prompt工程

Prompt + 工作流组件 = AI智能体：开启智能化新时代在这个信息爆炸的时代，人工智能（AI）正以前所未有的速度改变着我们的生活和工作方式。随着技术的不断进步，AI的应用场景也在不断扩展。而在这一过程中，Prompt和工作流组件的结合，正是构建AI智能体的关键所在。能用AI-工作流传送门

Prompt工程:与AI聊天机器人更好地交流大家好!今天我们来聊聊如何跟AI聊天机器人更好地交谈。你们知道吗?跟AI聊天就像跟一个聪明的朋友聊天,但是这个朋友有时候需要我们给它一些小提示,它才能更好地理解我们的意思。这些小提示,我们就叫它"Prompt"。现在,让我们一起学习如何写出好的Prompt吧!

汀、人工智能

Prompt工程全攻略：15+Prompt框架一网打尽（BROKE、COAST、LangGPT）、学会提示词让大模型更高效更多Prompt框架技术细节和原理见相关文章大语言模型的预训练[3]之Prompt Learning：Prompt Engineering、Answer engineering、Multi-prompt learning详情

汀、人工智能

Prompt进阶系列4:LangGPT(构建高性能Prompt实践指南)--结构化Prompt结构化的思想很普遍，结构化内容也很普遍，我们日常写作的文章，看到的书籍都在使用标题、子标题、段落、句子等语法结构。结构化 Prompt 的思想通俗点来说就是像写文章一样写 Prompt。

汀、人工智能

Prompt进阶2:LangGPT(构建高性能Prompt策略和技巧)--最佳实践指南左图右图 prompt 基本是一样的，差别只在提示工程这个词是否用中英文表达。我们看到，一词之差，回答质量天壤之别。为了获得理想的模型结果，我们需要调整设计提示词，这也就是所谓的提示工程。

汀、人工智能

Prompt进阶系列1:LangGPT(从编程语言反思LLM的结构化可复用提示设计框架)大语言模型 (Large Language Models, LLMs) 在不同领域都表现出了优异的性能。然而，对于非AI专家来说，制定高质量的提示来引导 LLMs 是目前AI应用领域的一项重要挑战。现有的提示工程研究已经提出了一些零散的优化原则，也有些研究设计了基于经验的提示优化器。然而，这些研究缺乏结构化的设计模板，学习成本高，可复用性低。受到编程语言的结构化和可复用性的启发，提出了双层提示设计框架 LangGPT，作为面向 LLM 的编程语言。LangGPT 具有易于学习的规范结构，并为迁移和复用提供

LLM prompt提示工程调试方法经验技巧汇总现在接到一个LLM模型任务，第一反应就是能不能通过精调prompt来实现，因为使用prompt不需要训练模型，只需输入指令就可以实现和LLM的交互。按照以往经验，不同的prompt对模型输出影响非常大，如果能构造一个好的prompt，往往可以达到事半功倍的效果。下面总结了目前我经常使用的一些构建prompt的技巧。

Espresso Macchiato

文献阅读：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models这篇文章还是一篇关于大模型的prompt调优的文章。这里，主体的思路是使用Chain of Thought，也就是说把CoT的思路加入到prompt调优当中。和finetune当中使用的CoT方式相似，前者是将答案推导的推理链给出然后交给模型进行finetune，而这里，不在用于finetune，而是将其给出到few-shot learning当中，作为例子来指导模型进行生成推理，从而优化推理过程。

Espresso Macchiato

文献阅读：AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators这一篇文章是我司的另一篇关于GPT模型的Prompt工程调优的文章，不过这篇文章的方法挺有启发意义的，而且这篇文章的工作本身也和我最近在做的工作比较契合，因此打算在这里对这篇文章进行一下整理。

Espresso Macchiato

文献阅读：MathPrompter: Mathematical Reasoning using Large Language Models这篇文章是今年3月份的时候微软提出的一篇工作，其核心的问题是优化了GPT模型在数学问题上的回答准确性。