欢迎参加这个关于为开发者设计的ChatGPT提示工程课程。
我很高兴有Isa Fulford和我一起教授这个课程。她是OpenAI的技术团队成员，开发了广受欢迎的ChatGPT检索插件，她的很大一部分工作是教人们如何在产品中使用LLM或大型语言模型技术。她还为OpenAI Cookbook做出了贡献，该书教授人们如何使用提示。很高兴有你加入。
我也很高兴在这里和大家分享一些提示的最佳实践。
因此，互联网上有很多关于提示的材料，比如"每个人都必须知道的30个提示"。这些主要集中在ChatGPT的网络用户界面上，许多人使用它来执行特定的、通常是一次性的任务。但是，我认为作为开发者工具的LLMs，即使用API调用LLMs快速构建软件应用程序的能力，仍然被低估了。
事实上，我在AI Fund的团队，这是DeepLearning.ai的姐妹公司，一直在和许多初创公司合作，将这些技术应用于许多不同的应用中，看到LLM API能让开发者非常快速地构建什么，这很令人兴奋。因此，在本课程中，我们将与您分享一些您可以做的事情，以及如何做的最佳实践。
有很多材料需要涵盖。首先，你将学习一些用于软件开发的提示最佳实践，然后我们将介绍一些常见的用例，如总结、推断、转换、扩展，然后你将使用LLM构建一个聊天机器人。我们希望这能激发您构建新应用程序的想象力。
因此，在大型语言模型或LLM的发展中，大致有两种类型的LLM，我将称之为基础LLM和指令调优LLM。
所以，基础LLM经过训练，可以根据文本训练数据预测下一个词，通常在大量来自互联网和其他来源的数据上进行训练，以弄清楚下一个最可能的词是什么。例如，如果你提示我们从前有一只独角兽，它可能会完成这个，也就是预测接下来的几个词是住在一个神奇的森林里，和所有独角兽朋友在一起。
但如果你提示我们法国的首都是什么，那么根据互联网上的文章可能包含的内容，基础LLM很可能会完成这个，比如法国最大的城市是什么，法国的人口是多少等，因为互联网上的文章很可能是关于法国的问题列表。
相比之下，一个指令调优LLM，这是LLM研究和实践的很大动力所在，一个指令调优LLM经过训练，可以遵循指令。因此，如果你问它法国的首都是什么，它更有可能输出类似于法国的首都是巴黎的内容。所以，通常训练指令调优LLM的方法是，首先用大量文本数据训练一个基础LLM，然后进一步用指令和尝试遵循这些指令的输入和输出来训练它，然后通常进一步使用一种称为RLHF（来自人类反馈的强化学习）的技术进行精炼，使系统更能够提供帮助并遵循指示。
因为经过指令调优的LLM已经被训练得有益、诚实且无害，所以例如，它们不太可能输出像基础LLM那样可能出现问题的文本，如有毒的输出，许多实际使用场景已经转向了指令调优的LLM。你在互联网上找到的一些最佳实践可能更适合基础的LLM，但对于今天的大多数实际应用，我们会建议大多数人更关注指令调优的LLM，这些LLM更易于使用，而且由于OpenAI和其他LLM公司的工作，它们变得更安全，更符合要求。 因此，本课程将重点介绍指令调优LLM的最佳实践，这也是我们建议你在大多数应用中使用的。在继续之前，我只想感谢OpenAI和DeepLearning.ai的团队，他们为Isa和我将要演讲的材料做出了贡献。我非常感谢来自OpenAI的Andrew Mayne、Joe Palermo、Boris Power、Ted Sanders和Lillian Weng，他们与我们一起参与了素材的头脑风暴，审查素材，为这个短期课程制定了课程。我也感谢DeepLearning团队的Geoff Lodwig、Eddy Shyu和Tommy Nelson的工作。
因此，当你使用一个指令调优的LLM时，想象你是在给另一个人，比如一个聪明但不了解你的任务细节的人，给出指示。所以，当一个LLM不起作用时，有时是因为指示不够清楚。例如，如果你说，写一些关于艾伦·图灵的东西。除此之外，明确你希望文本重点放在他的科学工作、个人生活、历史角色或其他方面，也会有帮助。如果你能明确你希望文本的语气，是应该像职业记者写的那样，还是更像你给朋友草草写的一封便签？这对LLM生成你想要的东西有帮助。
当然，如果你想象自己让一个刚毕业的大学生为你执行这项任务，如果你甚至可以指定他们应该提前阅读什么样的文本片段，以便写这篇关于艾伦·图灵的文章，那么这会更好地为这个新鲜的大学毕业生成功执行这项任务。所以，在接下来的视频中，你会看到如何明确和具体，这是提示LLM的一个重要原则。你还会从Isa那里学到一个提示的第二个原则，那就是给LLM时间思考。所以，让我们继续下一个视频。