提示工程资源, 案例集

提示工程 这个词是随着生成式 AI 诞生的, 尤其是 2020 年 GPT-3 和 2021 年 Disco Diffusion 的发布, 引发了提示工程热潮. 由于生成文本 和 绘画质量好坏, 跟提示词的好坏有很重要的关系, 于是人们开始研究, 怎样设计提示词, 提示工程就流行了起来.

随着大模型能力提升, 提示工程似乎没那么重要了, 现在能用比较普通和直白的语言, 就能得到不错的答案. 但对于更专业性, 更复杂的应用场景, 提示工程还是非常重要的, 同时, 个人的语言表达能力, 现在变得更加重要. “学好数理化, 走遍天下都不怕”, 即将变成 “学好语文和英语, 开口世界归自己”, 真是风水轮流转, 相信开口就能把事情做了的时代就在不远的将来. 翻译软件越来越强大, 英语对大多数人可能不再重要, 但对于想改变世界, 创造 AI 而不是使用 AI, 站在科技风口浪尖的人来说, 仍然极为重要.

写好提示词 或者说 准确地表达, 是基础中的基础, 无论 AI 写作, AI 绘画, AI 音乐, AI 视频, 用 AI 来学习, 用 AI 来解决各种问题, 以及 测试和调整大模型等等, 归根到底要语言基本功扎实, 才能准确高效的得到结果.

我现在每天都离不开 ChatGPT(或者其他 AI). 我相信, AI 一定会成为每一个人时时刻刻陪伴在身边的超级大脑, 于是我决定搜非常棒的提示工程资料, 教程, 案例等放这里, 以便随时查阅.

提示工程 (Prompt Engineering): 是指为 AI 模型设计和优化输入文本（即“提示”或“指令”）的过程，以确保模型生成的输出符合预期或更高质量。提示工程包括选择合适的语言、结构、语境和细节来指导 AI 生成更准确、相关、有用或创造性的响应。

提示工程（Prompt Engineering）的作用:

• 提高输出质量：通过精心设计的提示，可以显著提高 AI 模型的输出准确性和相关性。

• 减少偏见和错误：良好的提示可以帮助减少 AI 生成的内容中的偏见或错误，因为它引导模型关注正确的方面。

• 增强用户体验：在应用中，用户与 AI 的交互体验很大程度上依赖于提示的质量，好的提示可以让用户更容易获得所需信息或服务。

• 创新和创造力：在生成性任务中，如文本生成、图像创建等，提示工程可以激发模型的创造性输出，推动应用的创新。

• 效率提升：精确的提示可以减少后续的修订工作，提高生成内容的效率。

提示工程（Prompt Engineering）的学习方法:

• 理解基础知识：

学习 AI 模型的工作原理，特别是如何处理和理解语言输入。了解你所使用的 AI 模型的特性，如其训练数据、预置的偏见或特定的能力。

• 实践与试错：

进行大量的实践，尝试不同的提示结构、语言风格、长度和复杂度。使用A/B测试来比较不同提示的效果，分析哪些元素对输出质量产生影响。

• 学习社区资源：

参与 AI 和 NLP （自然语言处理）的社区，如 GitHub 上的项目、论坛（如Reddit）、Stack Overflow等，学习他人的提示工程实践和技巧。查看开源的提示库或模型文档中提供的示例提示。

• 迭代优化：

基于反馈和生成的输出不断优化你的提示。每次迭代都应该尝试改进一个或几个元素。使用工具或脚本来自动化提示的测试和评价过程。

• 专门化学习：

根据具体应用领域（如法律、医学、客服等）学习行业特定术语和交流方式，以便设计更专业的提示。

• 学习心理学和语言学：

了解语言如何影响思维和行为可以帮助设计更有效的提示。研究语言学可以帮助优化语法、语义和语用学方面的提示。

• 课程和培训：

参与在线课程或工作坊，这些课程可能专注于 NLP 或 AI 应用中的提示工程。

• 保持更新：

AI 技术发展迅速，保持对新模型、技术和最佳实践的关注是必要的。

• 提示工程资源整理