简单的prompt工程
其实就是提问的工程
prompt实战案例
在训练层面：0-shot其实就是完全基于预训练，只是去定义任务，也就是基于已有的知识，让模型自己去推测。类似知识迁移。而在prompt层面就是使用语言描述任务，完全依靠预训练
在训练层面：Few-shot其实就是一个给出少部分样本的训练方法，其实更像引入一些新的知识，使用已有知识以及新知识综合进行推理。在prompt层面就是给出一些样例格式，让模型模仿样例来实现。
文本分类
问题
任务
流程
JSON数据格式
如果在python中将字典强行转换成为字符串，看似好像和字典转换成JSON一样。但是实际上是不同的，因为强转实际上结果是一个单引号，而转换成JSON实际上是一个双引号。虽然在python中对两个引号不进行区分。但是实际上在其他语言中是不同的
不只是字典格式，python字典列表也可以转换成JSON
JSON转字典
金融文本信息抽取
问题
prompt设计
流程
下面需要注意，本身answers是一个python字典，因此在组装提问的时候实际上要转成大模型可以看懂的JSON字符串，因此需要执行一次转换
文本匹配任务介绍
问题
prompt设计
实现
