番禺网站建设哪里好,十堰做网站排名,网站title是什么,大连做网站孙晓龙前言
Prompt提示语是使用大模型解决实际问题的最直接的方式#xff0c;本篇介绍Prompt提示工程常用的技巧#xff0c;包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。 内容摘要
Prompt提示工程简述Prompt的一般结构介绍零样本提示Zero-Shot少样本提示Few-Sho…前言
Prompt提示语是使用大模型解决实际问题的最直接的方式本篇介绍Prompt提示工程常用的技巧包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。 内容摘要
Prompt提示工程简述Prompt的一般结构介绍零样本提示Zero-Shot少样本提示Few-Shot思维链提示CoT任务分解Least-to-Most Prompt提示工程简述
Prompt提示语指的是设计和编写提示文本以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西合适的Prompt对于提示学习的效果至关重要因此产生了提示工程专门研究如何设计Prompt目的是找到最优的提示语使得模型的性能和效率达到最高以适应不同的任务和应用场景。 对各种模型设计不同的Prompt Prompt的一般结构介绍
Prompt的一般结构包含4个部分任务指令、背景信息、附加内容、输出要求
任务指令明确给到大模型需要执行的任务比如扮演角色身份给出内容方案背景信息提供任务和上下文背景从而生成更相关的输出附加内容额外补充信息包括领域知识库参考样例等等输出要求指定输出的格式比如JSON格式限定输出在某几个选项内限制不允许编造成分等等
Prompt中并非要包含以上所有部分可以根据需要自行组合搭配。举个例子需要让大模型输出一个去苏州旅游的攻略Prompt结构如下 Prompt结构式例 零样本提示Zero-Shot
零样本提示Zero-Shot是指没有任何相关数据的参照下直接对模型进行提问用自然语言指令让模型输出内容完成一个任务例如用通过对话模型生成式地完成情感分类任务 通过Zero-Shot进行情感分类
再例如完成命名实体识别的任务提取出文本中的关键要素从提取结果来看完全正确且没有遗漏但是格式并没有按照要求的JSON来 Zero-Shot完成命名实体识别
Zero-Shot这种方式最为方便但是由于没有任何相关数据给到模型参照所以模型可能难以彻底按照任务要求和输出要求进行文本生成尤其是对于难以用自然语言来描述清楚的任务。 少样本提示Few-Shot
少样本提示Few-Shot是指在用自然语言描述的任务中加入少量相关的任务例子使得模型更加充分地理解任务的目标和输出要求增加任务完成的准确性还是以情感分类为例对模型进行Few-Shot如下 通过Few-Shot进行情感分类
同理针对命名实体识别也可以给到一些例子Few-Shot如下 Few-Shot完成命名实体识别提问
模型生成内容如下模型提取得非常准确并且模型参照了给的例子进行了JSON格式的输出而在Zero-Shot中并虽然提示语句中要求了JSON格式但并没有按照JSON生成由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成 Few-Shot完成命名实体识别结果
特别的当给到的参考例子只有一条时此时属于One-Shot提示。 思维链提示CoT
思维链提示Chain-of-ThoughtCoT常用于推理规划类问题包括逻辑推理数学推理常识推理等相比于语言语境能力推理问题对于大语言模型而言更难因为对于推理问题大模型的训练是把推理结果作为下一个词直接预测而忽略了中间的思考过程而人类在面对推理问题时往往是逐步求解最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程再逐步运算生成答案。 以一个简单的数学题问大模型Chatglm2-6B让模型计算出最后的结果采用直接提问的方式问题和回答如下 直接提问推理问题
很明显模型回答的是错误的正确答案应该是11我们采用思维链提示的方式再试一次具体是给到模型一条类似的题目并且告诉模型解题步骤解题步骤包括中间过程和最终的结果使得对该类问题模型采用这种逐步的思考方式进行回答提问和回答如下 思维链的方式提问推理问题
显然模型回答正确且逻辑清晰中间过程和结果都回答得很好。 除了给到参考解题例子之外研究人员提出零样本思维链提示只需要在问题结尾加上**”让我们逐步思考“**这个魔法语句模型就能够实现逐步推理我们以这种方式进行提问试验一下 零样本思维链提示回答推理问题
同样得到了正确的结果显然思维链提示CoT对于推理问题比直接提问更有效。 任务分解Least-to-Most
任务分解也被叫作由少到多提示Least-to-Most旨在当面对复杂提问时将其转化为多个容易解决的子问题并逐一解决它们得到最后的结果。任务分解的方式和思维链类似区别在于任务分解会进行多轮问答并且之前子问题的回答会加入到下一次的提问中相当于逐步填充问题的上下文降低复杂多步推理问题的难度。 我们同样先做对比对模型直接提问一个计算题问题和回答如下 直接对模型提问复杂问题
很明显答案错误正确答案应该是5桶。下面我们采用任务分解的形式首先提问模型解决这个问题需要先完成哪个子问题 回答子问题是什么
模型说了一大堆第一句话就已经回答出了子问题即要先解决购物劵总额的问题我们将这个问题加入到原始提问中让模型先回答出这个子问题的答案 回答子问题的答案
子问题回答正确购物劵总额是500元下一步就可以直通最终问题了我们将子问题和子问题的答案拼接到原始提问上形成最终的Prompt 最终模型回答为5桶回答正确且模型回答的逻辑清晰完美印证了任务分解这种方式能够提高对复杂问题的推理准确性全文完毕。
如何系统的去学习大模型LLM
作为一名热心肠的互联网老兵我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
有需要的小伙伴可以V扫描下方二维码免费领取 一、全套AGI大模型学习路线
AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能 二、640套AI大模型报告合集
这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。 三、AI大模型经典PDF籍
随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。 四、AI大模型商业化落地方案 阶段1AI大模型时代的基础理解
目标了解AI大模型的基本概念、发展历程和核心原理。内容 L1.1 人工智能简述与大模型起源L1.2 大模型与通用人工智能L1.3 GPT模型的发展历程L1.4 模型工程L1.4.1 知识大模型L1.4.2 生产大模型L1.4.3 模型工程方法论L1.4.4 模型工程实践L1.5 GPT应用案例
阶段2AI大模型API应用开发工程
目标掌握AI大模型API的使用和开发以及相关的编程技能。内容 L2.1 API接口L2.1.1 OpenAI API接口L2.1.2 Python接口接入L2.1.3 BOT工具类框架L2.1.4 代码示例L2.2 Prompt框架L2.2.1 什么是PromptL2.2.2 Prompt框架应用现状L2.2.3 基于GPTAS的Prompt框架L2.2.4 Prompt框架与ThoughtL2.2.5 Prompt框架与提示词L2.3 流水线工程L2.3.1 流水线工程的概念L2.3.2 流水线工程的优点L2.3.3 流水线工程的应用L2.4 总结与展望
阶段3AI大模型应用架构实践
目标深入理解AI大模型的应用架构并能够进行私有化部署。内容 L3.1 Agent模型框架L3.1.1 Agent模型框架的设计理念L3.1.2 Agent模型框架的核心组件L3.1.3 Agent模型框架的实现细节L3.2 MetaGPTL3.2.1 MetaGPT的基本概念L3.2.2 MetaGPT的工作原理L3.2.3 MetaGPT的应用场景L3.3 ChatGLML3.3.1 ChatGLM的特点L3.3.2 ChatGLM的开发环境L3.3.3 ChatGLM的使用示例L3.4 LLAMAL3.4.1 LLAMA的特点L3.4.2 LLAMA的开发环境L3.4.3 LLAMA的使用示例L3.5 其他大模型介绍
阶段4AI大模型私有化部署
目标掌握多种AI大模型的私有化部署包括多模态和特定领域模型。内容 L4.1 模型私有化部署概述L4.2 模型私有化部署的关键技术L4.3 模型私有化部署的实施步骤L4.4 模型私有化部署的应用场景
学习计划
阶段11-2个月建立AI大模型的基础知识体系。阶段22-3个月专注于API应用开发能力的提升。阶段33-4个月深入实践AI大模型的应用架构和私有化部署。阶段44-5个月专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
有需要的小伙伴可以Vx扫描下方二维码免费领取
