI:问候!我是人工智能研究助理。今天我能为您做些什么？
Human：你能告诉我黑洞是如何形成的吗？
AI:

当然可以！想象一下，宇宙中有很多巨大的星星。当一个非常大的星星耗尽了它所有的燃料并死亡时，它会变得非常重和紧密。这会让它的引力变得特别强大。如果这个星星的质量大到一定程度，它的引力就会把所有的东西都拉进去，连光都无法逃脱。这就形成了一种叫做“黑洞”的地方。黑洞就像一个巨大的吸尘器，因为它能吸收一切靠近它的东西。这就是黑洞是怎么形成的简单解释！希望对你有帮助哦！如果你还有其他问题，随时问我哦！

代码生成

// Ask the user for their name and say "Hello"

Sure! Here's how you can write this in JavaScript:```javascriptlet userName = prompt("Please enter your name:");alert("Hello, " + userName + "!");```When you run this code in a browser or Node.js environment, it will pop up two alerts: first, asking the user to input their name; then displaying a greeting with that name.However, using `prompt` and `alert` directly might not be ideal in web contexts due to security concerns. In a real-world scenario, you'd probably want to handle this through HTML forms and server-side processing, rather than client-side JavaScript running on user's browsers. Here is an example of how you could do it using an HTML form:```html<!DOCTYPE html><html><body><h2>Enter Your Name</h2><form action="/submit-name" method="post"><label for="fname">Name:</label><br><input type="text" id="fname" name="fname"><br><input type="submit" value="Submit"></form> <p>Note: Submitting the form sends data to "/submit-name", where you would process the data on your server.</p></body></html>```In this case, when a user submits the form, they'll be directed to the `/submit-name` endpoint (you need to replace this with your actual server endpoint) where you process the request and potentially perform actions based on the submitted name. The details of how you handle this part depend heavily on your specific application requirements.

推理

数字比大小
Q:9.11与9.9
A:

在数值比较中，我们从左到右进行比较。首先比较两个数的整数部分，在这个例子中都是 9 ，所以整数部分相同。接下来，我们比较小数点后的部分：- 对于 9.11，其小数部分为.11
- 对于 9.9，其小数部分为.9因为.11 <.9，我们可以得出结论：9.11 < 9.9。因此，数字 9.11 比数字 9.9 小。

参考

Prompt Engineering Guide
litellm文档

提示词示例

文本概括

信息提取

问答

文本分类

对话

代码生成

推理

参考

相关文章：