在《开发人员的LLM提示工程》一书中,我们全面探讨了LLM的世界以及为之制定有效提示的艺术。 本指南从基础入手,探索了自早期以来自然语言处理(NLP)的演变,直到我们今天所接触到的复杂的LLM。您将深入了解如GPT模型之类的模型的复杂性,理解它们的架构、能力和细微差别。 随着我们的进展,本指南强调了有效提示工程及其最佳实践的重要性。虽然像ChatGPT(gpt-3.5)这样的LLM非常强大,但只有在有效沟通的情况下才能实现它们的全部潜力。这就是提示工程的重要性所在。这不仅仅是向模型提问;还包括措辞、上下文和理解模型的逻辑。

通过专门讲解Azure Prompt Flow、LangChain和其他工具的章节,您将获得实践经验,学会制定、测试、评分和优化提示。我们还将探讨如Few-shot Learning(少样本学习)、Chain of Thought(思维链)、Perplexity(困惑度)和ReAct以及General Knowledge Prompting(通用知识提示)等高级概念,使您全面理解该领域。

本指南旨在提供实践见解和练习,确实,随着您的进展,您将熟悉几个工具:

  • openai Python库:您将深入到OpenAI的LLM的核心,并学会如何互动和微调模型,以实现精确的、符合特定需求的输出。
  • promptfoo:您将掌握制定有效提示的艺术。在整个指南中,我们将使用promptfoo来测试和评分提示,确保它们为实现预期结果而优化。
  • LangChain:您将探索LangChain框架,该框架提升了由LLM驱动的应用。您将深入了解提示工程师如何利用这个工具的力量来测试和构建有效的提示。
  • betterprompt:在部署前,测试是必不可少的。使用betterprompt,您将确保LLM提示准备好用于现实世界的场景,并根据需要进行完善。
  • Azure Prompt Flow:您将体验Azure工具的视觉界面,简化基于LLM的AI开发。您将设计可执行的流程,整合LLM、提示和Python工具,确保对提示的艺术有一个全面的理解。

成为VIP会员查看完整内容
134

相关内容

大模型是基于海量多源数据打造的预训练模型,是对原有算法模型的技术升级和产品迭代,用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习,以实现更优的识别、理解、决策、生成效果和更低成本的开发部署方案。
【Manning2022新书】深度学习自然语言处理,296页pdf
专知会员服务
147+阅读 · 2022年10月25日
【Manning新书】面向数据编程降低软件复杂度,426页pdf
专知会员服务
75+阅读 · 2022年9月5日
【2020新书】操作反模式: DevOps解决方案, 322页pdf
专知会员服务
30+阅读 · 2020年11月8日
【2022新书】Python数据分析第三版,579页pdf
专知
16+阅读 · 2022年8月31日
国家自然科学基金
5+阅读 · 2017年6月30日
国家自然科学基金
11+阅读 · 2016年12月31日
国家自然科学基金
19+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
Arxiv
135+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
332+阅读 · 2023年3月31日
Arxiv
57+阅读 · 2023年3月26日
Arxiv
116+阅读 · 2023年3月24日
VIP会员
相关基金
国家自然科学基金
5+阅读 · 2017年6月30日
国家自然科学基金
11+阅读 · 2016年12月31日
国家自然科学基金
19+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员