【新书】生成式AI的提示工程：为可靠的AI输出提供面向未来的输入

大型语言模型（LLM）和扩散模型（如ChatGPT和Stable Diffusion）具有前所未有的潜力。由于它们在互联网上的所有公开文本和图像上进行了训练，它们可以为各种任务做出有用的贡献。今天，进入门槛大大降低，几乎任何开发人员都可以利用LLM和扩散模型来解决以前不适合自动化的问题。 通过这本书，您将获得生成式AI的坚实基础，包括如何在实践中应用这些模型。当首次将LLM和扩散模型整合到他们的工作流程中时，大多数开发人员会发现很难从它们中获得足够可靠的结果以用于自动化系统。作者James Phoenix和Mike Taylor向您展示了一套名为提示工程的原则，这些原则可以帮助您有效地与AI合作。 学习如何让AI为您服务。这本书解释了：

• 您的程序AI模型的交互链结构以及其中的细化步骤
• AI模型请求如何通过将应用问题转化为模型训练领域中的文档完成问题而产生
• LLM和扩散模型架构的影响——以及如何最好地与之互动
• 这些原则如何在自然语言处理、文本和图像生成以及代码领域的实践中应用 评价： “这是我读过的关于提示工程的最好的书籍资源。Mike和James是这门艺术的高手。” ——Dan Shipper，Every联合创始人兼CEO “这本书是对提示工程和生成式AI基础知识的扎实介绍。作者以简单、实用、易于理解的方式，涵盖了从初学者到高级用户的一系列有用技术。如果您希望提高AI系统的准确性和可靠性，这本书应该在您的书架上。” ——Mayo Oshin，Siennai Analytics创始人兼CEO，早期LangChain贡献者 “Phoenix和Taylor的指南是生成式AI广阔海洋中的灯塔。这本书成为我们在Phiture AI Labs团队的基石，因为我们学习如何利用LLM和扩散模型创建与客户应用和游戏本质相符的营销资产。通过提示工程，我们能够大规模生成定制的、符合品牌的内容。这不仅仅是理论；这是一个实际的实践课，教你如何将AI的潜力转化为定制解决方案，对于希望提升AI整合到新高度的开发人员来说，这是必读书。” ——Moritz Daan，Phiture Mobile Growth Consultancy创始人兼合伙人 “提示工程对于生成式AI可能是未来最具前瞻性的方法。这无疑是任何从事AI实际应用的人最好的资源。书中丰富且精炼的原则将帮助新老AI工程师在未来保持领先地位。” ——Ellis Crosby，Incremento CTO兼联合创始人 “这是针对代理和服务专业人员的必备指南。通过自动化管理将AI与服务和客户交付相结合，加快解决方案速度，将设立新的行业标准。您将在书中找到有用、实用的信息和战术，使您能够全面了解和利用AI。” ——Byron Tassoni-Resch，WeDiscover CEO兼联合创始人 来自作者： 自2020年GPT-3测试版以来，我们一直在进行提示工程，而当GPT-4到来时，我们发现许多以前使用的技巧和技巧不再必要。这促使我们定义了一套面向未来的原则，这些原则可以跨模型和模态传递，即使在未来使用GPT-5或其他模型时也依然有用。 提示的五大原则是：

1. 给出方向：详细描述所需的风格，或参考相关角色。
2. 指定格式：定义要遵循的规则和响应的结构。
3. 提供示例：插入一组多样的测试案例，其中任务已正确完成。
4. 评估质量：识别错误并对响应进行评级，测试什么驱动性能。
5. 分工合作：将任务分解为多个步骤，链式完成复杂目标。 我们于2022年7月首次以博客文章形式发布了这些原则，它们经受住了时间的考验，包括与OpenAI自己的一年后发布的提示工程指南有相当大的对应。任何与生成式AI密切合作的人可能都会趋向于采用类似的策略来解决常见问题，但这本书旨在让您更快地达到目的。 在整本书中，您会看到数百个提示技巧的示例，包括文本和图像提示，以及使用Python构建AI自动化脚本和产品。这不仅仅是一份提示技巧清单，而是一本关于构建系统的实用指南，这些系统为AI应用程序提供了正确的上下文，并教您如何测试和扩展生产中的AI系统。 如果以下情况，这本书将对您有用：

• 您的时间价值超过每小时40美元，读这本书可以节省您从多个来源拼凑信息的几小时。
• 您不仅是随便使用AI，而是在构建一个AI应用程序或内部模板，许多人每天会使用数百或数千次。
• 您希望减少幻觉并提高AI的可靠性，同时学习数百个解决AI常见问题的真实示例。
• 您想比较OpenAI与其他模型的优缺点，以及常见框架如LangChain、不同的向量数据库选项和AUTOMATIC1111
• 您希望看到从一个简单提示到一个完整AI代理的端到端AI应用程序的构建过程，包括使用Gradio构建基本用户界面