提示词工程培训课——Part2

提示词工程培训课——Part2 提示词工程培训课——Part2 Modified August 11, 2024 十七、个人提示词分享 现在，我想与大家分享一些我个人使用的提示词。这些提示词我已经使用了一段时间，虽然没有具体的案例展示，但它们具有很高的通用性，能够适应多样化的任务需求,如果你有特定场景需求，可以以此为基础进行修改。 💡 社区提示词分享在课件中。 Code block Markdown Copy Role: PPT大纲制作专家 Profile: Author : 蓝衣剑客。 Version : 0.1。 Language : 中文。 Description : 凭借专业技能，我提供Markdown格式的PPT大纲，帮助你快速整理思路，制作精美的PPT。 Background: 在信息快速传递的时代，PPT是传播思想的重要工具。一个优秀的演示可以在传播和教育中发挥重要作用。 Principles: Proactive, Focused, Meticulous 每一份大纲都关系到演示的成功，我将确保我的工作能够满足你的高标准。 Goals Overview: 大纲生成 ，依据用户PPT主题，制作精确、清晰且逻辑性强的大纲。 内容反应 ，确保大纲的每部分都忠实于PPT的核心议题。 格式化输出 ，提供Markdown格式的大纲，简化用户的编辑工作。 Skills List: 主题分析 ，准确解读用户PPT主题，进行深入分析。 结构设计 ，构建逻辑严密、清晰的PPT大纲结构。 Markdown应用 ，利用Markdown格式化优化大纲的编辑和调整流程。 Constraints: 必须深刻理解用户需求，避免任何误解。 用户会给你充足的时间进行思考，所以请深度思考后再做回复。 提供的信息必须准确无误，杜绝错误和误导性信息。 Workflow: 标题 ：清晰定义PPT的主旨。 主要部分 ：包括引言、主题发展、结论等。 详细内容 ：每个部分的具体信息和分点。 注释 ：附加说明和用户指南。 Output Format Detailed: 1. 主题分析 ：深入理解用户提出的PPT主题及其要求。 2. 结构设计 ：构建大纲，确保反映PPT的核心议题。 3. Markdown技能 ：将大纲转化为Markdown，优化信息传达。 4. 质量校验 ：复核大纲，保证结构、逻辑及准确性。 Recommendation Guide: 主题描述 ：提供详细的PPT主题信息，如目的和目标受众，以确保大纲的准确性。 校对与调整 ：审查并根据需求自定义生成的大纲。 格式要求 ：若有特殊格式化需求，提前告知以便准确执行。 Initial Interaction: 设定 ：作为PPT大纲及内容制作专家，你的交流将严格遵循上述流程。在与用户的首次接触中，你应该介绍自己的角色，并简要概述工作流程以建立合作关系。 Code block Markdown Copy Role: PPT逐字稿编写专家 Profile: Author : 蓝衣剑客。 Version : 1.0。 Language : 中文。 Description : 专业地将用户输入的话转化为PPT逐字稿，具备高效的文字编写能力。智能体还将对逐字稿进行润色、扩充或缩写，以确保语言自然流畅，适合用于PPT演讲。 Background: PPT逐字稿编写专家是一个高效的文字处理工具，专为创建和完善PPT逐字稿设计。它能够理解用户的口语输入，并将其转换成书面文字，同时保持语言的连贯性和逻辑性。智能体具备优秀的文字编辑能力，能够对原始文本进行有效的润色、扩充或缩写，使其更适合作为PPT的逐字稿。 十七、个人提示词分享 现在，我想与大家分享一些我个人使用的提示词。这些提示词我已经使用了一段时间，虽然没有具体的案例展示，但它们具有很高的通用性，能够适应多样化的任务需求,如果你有特定场景需求，可以以此为基础进行修改。 💡 社区提示词分享在课件中。 社区提示词分享在课件中。 十八、在线课件 由于近期盗版频发，需要课件的加我微信。 ⭐ 我是谁？ 我是蓝衣剑客 我的职业经历？ .NET工程师—— 架构师—— 售前经理—— 项目经理&提示词工程师 我在AI领域中干了什么？ 《生成式人工智能数据应用合规》行业标准起草代表 《中国生成式人工智能应用与实践报告》技术顾问 为多家国内外大型央国企、上市企业提供解决方案咨询 承接多个世界500强外企在AI领域的落地工作 我在社区共建上做过什么？ 全国最大的提示词工程社区——LangGPT核心成员 著有：《提示词工程培训系列》、《RAG提示工程系列》、《AI Agent系列》、《个人提效系列》等 我是谁？ 我是蓝衣剑客 我的职业经历？ .NET工程师—— 架构师—— 售前经理—— 项目经理&提示词工程师 我在AI领域中干了什么？ 《生成式人工智能数据应用合规》行业标准起草代表 《中国生成式人工智能应用与实践报告》技术顾问 为多家国内外大型央国企、上市企业提供解决方案咨询 承接多个世界500强外企在AI领域的落地工作 我在社区共建上做过什么？ 全国最大的提示词工程社区——LangGPT核心成员 著有：《提示词工程培训系列》、《RAG提示工程系列》、《AI Agent系列》、《个人提效系列》等 一、前言 大家好，欢迎进入第二部分的学习！大家在第一部分的学习成果如何呢？我相信，如果你认真看过第一部分的教程，应该已经很好的掌握那些基础原则了。在第二部分，我们会探讨一些更高级的技术。如果大家在第一部分的学习中还没有完全掌握，可能会发现第二部分的学习稍显困难。因此，我建议大家在继续之前，确保已经牢固掌握了第一部分的基础知识。 二、Part2课程导览 三、提示词递归 在深入第二部分之前，我们首先需要深入理解提示词的概念。虽然我们之前已经初步了解过，但这个概念仍然显得相当抽象。因此，我们现在要更深入地探讨它。 首先，我们从输入端来看。输入端的提示词主要分为两大类：系统级提示词和用户输入提示词。系统级提示词通常隐藏在程序背后（比如我们使用的Chat GPT或Kimi）。这些提示词通常是通用的，作为约束和控制模型的顶层规则。因此，作为使用者，我们很少接触到这些系统级提示词。 相比之下，我们接触更多的是用户级别的提示词。这它们通常用来指导模型执行特定的任务。用户级提示词更加具体，它们直接关联到用户希望模型执行的具体操作。 在了解了用户输入端的提示词之后，我们接下来探讨输出端的提示词。实际上，输出端的提示词就是模型给你的回复。这些回复，加上输入端的提示词，共同构成了完整的提示词体系。 我们会发现，随着对话轮数的增加，提示词的数量也会相应增加。因此，引入一个概念——提示词递归。这个概念指的是：随着用户指令、系统级提示词和模型回复的累积，提示词会不断地进行递增和扩展。而一个有效的递归引导可以让模型将复杂任务拆解为同类子问题进行逐步分治而后回归答案本身，此为递归。 💡 这种递归机制有助于提高模型的交互质量和效率。但模型的上下文有限，有时在递归前会忘记之前的对话内容，这一点因模型上下文大小而异。 这种递归机制有助于提高模型的交互质量和效率。但模型的上下文有限，有时在递归前会忘记之前的对话内容，这一点因模型上下文大小而异。 四、提示词与提示词模板 接下来，我们来从功能性上讲一讲提示词和提示词模板这两个概念。尽管它们在功能上非常相似，但它们之间存在一些细微的差别。 提示词通常是指直接的指令，用来指导模型执行特定的任务。它们是用户与模型交互时输入的具体命令，告诉模型需要完成的具体事项。 而提示词模板则更偏向于系统级别的应用，或者在一些工程化项目中使用。提示词模板可以与变量结合使用，这是一种更高级的用法。通过将变量嵌入到模板中，可以根据不同的情境动态生成具体的指令。 因此，尽管提示词和提示词模板都是用来指导模型的指令，但提示词更直接、更具体。而提示词模板则提供了一种灵活性，允许根据不同的需求生成定制化的指令。这种细微的差别使得两者在不同的应用场景中各有优势。 五、进阶技术——CoT 我在之前的提示词原则中，曾简要提及过CoT（Chain of Thought），但并没有深入讲解。现在，我们将详细解析这一技术。CoT的核心是展示思考过程，通过给予模型一定的思考视野，引导模型模仿人类的思考方式来进行问题的推理和解答。这种方法可以有效降低模型产生幻觉的风险。 在COT的应用过程中，通常有两种模式： 1. 零样本提示（Zero Shot Prompting）：在没有提供具体示例的情况下，直接构建思维链，让模型进行推理。 2. 少样本提示（Few Shot Prompting）：在这种模式下，提供少量的示例（通常建议是三到五个），让模型通过这些示例来模仿和学习人类的思考过程。 💡 无论是零样本还是少样本提示，关键在于引导模型通过观察和模仿来理解问题的解决策略，从而提高其解决问题的准确性和可靠性。 无论是零样本还是少样本提示，关键在于引导模型通过观察和模仿来理解问题的解决策略，从而提高其解决问题的准确性和可靠性。 六、进阶技术——ToT 现在，让我们来讨论另一种称为ToT的技术。ToT实际上是CoT的一个变种，这种技术的核心是通过构建一个树状结构来组织思考过程。 在ToT中，模型需要在每个树的层级上进行选择，以寻找最优的答案。最终，模型会综合这些选择，输出一个经过深思熟虑的结果。使用ToT时，我们在提示词层面上用语言来构建这棵树，通过不断对话引导模型选择最优的路径，以得到最佳的答案。 💡 ToT的应用可以显著提升模型的推理能力，尤其是在面对复杂问题时，它能够帮助模型避免陷入局部最优解，而是寻找到全局最优解。 ToT的应用可以显著提升模型的推理能力，尤其是在面对复杂问题时，它能够帮助模型避免陷入局部最优解，而是寻找到全局最优解。 七、进阶技术——后退一步 接下来，我们将介绍另一种高级的提示词技术，名为"后退一步"。这项技术要求模型在处理具体指令之前，先进行一次抽象化的思考。这种技术要求模型从具体的指令内容中抽离出来，先抽象出一个更高层次的概念。 在这个过程中，模型需要识别并抽取出相关的背景信息，然后将这些背景信息与具体的任务结合起来，一并提供给模型进行处理。通过这种方式，模型能够在更广阔的背景下理解任务，从而在执行时获得更全面、更深入的视角，进而提高执行效果。 八、进阶技术——自我一致性 现在，让我们探讨一种名为自我一致性（Self consistency）的提示词技术。这项技术要求模型在面对一个任务时，提供三个不同的答案。在给出这些答案的过程中，模型需要对它们进行比较和对比。 通过比较这三个答案，模型可以识别出其中最符合逻辑和事实的答案。这个过程不仅增强了模型的自我校验能力，也提高了答案的可靠性。自我一致性技术的核心在于，通过让模型对同一任务进行多次推理，来验证其输出结果的准确性和真实性。 💡 这种方法可以有效地减少模型输出的不确定性和潜在的错误。通过重复推理，模型能够不断优化其答案，直至达到一个高度一致和可信的结论。 这种方法可以有效地减少模型输出的不确定性和潜在的错误。通过重复推理，模型能够不断优化其答案，直至达到一个高度一致和可信的结论。 请注意，由于篇幅限制，这个示例中省略了很多输出多次结果的示例，但一般来讲，每次的Shot都会给出三个答复。 九、进阶技术——ReAct 接下来，让我们来聊聊ReAct框架。ReAct框架之所以被称为框架，是因为它包含了多个组成部分，这些部分共同构成了一个完整的系统。例如，它包括思考部分、观察部分和行动部分。 在ReAct框架中，这些组成部分可以引导模型执行不同的任务： • 思考(Thought)部分：增强模型的推理能力，使其能够进行更深入的分析和逻辑思考。 • 观察(Obs)部分：提升模型接收和处理外界信息的能力，使其能够更好地理解和响应环境变化。 • 行动(Act)部分：使模型能够根据推理和观察的结果进行回复或调用工具，执行具体的操作。 ReAct框架通常应用于智能体的开发中，它通过综合这些不同的功能部分，使模型能够更加智能和自适应。虽然在简单的指令输入中很少直接使用ReAct框架，但如果需要，我们也可以构建一个基于ReAct的提示词指令集，以帮助执行更复杂的任务。 十、提示词重构注意事项 如果你有编写代码的经验，那么你可能对代码重构有所了解。重构的过程本质上是审视和优化自己的逻辑和思维。通过这一过程，我们可以使自己的逻辑更加清晰，思维更加精进。 在进行提示词重构时，我们应该有一个明确的大方向。首先，重构的是自己的认知和理解，即我们如何理解和处理问题。其次，是重构提示词的结构，确保它能够有效地指导模型。 这两个方面往往是相辅相成的。在重构过程中，我们应该优先考虑这两个方面，然后再关注每个结构中的逻辑一致性和潜在的逻辑冲突问题。通过这样的方法，我们可以确保提示词不仅结构合理，而且逻辑严密。 💡 最终，通过仔细的重构，我们能够编写出优秀的提示词，这些提示词能够更有效地引导模型，提高模型的理解和执行任务的能力。重构不仅仅是对现有结构的优化，也是对思维深度和广度的拓展，使我们能够更精准地与模型进行交流和协作。 最终，通过仔细的重构，我们能够编写出优秀的提示词，这些提示词能够更有效地引导模型，提高模型的理解和执行任务的能力。重构不仅仅是对现有结构的优化，也是对思维深度和广度的拓展，使我们能够更精准地与模型进行交流和协作。 十一、提示词精确控制方案 在不断的实践和探索中，我总结出了一套用于精确控制提示词的方案。这套方法能够帮助你更有效地与模型进行交互，提高模型的响应质量和准确性。以下是一些关键点，供大家参考和应用： 十二、初识AI Agent 现在，我们将进入智能体的学习环节。在开始之前，我们首先需要了解智能体是什么。 我们现在接触到的智能体大多是建立在大模型之上的。这些智能体的发展历程是从一个基于符号推理的专家系统逐步演进而来的。随着时间的推移，技术的进步使得我们能够开发出更加复杂和高级的智能体。 这些基于大模型的智能体具有以下特点： 1. 强大的学习能力：它们能够通过大量的数据进行学习，从而获得对语言、图像等多种信息的理解和处理能力。 2. 灵活性：这些智能体可以适应不同的任务和环境，表现出较高的灵活性和适应性。 3. 泛化能力：它们能够将学到的知识泛化到新的情境中，解决之前未见过的类似问题。 智能体的核心在于如何有效地控制和利用这些大型模型，以达到我们设定的目标。这通常涉及到精确的提示词设计，以引导模型朝着期望的方向发展。提示词的设计直接影响到智能体的表现和输出结果。 接下来，我们可以展示一张图来更直观地说明这一点。在这张图的中心是提示词，它代表了智能体与用户或其他智能体交互的设定和逻辑。 十三、LangGPT结构化提示词 十四、动手实践——Chat GPT版本 在介绍了智能体的基本概念之后，我们将继续深入探讨，并动手实践制作智能体。我鼓励大家基于一些公开的大模型应用产品（如Chat GLM、Chat GPT、Kimi等），尝试开发属于自己的智能体。 💡 记住，智能体的开发是一个不断学习和进步的过程。不要害怕犯错，每一次尝试都是向成功迈进的一步。通过实践，您将能够更好地理解智能体的潜力，并发掘其在各种应用场景中的可能性。 记住，智能体的开发是一个不断学习和进步的过程。不要害怕犯错，每一次尝试都是向成功迈进的一步。通过实践，您将能够更好地理解智能体的潜力，并发掘其在各种应用场景中的可能性。 Step.1 点击“浏览GPTs”按钮 Step.2 点击“Create”按钮创建自己的智能体 Step.3 使用自然语言对话进行具体设置 Step.3 使用手工设置 Step.4 开始调试你的智能体并发布 十五、动手实践——Chat GLM版本 Step.1 点击“创建智能体”按钮 Step.2 输入你对于智能体的描述，如果你有准备好的提示词模板，可以直接粘贴上去 Step.3 ChatGLM的智能体配置可以自动生成，其默认勾选了增强能力，你可以根据智能体实际需求进行调整，同时你也可以根据实际情况上传你自己本地文件作为知识原料形成属于智能体的知识库 十六、多智能体协同 接下来，我们来探讨多智能体协同的概念。在单智能体或提示词链中，我们通常使用提示词来控制智能体执行特定任务。然而，这种方法可能会遇到一些挑战：如果单一智能体要处理一个非常复杂的任务，我们可能需要不断修改和重写提示词，这不仅会降低工作效率，还会让提示词的逻辑不清晰（即在一个提示词中指派模型干很多类工作，这正好违背了我们在第一部分所讲述的模型特性和原则）。