在 Devin 中试用 DeepWiki 处理私有仓库
DeepWiki

fighting41love/funNLP

菜单

提示工程

相关源文件

目的与范围

本文档全面概述了 funNLP 存储库中可用的提示工程资源。提示工程是设计和优化大型语言模型（LLM）的输入，以产生期望的输出。本页面涵盖了针对中文 NLP 和通用 LLM 应用的提示工程技术、资源、指南和工具。

有关 LLM 模型和框架的信息，请参阅 LLM 模型和框架，有关 LLM 训练和微调的信息，请参阅 LLM 训练和微调。

来源：README.md238-251

什么是提示工程？

提示工程是用于语言模型的系统性输入设计，以生成更准确、更相关、更有用的输出。随着 LLM 的不断发展，我们与它们沟通的方式也已演变成一门专门的学科。一个精心设计的提示可以在不改变底层模型参数的情况下，极大地提高模型性能。

提示工程的基本工作流程包括：

  1. 定义期望的结果
  2. 构建初始提示
  3. 使用语言模型测试提示
  4. 分析响应
  5. 迭代优化提示

来源：README.md240-242

核心提示工程技术

funNLP 存储库引用了通过其收集的资源提供的几种关键提示工程技术：

1. 零样本提示 (Zero-shot Prompting)

指示模型执行任务，但不提供示例。

2. 少样本提示 (Few-shot Prompting)

在提示中包含期望的输入-输出对的示例。

3. 思维链提示 (Chain-of-Thought Prompting)

引导模型将复杂的推理分解为逐步思考。

4. 基于角色的提示 (Role-based Prompting)

为 AI 分配一个特定的角色或个性来构建其响应。

5. 格式规范 (Format Specification)

明确定义期望输出的结构和格式。

来源：README.md241-244

提示结构

有效的提示通常包含几个关键组件，它们协同工作以指导模型的响应：

组件目的示例
指令告诉模型做什么“总结以下文本”
上下文提供背景信息“这来自一篇关于气候变化的研究论文”
输入数据要处理的具体内容[要总结的文本]
输出指示器指示期望的响应格式“摘要应使用项目符号列出”
约束设定限制或要求“不超过 100 字”

来源：README.md240-251

funNLP 存储库中的关键资源

funNLP 存储库包含多个用于提示工程的资源：

学习资源和指南

  1. OpenBuprompt-engineering-note：专门针对 ChatGPT 的提示工程课程笔记，涵盖理论和实际应用。包括摘要、推理、转换、扩展和构建聊天机器人等主题。

  2. 提示工程指南 (Prompt Engineering Guide)：一份全面的中文提示工程技术指南。

  3. AIGC提示工程学习站 Learn Prompt：一个用于学习 ChatGPT、Midjourney 和 Runway 等多个 AI 系统提示工程的学习平台。

  4. ChatGPT提问技巧：关于如何向 ChatGPT 提问以获得高质量答案的指南，其中包含全面的提示工程技术。

工具和平台

  1. Prompts 精选 - ChatGPT 使用指南：精选的有效 ChatGPT 提示集合，旨在增强可用性和可玩性。

  2. Snack Prompt：用于共享和发现有效 ChatGPT 提示的社区平台。

  3. OpenPrompt：一个专注于推荐和共享有效提示的开源社区。

  4. GPT-Prompts：教授如何使用 GPT 生成有效提示的教育资源。

来源：README.md240-251

应用领域和用例

funNLP 存储库包含用于在多个领域应用提示工程的资源。

来源：README.md243-251 README.md271-285

中文提示工程

funNLP 存储库中的一些资源专门针对中文语言模型的提示工程：

  1. 中文特定提示模板：适应中文的语法和文化细微差别。

  2. Prompt-Engineering-Guide-Chinese：一份包含 AIGC 的提示组件，专门针对中文语言模型的提示工程指南。

  3. 双语提示策略：利用中文和英文来提高模型性能的技巧。

该存储库还引用了支持中文优化提示工程的框架，例如：

  • 中文 LLaMA 和 Alpaca 模型资源
  • ChatGLM 相关提示技巧
  • MOSS 提示优化策略

来源：README.md240-251 README.md177-204

提示工程最佳实践

根据 funNLP 存储库中的资源，以下是有效提示工程的关键最佳实践：

类别最佳实践优点
清晰性使用精确、无歧义的语言减少误解
结构将提示组织成清晰的部分帮助模型处理信息
示例使用少样本时提供高质量示例演示期望的输出模式
迭代根据结果系统地优化提示持续提高性能
约束明确说明限制和要求指导模型保持在界限内
文档维护一个有效提示库建立组织知识

来源：README.md240-251

与其他 NLP 技术集成

提示工程与 funNLP 存储库中的其他 NLP 技术协同工作。

来源：README.md127-232

提示工程的未来方向

funNLP 存储库指出了提示工程中的几个新兴趋势：

  1. 自动化提示优化：可以自动生成和测试不同提示变体的工具。

  2. 特定领域提示库：针对特定行业或用例优化的提示集合。

  3. 多模态提示工程：用于提示可以处理多种输入类型（文本、图像、音频）的模型的技术。

  4. 提示安全和鲁棒性：防范提示注入攻击并确保一致性能的方法。

  5. 协作提示开发：供团队协作开发和优化提示的平台。

来源：README.md240-251 README.md309-324

结论

提示工程是在大型语言模型方面进行有效工作的关键技能。funNLP 存储库提供了用于学习和应用提示工程技术的综合资源集合，特别在中文语言应用方面表现突出。通过利用这些资源，从业者可以在不更改底层模型的情况下，显著提高基于 LLM 的应用程序的性能和效用。

该领域在不断快速发展，新的技术和应用层出不穷。funNLP 存储库是了解提示工程最新进展的宝贵枢纽。